لماذا قام باحث من مايكروسوفت ببناء شبكة عصبية باستخدام الماعز في لعبة Age of Empires II

في عرض بارع للسخرية التقنية، قام أدريان دي وينتر، الباحث في مايكروسوفت وجامعة يورك، ببناء شبكة عصبية وظيفية داخل محرر الخرائط في لعبة Age of Empires II. وبينما قد يبدو استخدام الماعز لتمثيل البتات الثنائية (binary bits) أمراً عبثياً، إلا أن التجربة تعمل كنقد عميق للانحيازات القائمة على إضفاء الصفات البشرية التي تعصف حالياً بالأبحاث العلمية في مجال الذكاء الاصطناعي.

نموذج الحوسبة القائم على الماعز

تستخدم بنية دي وينتر محرر السيناريوهات وأدوات البرمجة النصية في اللعبة لإنشاء دائرة منطقية عاملة. وفي هذا الإعداد "العبثي"، تعمل الماعز كبتات (bits): حيث تمثل الماعز الواقفة على العشب الرقم 0، بينما تمثل الماعز الواقفة على جسر الرقم 1. ومن خلال استخدام منحدرات جليدية لمنع أخطاء الحساب، نجح دي وينتر في بناء شبكة مصغرة تتكون من بوابتين من نوع XNOR وبوابة واحدة من نوع AND، والتي تتعلم بفعالية دالة AND المنطقية.

يتجاوز العمق التقني لهذه التجربة مجرد البوابات المنطقية البسيطة؛ إذ يوضح دي وينتر أن ميكانيكيات اللعبة — وتحديداً السوق داخل اللعبة حيث تبلغ أسعار الموارد حداً أقصى قدره 9,999 — يمكن أن تسمح نظرياً بدورة اقتصادية مستمرة للأبد. وهذا من شأنه أن يحول المباني إلى خلايا ذاكرة والمزارع النشطة إلى حالات حوسبية، مما يجعل اللعبة فعلياً بقوة كمبيوتر كامل المواصفات.

مغالطة إضفاء الصفات البشرية في أبحاث النماذج اللغوية الكبيرة (LLM)

الهدف الأساسي من هذه التجربة هو التشكيك في كيفية إضفاء صفات شبيهة بالبشر على النماذج اللغوية الكبيرة (LLMs). يجادل دي وينتر بأنه إذا كان من الممكن محاكاة نموذج لغوي باستخدام الماعز، أو مكعبات الليغو، أو حتى من خلال مراسلة 667,000 من سكان منطقة بوسطن الكبرى لبعضهم البعض، فإن المخرجات الرياضية ستظل متطابقة. ومع ذلك، فإن "الغلاف" — المتمثل في واجهة الدردشة السلسة وزمن الاستجابة المنخفض — يخلق وهماً بالإدراك.

ولإثبات أن هذه ليست ملاحظة معزولة، قام دي وينتر بتحليل 315 ورقة بحثية في مجال الذكاء الاصطناعي من منتصف عام 2024 إلى منتصف عام 2026. وباستخدام GPT-5.2 للتصفية، كشفت الدراسة عن انحياز منهجي في المجتمع العلمي:

• 57% من الأوراق التي تم فحصها افترضت أن النماذج اللغوية الكبيرة تمتلك سمات شبيهة بالبشر في مقدماتها.
• 36% من الأوراق توصلت إلى استنتاجات تتوافق مع هذه الافتراضات البشرية.
• من بين 47 ورقة بحثية بحثت تحديداً في هذه السمات، خلصت 77% منها إلى تأييد الصفات البشرية.

يؤدي هذا إلى خلق حلقة من الاستدلال الدائري: حيث يصمم الباحثون تجارب لإثبات أن النموذج يمتلك "خوفًا" أو "أخلاقًا"، ولأنهم يبدأون بهذا الافتراض، فإن النتائج تؤكد ذلك حتمًا.

التحول نحو علم الذكاء الاصطناعي القائم على الملاحظة

يحذر "دي وينتر" من أن ممارسات الصناعة، مثل تدريب شركة Anthropic لنموذج Claude على استخدام عبارات مثل "أعتقد"، تؤدي إلى تفاقم هذه المشكلة. ويمكن أن يؤدي ذلك إلى عواقب خطيرة، بما في ذلك الارتباط العاطفي، والتملق، وتعزيز الأوهام لدى المستخدمين.

وبدلاً من إسناد الوعي إلى النماذج، يقترح "دي وينتر" "نهجًا رصينًا" متجذرًا في البيانات القابلة للملاحظة. فبدلاً من الادعاء بأن النموذج "يفهم" مفهومًا ما، يجب على الباحثين التصريح بأنه "في ظل الظرف X، ينتج النموذج المخرج Y". وهذا يحافظ على قابلية العلم للاختبار ويمنع إساءة استخدام الرياضيات المعقدة لتبرير ادعاءات لا أساس لها من الصحة حول الإدراك.

النقاط الرئيسية المستخلصة

• التكافؤ الرياضي: يثبت "دي وينتر" أن وسيط الحوسبة (سواء كان ماعزًا في لعبة أو نصًا في نافذة دردشة) لا يغير الرياضيات الأساسية، ومع ذلك فإنه يغير تصورنا لـ "الذكاء" بشكل جذري.
• التحيز البحثي المنهجي: تقع أكثر من نصف أوراق الذكاء الاصطناعي التي تم تحليلها في فخ الاستدلال الدائري من خلال افتراض أن النماذج اللغوية الكبيرة (LLMs) تمتلك سمات بشرية قبل اختبارها.
• الحاجة إلى الدقة القائمة على الملاحظة: يجب على مجتمع الذكاء الاصطناعي التحول من إسناد العمليات المعرفية العليا إلى النماذج إلى التركيز على المخرجات الحوسبية القابلة للملاحظة والاختبار بدقة.