هناك سؤال يجلس في زاوية مظلمة من كل نقاش جاد حول الذكاء الاصطناعي، لكن أحداً لا يريد أن يفتح الموضوع بصراحة: هل كل هذا التطور المتسارع دائم؟ أم أننا نتسلق جبلاً له قمة؟

السؤال ليس فلسفياً. له إجابات تقنية محددة، وأرقام، وخلافات حقيقية بين أذكى العقول في هذا المجال. دعني أأخذك في رحلة داخل هذا الجدال، لأنه الأكثر أهمية في عالم التقنية اليوم.

أولاً: هل نحن فعلاً أمام حدود؟

قبل أن نتكلم عن التوقف، يجب أن نفهم طبيعة التقدم الحالي. نماذج اليوم أصبحت أقوى بشكل هائل خلال سنوات قليلة، وهذا حقيقي وموثق. لكن هذا التحسن لم يأتِ من العدم، بل جاء من معادلة بسيطة: بيانات أكثر + حوسبة أقوى = نموذج أذكى.

المشكلة أن كلا طرفي هذه المعادلة بدآ يصطدمان بجدران حقيقية.

الجدار الأول: البيانات تنفد

هذا ربما أكثر القيود إثارة للقلق، وأقلها تغطيةً في الإعلام.

وجدت مؤسسة Epoch للبحث في الذكاء الاصطناعي أن الذكاء الاصطناعي قد يستنفد جميع البيانات النصية عالية الجودة المتاحة على الإنترنت بحلول عام 2026. لكن الأرقام الأحدث أكثر دقة وأكثر إثارة للقلق في آنٍ معاً. تُقدّر Epoch أن المخزون الفعلي من النصوص البشرية عالية الجودة يبلغ نحو 300 تريليون رمز. وإذا دُرِّبت النماذج على هذه البيانات بمعدل مكثف يبلغ خمسة أضعاف الحد الطبيعي، فقد يُستنفد هذا المخزون بالكامل بحلول 2027. GitautoreviewGrokipedia

ماذا يعني هذا عملياً؟ يعني أن شركات الذكاء الاصطناعي بدأت تعيد استخدام البيانات ذاتها بشكل متكرر، وهو ما يُضعف جودة النماذج بدلاً من تحسينها. والحل البديل الذي يلوح في الأفق هو البيانات الاصطناعية، أي بيانات يولدها الذكاء الاصطناعي ليُدرَّب عليها الذكاء الاصطناعي.

لكن هنا تكمن المعضلة. في المجالات التي يصعب فيها التحقق من صحة الإجابات كالكتابة الإبداعية والتخطيط الاستراتيجي وتوليد الفرضيات العلمية، تخاطر البيانات الاصطناعية بما يُسمى "انهيار النموذج"، حيث تتراكم الأخطاء عبر أجيال متعاقبة من التدريب. Verdent AI

بكلام أبسط: نموذج يتعلم من نموذج آخر قد يتعلم أخطاءه أيضاً، ثم يضخمها. الباحثون يصفون هذه الظاهرة بـ "اضطراب التلقيم الذاتي للنموذج"، حيث تفقد الأجيال المتعاقبة من النماذج تدريجياً الجودة والتنوع عند تدريبها على مخرجات نماذج أخرى دون إضافة بيانات بشرية جديدة حقيقية. Epoch AI

الجدار الثاني: الفيزياء والطاقة

الجدار الثاني أكثر صعوبة لأنه ليس معلوماتياً بل فيزيائي بالمعنى الحرفي.

نحن نشهد اتجاهاً واضحاً: زيادات أُسّية في الطاقة والتكلفة تُنتج زيادات خطية في القدرة. التحسينات على مستوى الرفوف مثل ربط 72 معالجاً معاً توفر دفعة مؤقتة، لكنها تحول هيكلي يحدث مرة واحدة. بحلول 2026 أو 2027، حين تُستنفد هذه الكفاءات، سنصطدم بجدار صلب. الفيزياء الكهربائية وانتقال الحرارة ستجعل التوسع الإضافي غير مبرر اقتصادياً. Shizune

الأرقام هنا مذهلة وبشكل مثير للقلق. الذكاء الاصطناعي يستهلك طاقة هائلة، وإذا استمر النمو الحالي في استهلاك الطاقة، فإن أكبر عمليات تدريب في 2030 ستحتاج من 4 إلى 16 غيغاواط، أي ما يكفي لتشغيل ملايين المنازل الأمريكية. مركز بيانات Stargate لـ OpenAI وحده يصل إلى 1.2 غيغاواط. وهناك فارق بين "يمكن تحقيقه" و"يمكن تموليه واستدامته". Tactiq

الجدار الثالث: الرجل الذي يقول "الكل مخطئ"

لكن هناك صوت مختلف تماماً يقول إننا لسنا أمام جدار في الجبل الحالي، بل نحن في الجبل الخطأ من الأساس.

يان لوكان، الحائز على جائزة تورينج والأب الروحي للشبكات العصبية الحديثة، ترك منصبه في Meta في ديسمبر 2025 وأسس مختبر AMI في باريس، برأسمال تجاوز المليار دولار. رسالته واحدة لا تتغير: النماذج اللغوية الكبيرة لديها أنظمة تستطيع التعامل مع اللغة، وتُوهمنا بأنها ذكية لأنها تتلاعب بالكلمات. لكنها في الواقع عاجزة تماماً حين يتعلق الأمر بالعالم المادي. INZIU

لوكان يجادل بأن النماذج اللغوية عاجزة عن تحقيق الذكاء العام لأنها تفتقر إلى الارتساء في الواقع المادي. التدريب النصي وحده ينتج أنظمة تستطيع الحديث عن الفيزياء دون أن تفهم الفيزياء، وتصف العلاقات المكانية دون أن تدركها فعلاً. BankInfoSecurity

الجملة الأشد وطأةً جاءت في محاضرته بجامعة Brown في أبريل 2026: "هناك مئات المليارات تُستثمر في صناعة تراهن على أن النماذج اللغوية ستبلغ مستوى الذكاء البشري. هذا هراء تام."

وبديله المقترح؟ "نماذج العالم"، أي أنظمة تتعلم من الفيديو والصوت والبيانات الفيزيائية والتجربة الجسدية، لا من النص وحده. ما يكشفه المشهد الحالي هو تحول هادئ لكن عميق: عصر التنبؤ النصي الخالص يُفسح الطريق لاستراتيجية متعددة المسارات، حيث تتعايش النماذج اللغوية مع نماذج العالم بدلاً من أن تحل إحداها محل الأخرى. The Conversation

لكن ماذا يقول المعسكر الآخر؟

الصورة ليست بهذه القتامة بالنسبة للجميع. وهنا يجب أن نكون أمناء في نقل الجدال بكامل تعقيداته.

المدافعون عن التوسع يقولون إن كل مرة توقع فيها أحد توقف التقدم، جاء اختراق جديد يُبطل التوقعات. كانت هناك أزمة "شتاء الذكاء الاصطناعي" في الثمانينيات والتسعينيات حين بدا الأمر ميتاً، ثم جاء التعلم العميق وقلب الطاولة. ويقولون إن الاستدلال (Reasoning) والتعلم التعزيزي والبيانات الاصطناعية المُحكمة قادرة على تجاوز قيود البيانات الحالية.

التقرير الدولي للسلامة في الذكاء الاصطناعي لعام 2026 يرى أنه رغم متطلبات الطاقة الهائلة، فإن الولايات المتحدة تبني البنية التحتية اللازمة لاستيعاب عمليات تدريب بحجم 10 غيغاواط، مما يعني أن عقبات الطاقة لن تمنع التوسع الحسابي على الأقل حتى نهاية العقد. Tactiq

وفيما يخص بيانات التدريب، ثمة بدائل قيد الاستكشاف: تحسين الخوارزميات لاستخدام البيانات المتاحة بكفاءة أعلى، وتوظيف الذكاء الاصطناعي لتوليد بيانات اصطناعية في مجالات محددة، فضلاً عن المحتوى خارج الفضاء الرقمي المجاني كالنصوص المنشورة قبل ظهور الإنترنت. Get AI Perks

الصورة الكبيرة: أي نوع من "التوقف" نتحدث عنه؟

هنا المفتاح الذي يُفكك كثيراً من الخلط في هذا النقاش: "التوقف" ليس نقطة واحدة، بل طبقات.

التوقف عن المفاجآت الكبيرة ربما قريب. الانتقال من GPT-2 إلى GPT-4 كان قفزة هائلة يراها الجميع. الانتقال بين النماذج الجديدة اليوم تحسينات تدريجية يصعب على غير المتخصصين اكتشافها.

التوقف عن التطور الكلي أمر مختلف. حتى لو توقف التوسع في حجم النماذج، تبقى التحسينات في الكفاءة والتخصص والتطبيق مستمرة لسنوات. نموذج أصغر يعمل بشكل أفضل على مهمة محددة هو تطور حقيقي، حتى لو لم يكن عنواناً براقاً.

التوقف عن الوصول إلى الذكاء العام هو الجدال الأعمق. لا نموذج العالم عند لوكان، ولا ما يسميه Sutskever "الذكاء الآمن الفائق"، أيٌّ منهما طريق يمكن رؤية نتائجه في المدى القصير. لوكان يقول إنه يحتاج عدة سنوات إلى عقد كامل، وهذا يعني أن النماذج اللغوية الحالية ستظل أساس التطبيقات السائدة لسنوات طويلة قادمة. arxiv

ما الذي يعنيه هذا كله للمستخدم العادي؟

أنت لست باحثاً في الذكاء الاصطناعي، لكن هذا الجدال يمسك مباشرةً.

إذا كان التطور يتباطأ أو يصطدم بجدران حقيقية، فهذا يعني أن النماذج التي نستخدمها اليوم ستُشبه كثيراً النماذج التي سنستخدمها بعد ثلاث سنوات. وهذا له معنيان متناقضان: من ناحية، يعني أن الأدوات الحالية ستنضج وتتحسن في الاستقرار والموثوقية بدلاً من الوعود الكبيرة. ومن ناحية أخرى، يعني أن مخاوف كثيرة حول الذكاء الاصطناعي الفائق والتهديدات الوجودية قد تكون مبالغاً فيها على المدى القريب.

الخلاصة العملية واضحة: استخدم النماذج اللغوية بكثافة حيثما تتفوق، خاصة في النصوص والبرمجة، لكن لا تخلط بين الطلاقة اللغوية والفهم الحقيقي. إذا أردنا آلات تستطيع فعلاً الاستدلال والتخطيط والتعامل مع الواقع المادي، فالطريق ما زال طويلاً. Groundy

خاتمة: السؤال الخطأ

ربما السؤال "متى يتوقف الذكاء الاصطناعي عن التطور؟" هو السؤال الخطأ من الأساس.

الأصح أن نسأل: من أي نوع من التطور نتحدث؟ التطور في الحجم؟ ربما يتباطأ. التطور في الكفاءة؟ مستمر. التطور في التطبيقات؟ في أوجه. التطور نحو الذكاء العام؟ هذا جدال فلسفي وتقني في آن معاً لا إجابة قاطعة له حتى الآن.

ما يمكن قوله بثقة هو أن الجيل القادم من الاختراقات لن يأتي بالضرورة من نماذج أكبر وبيانات أكثر. ربما يأتي من معمارية مختلفة كلياً لا نزال في بداية فهمها، أو ربما من تقاطع غير متوقع بين الذكاء الاصطناعي والعلوم البيولوجية والفيزياء الكمومية.

الذكاء الاصطناعي لن يتوقف. لكنه سيتغير شكله. وربما يكون التغيير القادم أكثر جذرية مما نتخيل.