المقدمة: لماذا يعلق علماء الذكاء الاصطناعي في البداية
لقد تعلمت نماذج اللغة الحديثة التعامل بشكل جيد مع روتين العمل العلمي: فهي تولد الفرضيات، وتكتب أكواد التجارب، وحتى تصيغ مسودات الأوراق البحثية. ومع ذلك، عند محاولة أتمتة دورة البحث بأكملها، تظهر نقطة اختناق غير متوقعة — وهي المرحلة المبكرة التي يلزم فيها صياغة المشكلة البحثية نفسها.
معظم علماء الذكاء الاصطناعي الحاليين في هذه الخطوة يلجؤون إلى واجهات برمجة تطبيقات تجارية لنماذج مملوكة. هذا يشبه الصندوق الأسود: تظهر الاقتراحات من المعرفة البارامترية للنموذج والبحث في الأدبيات الذي تم ضبطه مسبقًا ليتوافق مع الأفكار المولدة. من المستحيل تقريبًا التحقق من الحقائق التي يستند إليها الاستنتاج. أضف إلى ذلك خطر الهلوسات والتحيزات المنهجية لنموذج معين — وستحصل على أن نقطة البداية للبحث قد لا تكون عشوائية فحسب، بل غير مدعومة بأساس.
ألم منفصل — الخصوصية. العلماء ليسوا دائمًا مستعدين لإرسال أعمالهم إلى واجهات برمجة تطبيقات خارجية، خاصة عندما يتعلق الأمر بأفكار غير مسجلة كبراءات اختراع أو مواضيع حساسة. لذلك ليس من المستغرب أن تجذب الأساليب المحلية التي لا تغادر حدود البنية التحتية للبحث اهتمامًا متزايدًا.
وهنا تحديدًا يدخل نظام SGHA إلى المسرح، الذي طوره سارفيش غارات ودزومبي كوماياما. ظهرت نسختهم الأولية في الأرشيف في 18 أغسطس 2026. يقترح المؤلفون خط أنابيب مستقلًا تمامًا لاكتشاف الفجوات العلمية، يعمل على نموذج محلي مفتوح دون أي استدعاء واحد لواجهات برمجة تطبيقات خارجية. لكن دعونا نفهم كيف يعمل.
كيف يعمل SGHA: من المجموعة إلى المشكلات البحثية
على عكس الوكلاء النموذجيين الذين "يفكرون" ببساطة بشكل حر، يراهن SGHA على البنية الصريحة للمجموعة العلمية. المرحلة الأولى — تحويل مجموعة المقالات إلى كائنات مقالات مرتبطة بالأدلة ورسم بياني نمطي للأدلة. ببساطة، يتم تحليل كل منشور إلى كيانات وعلاقات: ما الادعاءات التي يقدمها، وما الأعمال التي يعتمد عليها، وما التجارب التي تؤكد الاستنتاجات.
ثم يبحث النظام في هذا الرسم البياني عن أنماط هيكلية غير محلولة — فجوات محتملة. هذه ليست مجرد تطابقات نصية، بل "ثقوب" قابلة للتحقق على أساس المادة الواقعية: على سبيل المثال، مجالان بحثيان مرتبطان بوضوح، لكن لم يحاول أحد دمجهما. المهم أن كل فجوة مرشحة، قبل أن تصبح صياغة كاملة للمشكلة، تخضع لفحص الصلاحية.
من الأنماط إلى عائلات المشكلات
في المخرجات، ينشئ SGHA عائلات من المشكلات البحثية، لكل منها محدد:
- الافتراضات؛
- الأهداف؛
- معايير النجاح؛
- الغموض المتبقي.
هذا النهج يسمح للباحث برؤية ليس مجرد فكرة، بل مبررها وحدود قابليتها للتطبيق. في الوقت نفسه، جميع الاستدلالات مقيدة بالأدلة من المجموعة، مما يقلل بشكل حاد من احتمال الهلوسات.
محلي تمامًا: نموذج مفتوح فقط بـ 9 مليارات معامل
السمة الرئيسية لـ SGHA — الاستقلالية الكاملة. جميع المكونات المتعلقة بمعالجة اللغة والاستدلال تُنفذ على نموذج مفتوح تم نشره محليًا بـ 9 مليارات معامل. لا واجهات برمجة تطبيقات مملوكة لنماذج أمامية، ولا نقل بيانات إلى الخارج. حتى عملية البحث الطويلة لن تتطلب أي طلب خارجي واحد.
هذه ليست مجرد مسألة راحة. للمختبرات التي تعمل مع طلبات صناعية أو بيانات طبية، يزيل هذا النهج فئة كاملة من مشكلات إدارة البيانات والسرية. علاوة على ذلك، فإن النموذج المفتوح بـ 9B هو حجم متواضع إلى حد ما بالمعايير الحديثة، مما يجعل النظام قابلًا للتشغيل على محطة عمل قوية واحدة.
التقييم: مقارنة مع AI Scientist-v2
تحقق المؤلفون من النظام في خمسة مجالات للتعلم الآلي، مقارنين إياه بوحدة صياغة الأفكار من مشروع AI Scientist-v2. تظهر النتائج أن النهج القائم على البنية الصريحة للمجموعة والتحقق من الأدلة يعطي صياغات مشكلات لا تقل واعدة وقابلة للتحقق مقارنة باستخدام نماذج أمامية أكثر قوة بكثير. لا يولد SGHA مجرد عناوين مواضيع، بل يسمح بتتبع المقالات والعلاقات التي استند إليها للوصول إلى صياغة سؤال معينة.
هذا يحل مشكلة "الصندوق الأسود" ويجعل العملية قابلة للتدقيق. ونظرًا للطابع المحلي الكامل، يمكن دمج هذا الوكيل بسهولة في سير العمل العلمي دون القلق بشأن سياسات الأمان.
الاستنتاجات والآفاق
SGHA — مثال مقنع على أنه لصياغة المشكلات العلمية ليس من الضروري ربط نماذج سحابية ضخمة. هيكلة المجموعة، ورسم بياني للأدلة، ونموذج محلي بـ 9B قادرون على توفير جودة كافية لمشكلات بحثية واعدة وقابلة للتحقق. بالطبع، لا يزال هناك الكثير من العمل في المستقبل: يعد المؤلفون بفتح الكود والقطع الأثرية، مما سيسمح للمجموعات الأخرى بإعادة إنتاج النتائج وتكييف النظام مع مجالاتها.
إذا استمر هذا الاتجاه، فسنشهد في السنوات القادمة فئة كاملة من علماء الذكاء الاصطناعي الذين لا يعتمدون على واجهات برمجة تطبيقات خارجية وشفافون تمامًا للتحقق. وهذا يعني أن أتمتة العلم ستصبح ليس فقط أكثر كفاءة، بل وأكثر أمانًا أيضًا.
