الولايات المتحدة - وكالة أنباء إخباري
اختبار "آخر امتحان للبشرية": هل هو مقياس حقيقي لذكاء الذكاء الاصطناعي المتقدم؟
في خطوة تهدف إلى دفع حدود الفهم والقدرات في مجال الذكاء الاصطناعي، كشف باحثون عن "آخر امتحان للبشرية" (Humanity’s Last Exam - HLE)، وهو عبارة عن معيار تقييم صارم مصمم خصيصًا لاختبار أقصى قدرات الاستدلال لدى نماذج الذكاء الاصطناعي الأكثر تطوراً. وعلى الرغم من أن بعض النماذج العملاقة، مثل Gemini 3 من جوجل، قد حققت نتائج لافتة فيه، إلا أن الخبراء يؤكدون أن هذه النتائج لا تمثل بأي حال من الأحوال مؤشراً على وصولنا إلى مرحلة الذكاء الاصطناعي العام (AGI)، وهو هدف طالما سعت إليه الأبحاث في هذا المجال.
تم تطوير هذا الاختبار المتقدم من قبل باحثين في مركز سلامة الذكاء الاصطناعي (Center for AI Safety) و Scale AI، وهو يهدف إلى قياس مدى اقتراب نماذج الذكاء الاصطناعي الحالية من مضاهاة أو تجاوز المعرفة البشرية عبر مجموعة واسعة من المجالات المتخصصة. وقد تم الكشف عن تفاصيل هذا الإطار البحثي ومنهجية تصميمه في دراسة جديدة نُشرت في مجلة "Nature" المرموقة.
اقرأ أيضاً
- جريمة هزت القاهرة الجديدة.. تفاصيل اعترافات متهم أنهى حياة صديقه وأسرته بالكامل لسرقة أمواله وسبائك ذهبية
- أمراض الدم: فهم شامل وتصنيفات معمقة
- تطبيق رسائل سامسونج يتوقف عن العمل في 2026: إليك ما يجب فعله
- وكالة استخبارات كوريا الجنوبية: ابنة كيم جونغ أون وريثته المحتملة
- جنسن هوانغ يحث TSMC على تسريع الإنتاج وسط تزايد الطلب على الذكاء الاصطناعي
يتكون "آخر امتحان للبشرية" من مجموعة شاملة تضم 2500 سؤال، تغطي أكثر من 100 مجال معرفي مختلف. وقد شارك في وضع هذه الأسئلة أكثر من 1000 خبير متخصص من 500 مؤسسة مرموقة موزعة على 50 دولة حول العالم. صُممت الأسئلة لتكون إما بصيغة الاختيار من متعدد أو تتطلب إجابات قصيرة، مع التأكيد على أن كل سؤال له حل "واضح وسهل التحقق منه، ولكنه لا يمكن الإجابة عليه بسرعة عبر البحث في الإنترنت". هذا التصميم يضمن أن الاختبار يقيس الفهم العميق والقدرة على الاستنتاج بدلاً من مجرد استرجاع المعلومات.
خلال مرحلة الإطلاق الأولية للاختبار في يناير 2025، تم اختبار نماذج رائدة مثل GPT-4o و o1 من OpenAI، و Gemini 1.5 Pro من جوجل، و Claude 3.5 Sonnet من Anthropic، و DeepSeek R1. وقد حقق نظام o1 من OpenAI المركز الأول بنسبة 8.3% فقط، مما يعكس الصعوبة الشديدة للاختبار. وعلى الرغم من هذه النتائج الأولية المتواضعة، توقع الباحثون في ذلك الوقت أنه "نظرًا للوتيرة السريعة لتطور الذكاء الاصطناعي، فمن المحتمل أن تتجاوز النماذج نسبة 50% من الدقة في HLE بنهاية عام 2025".
وقد أثبتت التوقعات صحتها جزئياً. ففي 12 فبراير 2026، سجل نموذج Gemini 3 Deep Think من جوجل أعلى نتيجة بلغت 48.4%. وفي المقابل، يحقق الخبراء البشريون حوالي 90% من الدقة في مجالات تخصصهم. هذا التباين الكبير يؤكد على التحدي الذي يمثله الاختبار حتى لأقوى نماذج الذكاء الاصطناعي.
تم تصميم "آخر امتحان للبشرية" عن قصد ليكون صعباً للغاية. فقد أطلق الباحثون نداءً عالمياً لتقديم الأسئلة من خبراء متخصصين في مجالات متنوعة. وفرضوا معايير صارمة لضمان دقة الأسئلة ووضوحها وقابليتها للحل وعدم قابليتها للبحث المباشر عبر الإنترنت. كان الهدف هو منع النماذج من "الغش" عبر البحث السريع على الويب، وضمان أن الأسئلة ليست موجودة بالفعل في مجموعات بيانات التدريب الخاصة بالنماذج، مما يزيد من احتمالية أن تكون الإجابة معروفة مسبقاً.
تمت معالجة أكثر من 70,000 سؤال مقترح، وتم رفض أي سؤال يمكن للنماذج الإجابة عليه بشكل صحيح تلقائيًا. نتج عن هذه العملية حوالي 13,000 سؤال فشلت النماذج اللغوية الكبيرة (LLMs) في حلها. خضعت هذه الأسئلة بعد ذلك لتقييم دقيق من قبل فريق من الخبراء المتخصصين، وتمت الموافقة عليها من قبل فريق البحث، وطُرحت على المجتمع العلمي للحصول على ملاحظات مفتوحة. في النهاية، تم اختيار 2500 سؤال لتشكل الاختبار النهائي، والتي تقع بشكل عام ضمن نطاق اختبارات مستوى الدكتوراه.
تتنوع الأسئلة لتشمل مجالات مختلفة؛ فمثلاً، يتضمن الاختبار سؤالاً في التاريخ اليوناني: "من كان الجد الأكبر لأم جيسون؟"، وسؤالاً في الفيزياء يتطلب تحديد العلاقة بين القوى المختلفة أثناء حركة كتلة تنزلق على سطح أفقي بدون احتكاك، ومتصلة بقضيب صلب وغير محسوس بطول غير معروف. هذا التنوع والعمق يميز "آخر امتحان للبشرية" عن أدوات القياس الأخرى.
على سبيل المثال، تركز الاختبارات الشائعة مثل مجموعة بيانات فهم اللغات المتعددة (MMLU)، التي شارك في تأليفها مؤسس مركز سلامة الذكاء الاصطناعي دان هندريكس، على مجموعة فرعية صغيرة من المعرفة المتخصصة، وتركز بشكل أساسي على البرمجة والرياضيات. حتى الاختبارات المتطورة مثل مجموعة اختبارات ARC-AGI لفرانسوا شوليه تواجه صعوبة في التغلب على مشاكل الحفظ وقابلية البحث التي يهدف "آخر امتحان للبشرية" إلى معالجتها. ففي حين حقق نموذج Gemini Deep Think نسبة 84.6% على معيار ARC-AGI-2، إلا أنه فشل في تجاوز 50% في اختبار HLE.
يُعتبر "آخر امتحان للبشرية" على الأرجح أفضل محاولة حتى الآن في عالم الذكاء الاصطناعي لقياس القدرات واسعة النطاق للنماذج الحديثة مقارنة بالخبراء البشريين. ومع ذلك، يؤكد مؤلفو الدراسة بشكل قاطع أن تحقيق درجة عالية في HLE لا يعد بأي حال من الأحوال دليلاً على وصول الذكاء الاصطناعي العام. فقد أوضح العلماء في الدراسة: "الدقة العالية في HLE ستثبت الأداء على مستوى الخبراء في الأسئلة المغلقة والقابلة للتحقق والمعرفة العلمية المتطورة، لكنها لن تشير وحدها إلى القدرات البحثية المستقلة أو الذكاء الاصطناعي العام".
ويضيف مانويل شوتدورف، عالم الأعصاب في جامعة ديلاوير، والذي قبل أحد أسئلته في HLE: "النجاح في HLE هو شرط ضروري، ولكنه ليس شرطاً كافياً للقول بأن الآلات قد وصلت إلى الذكاء الحقيقي. سيتعين عليها أن تكون جيدة بما يكفي لحل هذه الأسئلة، ولكن هذا وحده لا يمكن أن يسمح لنا بالاستنتاج بأن الآلات ذكية حقًا".
يُذكر أن تريستان، الصحفي المتخصص في العلوم والتكنولوجيا، هو مؤلف هذا التقرير، ويغطي مجالات الذكاء الاصطناعي، والفيزياء النظرية، والتقنيات المتطورة. وقد نشرت أعماله في العديد من المجلات المرموقة. قبل دخوله مجال الصحافة، خدم في البحرية الأمريكية لمدة 10 سنوات كمهندس ومبرمج.
أخبار ذات صلة
- السودان يواجه أسعاراً «غير مسبوقة» للخبز والوقود وسط أزمة إنسانية متفاقمة
- تصعيد أمني في أوروبا: اكتشاف متفجرات قرب خط غاز صربي وسط توترات جيوسياسية متزايدة
- تصعيد أمني في اليمن واستهداف رئاسي في الصومال يبرزان هشاشة المنطقة
- إدانة دولية حازمة للهجمات الإيرانية: «إيكاو» ومجلس الأمن يتصدران الموقف وتصعيد خليجي
- تداعيات مضيق هرمز تهز الأسواق العالمية وسط زخم اقتصادي سعودي وتطلعات كورية للطاقة