فراشة الآلة: لماذا لا يتكرر تدريب الذكاء الاصطناعي؟

كشفت دراسة نُشرت في مجلة "نيتشر ماشين إنتلجنس" في الخامس من نوفمبر 2026 عن سمة بنيوية في رياضيات التعلم العميق تجعل نتائج تدريب الشبكات العصبية العميقة غير قابلة للتكرار حتى في بيئات حاسوبية حتمية تمامًا. الدراسة التي أجراها أندرو لي وبولين غونغ من كلية الفيزياء بجامعة سيدني، أعادت صياغة السؤال القديم حول قدرة صانع الذكاء الاصطناعي على التنبؤ بمصير صنعته، وقدمت إجابة موثقة تفيد بأن عدم اليقين ليس قصورًا هندسيًا بل خاصية رياضية متأصلة.

نتائج الدراسة: أحواض جذب كسورية

استخدم الباحثون أدوات من نظرية الأنظمة الديناميكية لرسم خريطة لمصائر التدريب، فاكتشفوا أن "أحواض الجذب" - وهي المناطق التي تؤدي بداياتها إلى مصير واحد - ليست متجاورة بحدود واضحة، بل متشابكة في نسيج كسوري يُعرف بـ "الأحواض المليئة بالثقوب". في هذا النسيج، تقع كل نقطة تؤدي إلى مصير معين على مسافة متناهية الصغر من نقاط تؤدي إلى مصير مختلف، ويظل هذا التشابك قائمًا مهما كبرت دقة الملاحظة. حين رسم الفريق خريطة لأكثر من أربعة ملايين نقطة بداية، ظهرت الصورة على هيئة فراشة بجناحين متداخلين، ترمز رياضيًا لحساسية المصير لأصغر تغيير في البداية.

أرقام تكشف عمق المفاجأة

درب الفريق نحو خمسمائة ألف شبكة عصبية عبر معماريات ومهمات متنوعة. في مثال تفصيلي لشبكة تعرّف الصور، وجدوا 1,772 مصيرًا مختلفًا للتدريب على خريطة واحدة. سجل عدم اليقين في فضاء المعاملات صفرًا بأربعة منازل عشرية مع هامش خطأ 0.002، ما يعني أن رفع دقة نقطة البداية لا يحسن قابلية التكرار تحسنًا يذكر. في النموذج النظري، احتاج الباحثون إلى تدقيق البداية بمقدار 24 مرتبة قدرية لينخفض احتمال المفاجأة إلى النصف. قدر بيان الجامعة أن تغيير بت واحد - أصغر فارق تستطيع الآلة تسجيله - دفع التدريب إلى مصير مختلف في نحو 48% من الحالات، بينما استقر متوسط الاختلاف بين تنبؤات الشبكات المتدربة عند نحو 2.9% مهما دقت البدايات.

مفاضلة بين الكفاءة والتكرار

كشفت الدراسة عن مفاضلة جوهرية: الإعدادات التي تجعل الشبكة تتعلم بكفاءة أعلى هي نفسها التي تجعل نتائجها أصعب تكرارًا. حين أبطأ الباحثون خطوة التعلم، غدت النتائج قابلة للإعادة، لكن الشبكات تعلمت بكفاءة أقل. هذا يشير إلى أن للتعلم العميق ثمنًا يدفع من يقيننا به، وأن عدم الاستقرار ليس عيبًا عرضيًا بل نتيجة حتمية لديناميكيات فوضوية وتناظرات داخلية في معاملات الشبكة.

دلالات أخلاقية وتنظيمية

تمتد تداعيات هذه النتائج إلى ما وراء المختبر. إذا كان نموذجان تدربا على البيانات نفسها قد يختلفان في جزء من تنبؤاتهما، فإن الشفافية عن حدود النموذج واختبار تكراره قبل الاعتماد عليه يصبحان وجهًا عمليًا للأمانة، لا ترفًا تنظيميًا. المبادئ التي دعت إليها أطر الذكاء الاصطناعي المسؤول - الشفافية، المساءلة، الموثوقية، تعزيز الوكالة البشرية - تجد اليوم سببًا رياضيًا غير متوقع يدعمها. الثقة التي لا تمر باختبار التكرار والتحقق تظل ثقة ناقصة مهما بدت النتيجة مقنعة.

تواضع معرفي أمام تعقيد الآلة

لا تدعو الدراسة إلى اليأس من الآلة، بل إلى تصميمها بتواضع. الباحثون يقترحون أدوات لقياس الحساسية وإعادة هندسة المعماريات لتقليل شروط عدم الاستقرار. الذي يعرف أن خريطة صنعته مرسومة على هيئة فراشة متشابكة الألوان يبني أنظمته بحذر مختلف: يقيس الحساسية قبل النشر، ويفصح عنها بعده، ويتعامل مع مخرجات كل نموذج باعتبارها نتيجة مسار كان يمكن أن يسلك طريقًا آخر. يبقى السؤال مفتوحًا: إذا كان أصغر تغيير في البداية قادرًا على تغيير المصير كله في أنظمة نصنعها نحن، فمن يراقب بداياتنا نحن، والبيانات التي نغذي بها عقولنا الاصطناعية، قبل أن نكتشف أن الفراشة في قلب الآلة كانت تحمل صورتنا أكثر مما حسبنا.