لماذا يبدو أن الذكاء الاصطناعي يتحسن فجأة في بعض المهام

في 22 سبتمبر 2026 قدّمت Anthropic نموذج Claude Opus 5.5. وبحسب الإعلان، يؤدي النموذج في معظم الأعمال بمستوى Claude Fable 5.1، وتقل كلفة تشغيله بنسبة 40 % عن Opus 5. وبعد يومين نشر كارلوس سانتانا، المبسِّط العلمي الإسباني المعروف باسم DotCSV، مقطع فيديو لم يتوقف كثيرًا عند هذه الأرقام. كان يهتم بأمر آخر: خلال الشهرين الأخيرين حققت النماذج اللغوية قفزة في الإبداع السمعي البصري. رسوم متحركة، ورسومات متحركة للعناوين والبيانات، ومشاهد ثلاثية الأبعاد، وفن البكسل، كلها تُصنع بكتابة الشيفرة البرمجية، من دون اللجوء إلى نموذج يولّد الفيديو.

ولشرح ذلك رسم منحنى سيغمويد: منحنى على شكل حرف S يتقدم ببطء، ثم يصعد بسرعة كبيرة في مقطع قصير، وينتهي شبه مستوٍ. وفكرته أن كل نوع من المهام يقطع منحناه الخاص في وقت مختلف. فهو يضع المقطع الحاد للغة في زمن GPT-3، ومقطع البرمجة بين 2025 وبداية 2026، ومقطع الإبداع السمعي البصري في الأسابيع الأخيرة.

تتفق هذه الملاحظة مع ما عاشه كثيرون منا. لكن المثير للاهتمام هو سبب حدوثها. فالمكونات التي تُبنى بها النماذج تنمو بانتظام إلى حد كبير: حوسبة أكثر، وبيانات أكثر، وأساليب أفضل كل عام. فمن أين يأتي إذن مقطع تنتقل فيه مهمة ما، خلال أشهر قليلة، من «لا تنجح تقريبًا أبدًا» إلى «تنجح تقريبًا دائمًا»؟ لا يوجد سبب واحد. هناك أربعة أسباب على الأقل، ومن المفيد الفصل بينها لأن كلًّا منها يساعد على توقع أين قد تكون القفزة التالية.

القدرة تنمو باستمرار؛ وكل مهمة تستجيب بمنحناها الخاص

علينا أولًا أن نميز بين أمرين نسميهما عادة بالاسم نفسه: القدرة العامة للنموذج، ونتيجته في مهمة محددة.

تبني Epoch AI، وهي منظمة تتابع تطور الذكاء الاصطناعي بالبيانات، مؤشرها للقدرات على هذا التمييز. فهي تفترض أن لكل نموذج مستوى عامًا لا يمكن رصده مباشرة، وأن كل اختبار يحوّل هذا المستوى إلى درجة عبر منحنى S خاص به. تحت مستوى معين لا يكاد النموذج يصيب شيئًا، وفوقه يصيب كل شيء تقريبًا. ومن اختبار إلى آخر يتغير أمران: المستوى الذي يحدث عنده الصعود، وهو يتوقف على صعوبة الاختبار، ومدى حدة هذا الصعود. وعندما يكون المنحنى حادًا جدًا، كما تشرح Epoch، «قليل من الذكاء الإضافي يصنع فرقًا كبيرًا»، ويتشبع الاختبار سريعًا.

بهذا المنظور، لا تتطلب القفزة أن يتغير النموذج في طبيعته. يكفي أن تصل قدرة تنمو بانتظام نسبي إلى مقطع الصعود في مهمة ما. من يتابع تلك المهمة يرى التغيير مفاجئًا، ومن ينظر إلى القدرة العامة يراه خطوة أخرى في اتجاه كان موجودًا من قبل.

وتُظهر اختبارات العقد الماضي ذلك بالبيانات. في الرسم التالي، كل خط هو قدرة تُقاس باختباراتها الخاصة: التعرف على الكتابة اليدوية أو الصور أو الكلام، والإجابة عن أسئلة الفهم القرائي، وفهم اللغة. القيمة −100 تقابل أول نتيجة مسجلة للذكاء الاصطناعي في ذلك الاختبار، والقيمة 0 تقابل المستوى البشري المرجعي.

احتاج التعرف على الكتابة اليدوية إلى نحو عشرين عامًا ليبلغ المستوى البشري. أما اختبارات الفهم القرائي وفهم اللغة، التي أُنشئت بين 2016 و2018، فبلغته في نحو عامين. لكل قدرة صعودها الخاص، والقدرات الأحدث تقطعه بسرعة متزايدة. يشرح الرسم شكل الظاهرة، لكن يبقى السؤال: لماذا تكون بعض المنحنيات حادة إلى هذا الحد؟

السبب الأول: المهمة الطويلة سلسلة من الخطوات

كثير من المهام ليست قرارًا واحدًا، بل قرارات كثيرة متتابعة. وإذا كان خطأ واحد كافيًا لإفساد النتيجة، فإن احتمال إنجازها بنجاح يساوي موثوقية كل خطوة مضروبة في نفسها بعدد الخطوات.

وتتغير الأرقام كثيرًا بتغير صغير. بنسبة صواب 90 % في كل خطوة، تنجح مهمة من 10 خطوات في 35 % من المرات، ومهمة من 50 خطوة في 0.5 %. وبنسبة 99 % في كل خطوة، تنجح المهمتان نفسهما في 90 % و61 % من المرات. فتحسين موثوقية كل خطوة بتسع نقاط يضاعف نجاح المهمة الطويلة أكثر من مئة مرة.

يبالغ هذا التبسيط في الأثر: فالنظام الجيد يكتشف بعض الأخطاء ويصححها، وهو ما يعادل وجود عدد أقل من الخطوات القادرة على إفساد النتيجة. لكن الآلية موجودة وقد قيست. تجمع METR، وهي منظمة تقيّم النماذج، مهام برمجية تمتد من كتابة الشيفرة إلى البحث في تعلم الآلة، وتقيس الوقت الذي يستغرقه خبراء بشريون لحلها، ثم تتحقق من طول المهمة الذي ينجزه كل نموذج في نصف المرات. وبالنسبة إلى النموذج نفسه، ينخفض النجاح كلما طالت المهمة، متبعًا مرة أخرى منحنى على شكل S.

ووفقًا للتحديث الذي نشرته METR في يناير 2026، تضاعف هذا الطول تقريبًا كل ستة أشهر ونصف بين 2019 و2025، وكل ثلاثة أشهر تقريبًا منذ 2024. وتنبّه METR نفسها إلى أن التقدير يتوقف على المهام التي تضمها مجموعتها. فإذا نما الأفق بانتظام، فإن مهمة ذات طول ثابت تتجاوزه في لحظة محددة: لسنوات لا تنجح تقريبًا أبدًا، ثم في وقت قصير تنجح تقريبًا دائمًا.

والرسوم المتحركة المصنوعة بالشيفرة حالة متطرفة من المهام المتسلسلة. فعشرات العناصر والتوقيتات والانتقالات وحركات الكاميرا يجب أن تتناسق في آن واحد. ويكفي عنصر يخرج من الإطار أو قطع في غير وقته لتصبح النتيجة غير صالحة للاستخدام. ومن المعقول أن نتوقع أن تبقى مهمة كهذه قريبة من الصفر ما دامت أجزاؤها غير موثوقة كثيرًا، ثم تصعد بسرعة عندما تصبح كذلك. هذا استنتاج من الآلية، وليس نتيجة مقيسة على الرسوم المتحركة.

السبب الثاني: نحكم بالنجاح أو الرسوب

في عام 2022 وصف فريق من Google ومؤسسات أخرى ما سُمّي القدرات الناشئة: مهام كانت النماذج الصغيرة والمتوسطة تجيب فيها عشوائيًا، ثم ترتفع الدقة فجأة بعد حجم معين. بدت كأنها قفزات نوعية لم يتنبأ بها أي اتجاه سابق.

وفي العام التالي اقترح Schaeffer وMiranda وKoyejo قراءة أخرى. فكثير من تلك الاختبارات لم يكن يقبل إلا الإجابة المطابقة تمامًا. فلجمع عددين من أربعة أرقام، مثلًا، كان يجب أن تكون كل أرقام الناتج صحيحة. وإذا تحسن النموذج شيئًا فشيئًا في كل رقم، تبقى الإجابة الكاملة خاطئة حتى تصح كل الأرقام، وعندها تقفز النتيجة. إنه الأثر نفسه لسلسلة الخطوات. وعندما قيّموا الإجابات نفسها بمقاييس تدريجية، تقيس مدى قرب الإجابة من الصحيحة، أصبح كثير من تلك القفزات صعودًا سلسًا.

ولم يُحسم النقاش. فأعمال أخرى، مثل عمل Du ومؤلفين آخرين في 2024، ترى أن بعض القدرات تظهر عندما يتجاوز النموذج عتبة حقيقية أثناء تدريبه، وليس فقط لأن القياس يتم بالنجاح أو الرسوب. ولسؤالنا يكفي استنتاج واحد: طريقة القياس قد تحوّل تحسنًا تدريجيًا إلى قفزة ظاهرية.

والمستخدمون يقيسون بهذه الطريقة في الغالب. فنحن لا نقيّم الرسوم المتحركة بنسبة الإطارات الصحيحة، بل بسؤال واحد: هل يمكننا استخدامها؟ ومهما تحسنت الجودة تدريجيًا، فإن ما نعيشه هو اليوم الذي تبدأ فيه بأن تكون مفيدة.

السبب الثالث: المختبرات تدرّب على ما يمكنها التحقق منه

ما يُستثمر في النماذج ينمو بانتظام. وتقدّر Epoch AI أن الحوسبة المستخدمة لتدريب النماذج الرائدة تضاعفت أربع إلى خمس مرات سنويًا بين 2010 و2024. أما ما يتغير من عام إلى آخر فهو المهام التي يتجه إليها الجهد.

في 12 سبتمبر 2024 قدّمت OpenAI نموذج o1، وهو نموذج دُرّب بالتعلم المعزز على نطاق واسع ليستدل قبل أن يجيب. ويعني التعلم المعزز أن يحاول النموذج حل المسائل، ثم تُعزَّز المحاولات الناجحة. وفي اختبارات AIME لعام 2024، وهي مسابقة رياضيات تُستخدم لاختيار أفضل طلاب المدارس الثانوية في الولايات المتحدة، حل GPT-4o في المتوسط 12 % من المسائل، بينما حل o1 نسبة 74 % بمحاولة واحدة لكل مسألة.

ولتعزيز ما ينجح، يجب معرفة ما إذا كان قد نجح. في يناير 2025 نشرت DeepSeek الطريقة التي درّبت بها DeepSeek-R1: في مسائل الرياضيات كانت قاعدة تتحقق من صحة الإجابة النهائية، وفي مسائل البرمجة كان مترجم برمجي يشغّل الشيفرة على حالات اختبار. وخلال هذا التدريب انتقلت نسخته الأولى من 15.6 % إلى 71 % في اختبار AIME نفسه.

وتجمع البرمجة الشرطين اللذين يشجعان على جهد كهذا. فالنتيجة يمكن التحقق منها آليًا، لأن الاختبارات إما أن تنجح وإما أن تفشل. وهناك طلب عليها: فوفقًا لمؤشر Anthropic الاقتصادي في مارس 2026، لا تزال البرمجة الاستخدام الأكثر شيوعًا لـClaude، وتشكل مهام المهن الحاسوبية والرياضية 35 % من المحادثات على Claude.ai.

ويمكن رؤية منحنى البرمجة بالبيانات. يجمع SWE-bench أخطاء حقيقية من مشاريع مفتوحة المصدر مكتوبة بلغة Python: يتلقى النموذج المستودع ووصف المشكلة، وعليه تعديل الشيفرة حتى تنجح الاختبارات التي كتبها مطوروها. وفي مقالنا عن تاريخ المعايير نعرض واحدة من هذه المهام.

في أكتوبر 2023 كان أفضل نموذج مُقيَّم يحل أقل من مسألتين من كل مئة. وخلال عامين تجاوزت أفضل نتيجة منشورة 80 %. كانت اختبارات البرمجة الأولى تطلب كتابة دالة قصيرة انطلاقًا من وصف دقيق. أما هنا فيجب العثور على الخطأ في مشروع شخص آخر، وفهم شيفرته، وتعديلها من دون كسر أي شيء. ويتزامن هذا التقدم مع السنوات التي بدأت فيها المختبرات التدريب على مهام يمكن التحقق منها آليًا، وتزويد النماذج بأدوات تعمل بها كوكلاء: فتح الملفات، وتشغيل الاختبارات، والمحاولة من جديد.

السبب الرابع: بعض القدرات مصنوعة من قدرات أخرى

الإبداع السمعي البصري بالشيفرة ليس مهارة واحدة. فهو يتطلب كتابة شيفرة تعمل، والاستمرار في مهمة طويلة من دون فقدان الخيط. ويتطلب أيضًا رؤية ما أنتجته تلك الشيفرة والحكم عليه: هل الإيقاع مناسب، وهل التكوين مقروء، وهل هناك ما ينشز. وهو ما نسميه عادة الذوق أو الحس النقدي.

والقدرة المركبة تتوقف على أضعف حلقاتها. فما دام أحد أجزائها متأخرًا، يستمر الكل في الفشل، حتى لو كانت الأجزاء الأخرى تتحسن منذ مدة. وعندما يبلغ الجزء الأخير المستوى اللازم، يبدو الكل كأنه ظهر دفعة واحدة.

فرضيتنا أن الإبداع السمعي البصري بلغ هذه النقطة. فالبرمجة والعمل على المهام الطويلة كانا قد قطعا جزءًا كبيرًا من منحنييهما. وما يبدو أنه تحسن في الأشهر الأخيرة هو الجانب البصري: الحكم على ما تم توليده واستخدام هذا الحكم لتصحيحه. فإذا استطاع النموذج أن يصيّر مشهدًا وينظر إلى النتيجة ويصلح ما لا يعمل، تتوقف سلسلة الخطوات عن الانقطاع عند أول خطأ.

إنها فرضية، لكنها لم تعد تستند إلى الحكايات وحدها. ففي ملاحظاتها التقنية عن Opus 5.5، تذكر Anthropic من بين ما تغيّر مقارنةً بـ Opus 5 قراءةً أدق للرسوم البيانية والمخططات ولقطات الشاشة، ولا سيما الرسوم البيانية الكثيفة والصور التي يهم فيها موضع كل عنصر. وفي إعلانها، ترتفع قراءة الرسوم البيانية من 83.4% إلى 89.0%. ويستشهد الإعلان نفسه بمقيّم طلب من عدة نماذج Claude إنشاء لعبة انطلاقًا من طلب واحد، فحصل Opus 5.5 على أعلى درجة في الرسومات والإتقان. أما الباقي فعروض قدّمها مبسّطون علميون ومستخدمون، مثل تلك التي جمعناها في مقالنا عن الاختبارات الرائجة للذكاء الاصطناعي، وهي كاشفة جدًا لكنها بلا منهج مشترك.

غير أن رؤية النموذج بشكل أفضل لا تثبت أنها سبب القفزة. فهناك ثلاثة تفسيرات أخرى على الأقل تتسق مع ما نراه، ومن المرجح أن لكل منها نصيبًا. تقدّم Anthropic نموذج Opus 5.5 بوصفه مصممًا للمهام الطويلة، والرسوم المتحركة سلسلة من مئات الخطوات: وقليل من الموثوقية الإضافية في كل خطوة يكفي وحده لتبدأ السلسلة بالنجاح كاملة. وجزء من التحسن يحدث دون نظر: ففي اختبار البجعة بصيغة SVG يرسم النموذج دفعة واحدة دون أن يرى النتيجة، ومع ذلك تتحسن الرسومات منذ سنوات. والذوق أيضًا يمكن تدريبه: فإذا قيّم مختبرٌ الإتقان البصري لما تنتجه نماذجه، تحسّن حكمها حتى لو لم يتغير بصرها.

وإذا صحت الفرضية، فستفسر أيضًا لماذا يأتي هذا المنحنى بعد منحنى البرمجة. فللشيفرة اختبارات تنجح أو تفشل، أما الذوق فلا. ويمكن للمختبرات أن تستخدم نماذج تقيّم النتيجة أو معايير مكتوبة لمنحها درجة، لكن هذا التحقق أقل موثوقية من الاختبار. وما لا يمكن التحقق منه بسهولة يُدرَّب ببطء أكبر.

الجزء المستوي ليس دائمًا النهاية

يستحق الجزء الأخير من المنحنى الاهتمام نفسه الذي يستحقه الصعود. فعندما يستوي المنحنى، قد يكون هناك أمر آخر غير توقف القدرة عن التحسن.

أحيانًا يكون الحد في الاختبار نفسه. ففي 23 فبراير 2026 توقفت OpenAI عن استخدام SWE-bench Verified. كانت أفضل نتيجة قد انتقلت بالكاد من 74.9 % إلى 80.9 % في ستة أشهر. وعند مراجعة المسائل التي لم تكن النماذج تحلها، وجدت OpenAI أن 59.4 % على الأقل من المسائل المُراجَعة كانت اختباراتها معيبة وترفض حلولًا صحيحة. كما كانت النماذج الرائدة قادرة على استعادة بعض الحلول من الذاكرة. فجزء من هذا الاستواء كان يقيس عيوب الاختبار، لا حدود القدرة.

وأحيانًا يكون الحد في إدراكنا. وهذا ما يحدث بالفعل مع اللغة: فالنماذج لا تزال تتحسن في الكتابة، لكن قلّما يسأل أحد اليوم عن مقدار تحسن نموذج جديد في الصياغة. التحسينات مستمرة؛ ما ينفد هو قدرتنا على ملاحظتها في محادثة.

وقبل كل شيء، فإن نهاية منحنى كثيرًا ما تكون بداية منحنى آخر. فأن تنجح رسوم متحركة في عرض تجريبي شيء، وأن تنجح دائمًا داخل عملية لا يراجع فيها أحد كل إطار شيء آخر. والانتقال من 80 % إلى 99 % بالكاد يُلاحظ عند مشاهدة مثال واحد، لكنه يحدد ما إذا كان شيء ما يصلح لأن يكون جزءًا من عمل يتكرر كل يوم. إنها سلسلة الخطوات مرة أخرى: عملية من خمسين خطوة بموثوقية 80 % لا تنجح تقريبًا أبدًا، وبموثوقية 99 % تنجح ست مرات من كل عشر.

ما الذي ينبغي مراقبته لتوقع القفزة التالية

لا تسمح فكرة منحنيات السيغمويد بتحديد موعد للقفزات، لكنها تساعد على طرح أسئلة أفضل. فبدلًا من السؤال عن موعد وصول الذكاء الاصطناعي إلى مهمة ما، من المفيد الانتباه إلى أربعة أمور:

• من كم خطوة تتألف المهمة، وما موثوقية كل خطوة. المهام الطويلة تتأخر مدة أطول، ثم تصعد بسرعة أكبر.
• كيف يُقرَّر ما إذا كانت قد نجحت. إذا كان الحكم بالنجاح أو الرسوب، فسيُلاحَظ التحسن دفعة واحدة.
• هل يمكن التحقق من النتيجة آليًا. ما يمكن التحقق منه يمكن التدريب عليه على نطاق واسع، وإليه سيتجه الجهد أولًا.
• أي قطعة تنقص. في القدرة المركبة، يحدد الجزء الأضعف لحظة القفزة.

ما يحدث في الإبداع السمعي البصري يتفق مع هذا النمط: مهمة طويلة، يُحكم عليها بما إذا كانت صالحة للاستخدام أم لا، مبنية على قدرات كانت موثوقة من قبل، وكان ينقصها النظر. وستظهر منحنيات S التالية على الأرجح في مهام تجمع هذه التوليفة. وكلما بلغ أحدها جزءه المستوي، سيبدأ السؤال الأهم عند استخدام الذكاء الاصطناعي في عمل حقيقي: ليس هل يستطيع فعل ذلك، بل هل يفعله جيدًا في كل مرة.

المصادر

• DotCSV Lab: «CLAUDE OPUS 5.5 es TODA UNA REVOLUCIÓN AUDIOVISUAL (…sorry Astra)»، 24 سبتمبر 2026 (بالإسبانية)
• Anthropic: Introducing Claude Opus 5.5، 22 سبتمبر 2026
• Anthropic: What’s new in Claude Opus 5.5، التوثيق
• Epoch AI: Epoch Capabilities Index
• Epoch AI: Training compute of frontier AI models grows by 4-5x per year
• Our World in Data: Test scores of AI systems on various capabilities relative to human performance
• Contextual AI: Plotting Progress in AI
• METR: Measuring AI Ability to Complete Long Tasks، 2025
• METR: Time Horizon 1.1، يناير 2026
• Wei وآخرون: Emergent Abilities of Large Language Models، 2022
• Schaeffer وMiranda وKoyejo: Are Emergent Abilities of Large Language Models a Mirage?، 2023
• Du وآخرون: Understanding Emergent Abilities of Language Models from the Loss Perspective، 2024
• OpenAI: Learning to reason with LLMs، 12 سبتمبر 2024
• DeepSeek-AI: DeepSeek-R1، يناير 2025
• Anthropic Economic Index، مارس 2026
• Jimenez وآخرون: SWE-bench، أكتوبر 2023
• OpenAI: Introducing SWE-bench Verified، أغسطس 2024
• Anthropic: Claude 3.5 Sonnet على SWE-bench
• Anthropic: Claude 3.7 Sonnet، 24 فبراير 2025
• Anthropic: Claude Opus 4.5، 24 نوفمبر 2025
• OpenAI: Why SWE-bench Verified no longer measures frontier coding capabilities، 23 فبراير 2026