في 9 يوليو 2025، أصبحت إنفيديا أول شركة مدرجة تصل قيمتها السوقية إلى 4 تريليونات دولار. ماذا ستكون الخطوة التالية لإنفيديا ومجال الذكاء الاصطناعي المتقلب؟
على الرغم من أن التنبؤات صعبة، إلا أن هناك الكثير من البيانات المتاحة للاستخدام. على الأقل يمكن أن تساعد في توضيح لماذا لم تتحقق التوقعات السابقة، وأين، وكيف، ولأي أسباب فشلت في تحقيقها. هذه هي التاريخ.
ما هي الدروس المستفادة من 80 عامًا من تطور الذكاء الاصطناعي (AI)؟ خلال هذه الفترة، كانت الاستثمارات تتفاوت بين الارتفاع والانخفاض، وكانت طرق البحث والتطوير متنوعة بشكل كبير، وكانت العامة تشعر أحيانًا بالفضول، وأحيانًا بالقلق، وأحيانًا أخرى بالإثارة.
تاريخ الذكاء الاصطناعي يبدأ في ديسمبر 1943، عندما نشر عالم الأعصاب وارن س. مكولوك والمنطقي والتر بيتس ورقة بحثية حول المنطق الرياضي. في المقالة المعنونة "المنطق الحسابي للمفاهيم المتأصلة في النشاط العصبي"، افترضا شبكة عصبية مثالية ومبسطة، وكيف يمكنها تنفيذ عمليات منطقية بسيطة من خلال نقل أو عدم نقل النبضات.
في ذلك الوقت، وصف رالف ليلي، الذي كان رائدًا في مجال الكيمياء التنظيمية، عمل مكالوك وبيترز بأنه منح "المنطق والنماذج الرياضية " واقعًا في غياب "الحقائق التجريبية". لاحقًا، عندما فشلت فرضيات البحث في الاختبار التجريبي، أشار جيروم ليتفين من معهد ماساتشوستس للتكنولوجيا إلى أنه على الرغم من تجاهل هذا البحث في مجالات علم الأعصاب وعلم الأحياء العصبي، إلا أنه ألهم "أولئك الذين كانوا مقدرين ليصبحوا جزءًا من جماعة عشاق المجال الجديد (الذي يُعرف اليوم بالذكاء الاصطناعي)".
في الواقع، ألهمت ورقة ماكولوك وبيتيز "الاتصالية"، وهي شكل معين من أشكال الذكاء الاصطناعي السائد اليوم، والمعروفة الآن باسم "التعلم العميق"، والتي أعيدت تسميتها مؤخرًا بـ "الذكاء الاصطناعي". على الرغم من أن هذه الطريقة لا علاقة لها بكيفية عمل الدماغ في الواقع، فإن الأساليب الإحصائية التي تدعم هذا الشكل من الذكاء الاصطناعي - "الشبكات العصبية الاصطناعية" - غالبًا ما توصف من قبل ممارسي ومعلقين الذكاء الاصطناعي بأنها "تقلد الدماغ". وقد ادعى الشخصيات البارزة، مثل ديميس هاسابيس، أحد أبرز ممارسي الذكاء الاصطناعي، في عام 2017 أن الوصف الخيالي لماكولوك وبيتيز حول كيفية عمل الدماغ والدراسات المشابهة "تستمر في وضع الأساس لأبحاث التعلم العميق المعاصرة."
الدرس الأول: يجب أن نكون حذرين من الخلط بين الهندسة والعلوم، والخلط بين العلوم والافتراضات، وكذلك الخلط بين العلوم والأوراق التي تحتوي على رموز رياضية وصيغ. الأهم من ذلك، يجب مقاومة إغراء وهم "نحن مثل الآلهة"، أي الاعتقاد بأن البشر والآلات لا يختلفون، وأن البشر قادرون على خلق آلات تشبه البشر.
لقد كانت هذه الغطرسة العنيدة والشائعة هي المحفز لفقاعات التكنولوجيا والجنون الدوري للذكاء الاصطناعي على مدار الثمانين عامًا الماضية.
هذا لا يمكن إلا أن يذكرني بفكرة الذكاء الاصطناعي العام (AGI) ، أي الآلات التي ستصبح قريبًا تمتلك ذكاءً شبيهاً بالإنسان أو حتى ذكاءً خارقاً.
في عام 1957، أعلن رائد الذكاء الاصطناعي هربرت سيمون: "لقد أصبحت هناك آلات قادرة على التفكير والتعلم والإبداع في العالم اليوم." وتنبأ أيضًا بأنه في غضون عشر سنوات ستصبح أجهزة الكمبيوتر أبطال الشطرنج. في عام 1970، أعرب رائد الذكاء الاصطناعي الآخر مارفن مينسكي عن ثقته قائلاً: "في غضون ثلاث إلى ثماني سنوات، سنمتلك آلة بمستوى ذكاء إنسان عادي... بمجرد أن تسيطر الكمبيوتر على الأمور، قد لا نستطيع استعادتها. سنعتمد على هباتها للعيش. إذا كنا محظوظين، فقد تقرر أن تعاملنا كحيوانات أليفة."
إن توقع ظهور الذكاء الاصطناعي العام يحمل دلالات استثنائية، بل يمكن أن يؤثر حتى على نفقات الحكومة وسياساتها. في عام 1981، خصصت اليابان 850 مليون دولار لمشروع الحواسيب من الجيل الخامس، بهدف تطوير آلات تفكر مثل البشر. وفي هذا السياق، خططت وكالة مشاريع الأبحاث المتقدمة الدفاعية الأمريكية بعد تجربة طويلة من "شتاء الذكاء الاصطناعي" لإعادة تمويل أبحاث الذكاء الاصطناعي في عام 1983، لتطوير آلات يمكنها "الرؤية والسمع والتحدث والتفكير مثل البشر".
استغرقت الحكومات المتنورة في جميع أنحاء العالم حوالي عشر سنوات وعشرات المليارات من الدولارات، ليس فقط للحصول على رؤية واضحة حول الذكاء الاصطناعي العام (AGI)، ولكن أيضًا لإدراك قيود الذكاء الاصطناعي التقليدي. ولكن بحلول عام 2012، انتصرت النظرية الترابطية أخيرًا على المدارس الأخرى للذكاء الاصطناعي، وبدأت جولة جديدة من التنبؤات حول اقتراب الذكاء الاصطناعي العام تجتاح العالم. أعلنت OpenAI في عام 2023 أن الذكاء الاصطناعي الفائق - "أكثر الاختراعات تأثيرًا في تاريخ البشرية" - قد يأتي في هذا العقد، و"قد يؤدي إلى فقدان البشرية للسلطة، وحتى انقراض البشرية".
الدرس الثاني: احذر من تلك الأشياء الجديدة اللامعة، يجب أن تنظر إليها بعناية وحذر وحكمة. قد لا تختلف كثيرًا عن جميع التخمينات السابقة حول متى يمكن للآلات أن تمتلك ذكاءً مشابهًا للبشر.
قال يان ليكون، أحد "آباء التعلم العميق": "لكي تتعلم الآلات بكفاءة مثل البشر والحيوانات، نحن نفتقد بعض الأشياء الأساسية، لكننا لا نعرف ما هي حتى الآن."
على مدى سنوات، تم الحديث عن الذكاء الاصطناعي العام (AGI) بأنه "على وشك التحقيق"، وهذا كله بسبب "مغالطة الخطوة الأولى". كان رائد الترجمة الآلية يهوشوا بار-هيلل من أوائل من تحدثوا عن قيود الذكاء الآلي، حيث أشار إلى أن العديد من الناس يعتقدون أنه إذا قام شخص ما بعرض جهاز كمبيوتر يمكنه القيام بشيء اعتقد الكثيرون حتى وقت قريب أنه لا يمكنه القيام به، حتى لو كان أداؤه سيئًا، فإن الأمر يتطلب فقط المزيد من التطوير التقني ليتمكن من القيام بالمهمة بشكل مثالي. يُعتقد عمومًا أنه يكفي الانتظار بصبر لتحقيق ذلك في النهاية. لكن بار-هيلل حذر بالفعل في منتصف الخمسينات من القرن الماضي من أن الحقيقة ليست كذلك، وأن الواقع قد أثبت مرارًا وتكرارًا أنه ليس كذلك.
الدرس الثالث: الانتقال من عدم القدرة على القيام بشيء ما إلى القيام به بشكل سيء، غالبًا ما يكون أقصر بكثير من الانتقال من القيام به بشكل سيء إلى القيام به بشكل جيد.
في خمسينيات وستينيات القرن العشرين، بسبب زيادة سرعة معالجة أشباه الموصلات التي تدير الحواسيب، وقع الكثيرون في "مغالطة الخطوة الأولى". مع تطور الأجهزة كل عام على المسار التصاعدي الموثوق المعروف باسم "قانون مور"، كان يُعتقد على نطاق واسع أن الذكاء الآلي سيتطور بالتوازي مع الأجهزة.
ومع ذلك، بالإضافة إلى التحسين المستمر في أداء الأجهزة، دخلت تطورات الذكاء الاصطناعي مرحلة جديدة، حيث تم إدخال عنصرين جديدين: البرمجيات وجمع البيانات. بدءًا من منتصف الستينيات من القرن الماضي، وضعت أنظمة الخبراء (ملاحظة: نظام برنامج حاسوبي ذكي) تركيزًا جديدًا على اكتساب برمجة المعرفة من العالم الحقيقي، وخاصة معرفة خبراء في مجالات معينة، بالإضافة إلى قواعدهم التجريبية (طرق الاستدلال). أصبحت أنظمة الخبراء أكثر شعبية، وبحلول الثمانينيات، قُدِّر أن ثلثي شركات قائمة فورتشن 500 كانت تستخدم هذه التقنية في أنشطتها التجارية اليومية.
ومع ذلك، بحلول أوائل التسعينيات من القرن العشرين، انتهت هذه الحماسة للذكاء الاصطناعي تماماً. أفلست العديد من الشركات الناشئة في مجال الذكاء الاصطناعي، وعلقت الشركات الكبرى أو ألغت مشاريع الذكاء الاصطناعي. في عام 1983، أشار رائد أنظمة الخبراء إد فاغنباوم إلى "العقدة الرئيسية" التي أدت إلى اختفائها: توسيع عملية اكتساب المعرفة، "وهذا هو عملية معقدة للغاية وتستغرق وقتًا طويلاً ومكلفة."
تواجه أنظمة الخبراء أيضًا مشكلة تراكم المعرفة. إن الحاجة إلى إضافة وتحديث القواعد باستمرار تجعل من الصعب صيانتها وتكلفتها عالية. كما أنها تكشف عن عيوب الآلات المفكرة مقارنة بالذكاء البشري. فهي "هشة"، وتخطئ أخطاء سخيفة عندما تواجه مدخلات غير عادية، ولا يمكنها نقل خبراتها إلى مجالات جديدة، وتفتقر إلى الفهم للعالم من حولها. على المستوى الأساسي، لا يمكنها التعلم من الأمثلة والخبرات والبيئة كما يفعل البشر.
الدرس الرابع:** النجاح الأولي، أي الاعتماد الواسع من قبل الشركات والوكالات الحكومية والاستثمار الكبير من القطاعين العام والخاص، حتى بعد عشر سنوات أو خمس عشرة سنة، قد لا يؤدي بالضرورة إلى نشوء "صناعة جديدة" مستدامة. غالبًا ما تنفجر الفقاعات.**
على مر السنين، كانت هناك طريقتان مختلفتان تمامًا لتطوير الذكاء الاصطناعي تتنافسان على اهتمام الأكاديميين والمستثمرين من القطاعين العام والخاص ووسائل الإعلام، وسط تقلبات وارتفاعات وإخفاقات. على مدى أكثر من أربعين عامًا، كانت الطرق المعتمدة على القواعد والرموز هي السائدة. لكن، كانت الطريقة الأخرى، التي تعتمد على الأمثلة وتحليل البيانات الإحصائية، والمعروفة بالاتصالية، تحظى بشعبية كبيرة لفترة قصيرة في أواخر الخمسينات وأواخر الثمانينات كطريقة رئيسية أخرى في الذكاء الاصطناعي.
قبل انتعاش الاتصال في عام 2012، كانت أبحاث وتطوير الذكاء الاصطناعي مدفوعة أساسًا من قبل الأكاديميين. تتميز الأوساط الأكاديمية بانتشار التعاليم (ما يسمى بـ "العلوم التقليدية")، وكان هناك دائمًا خيار ثنائي بين الذكاء الاصطناعي الرمزي والاتصالي. في عام 2019، تحدث جيفري هينتون في حديثه لجوائز تورينج، معظم الوقت عن الصعوبات التي واجهها هو وعدد قليل من عشاق التعلم العميق في أيدي أكاديميي الذكاء الاصطناعي والتعلم الآلي السائد. كما قلل هينتون بشكل متعمد من أهمية التعلم التعزيزي وأعمال زملائه في DeepMind.
بعد بضع سنوات فقط، في عام 2023، استحوذت DeepMind على أعمال الذكاء الاصطناعي في جوجل (وغادر هينتون هناك أيضًا)، وكان ذلك بشكل رئيسي ردًا على نجاح OpenAI، التي جعلت التعلم التعزيزي جزءًا من تطوير الذكاء الاصطناعي الخاص بها. حصل رائدا التعلم التعزيزي أندرو بارتو وريتشارد ساتون على جائزة تورينغ في عام 2025.
ومع ذلك، لا توجد حالياً أي علامات تدل على أن كل من DeepMind أو OpenAI، أو العديد من شركات "اليونيكورن" التي تركز على الذكاء الاصطناعي العام (AGI)، قد تجاوزت التركيز على نموذج اللغة الكبير السائد حالياً. منذ عام 2012، تحول تركيز تطوير الذكاء الاصطناعي من الوسط الأكاديمي إلى القطاع الخاص؛ ومع ذلك، لا يزال المجال بأسره متمسكاً باتجاه واحد من البحث.
الدرس الخامس: لا تضع كل "بيض" الذكاء الاصطناعي في "سلّة" واحدة.
لا شك أن جينسن هوانغ هو رئيس تنفيذي بارز، وأن إنفيديا هي شركة بارزة أيضًا. قبل أكثر من عشر سنوات، عندما ظهرت فرصة الذكاء الاصطناعي فجأة، استغلت إنفيديا هذه الفرصة بسرعة، لأن قدرة معالجاتها (التي تم تصميمها في الأصل من أجل عرض ألعاب الفيديو بكفاءة) على المعالجة المتوازية مناسبة جدًا لحسابات التعلم العميق. كان هوانغ دائمًا في حالة تأهب، حيث أخبر الموظفين: "شركتنا على بعد 30 يومًا من الإفلاس."
قد تساعد دروس الخبرة التي جلبتها 80 عامًا من تطور الذكاء الاصطناعي (هل تتذكر إنتل؟) شركة إنفيديا في تجاوز تقلبات الـ 30 يومًا أو 30 عامًا القادمة.
المقالات ذات الصلة: لمحة عن 10 شركات ونماذج الذكاء الاصطناعي التي تعرف ثورة الذكاء الاصطناعي الحالية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
على مدى 80 عامًا من تطوير الذكاء الاصطناعي، فإن هذه الدروس التاريخية الخمسة تستحق الاستفادة منها.
المؤلف: جيل بريس
ترجمة: فيليكس، بانيوز
في 9 يوليو 2025، أصبحت إنفيديا أول شركة مدرجة تصل قيمتها السوقية إلى 4 تريليونات دولار. ماذا ستكون الخطوة التالية لإنفيديا ومجال الذكاء الاصطناعي المتقلب؟
على الرغم من أن التنبؤات صعبة، إلا أن هناك الكثير من البيانات المتاحة للاستخدام. على الأقل يمكن أن تساعد في توضيح لماذا لم تتحقق التوقعات السابقة، وأين، وكيف، ولأي أسباب فشلت في تحقيقها. هذه هي التاريخ.
ما هي الدروس المستفادة من 80 عامًا من تطور الذكاء الاصطناعي (AI)؟ خلال هذه الفترة، كانت الاستثمارات تتفاوت بين الارتفاع والانخفاض، وكانت طرق البحث والتطوير متنوعة بشكل كبير، وكانت العامة تشعر أحيانًا بالفضول، وأحيانًا بالقلق، وأحيانًا أخرى بالإثارة.
تاريخ الذكاء الاصطناعي يبدأ في ديسمبر 1943، عندما نشر عالم الأعصاب وارن س. مكولوك والمنطقي والتر بيتس ورقة بحثية حول المنطق الرياضي. في المقالة المعنونة "المنطق الحسابي للمفاهيم المتأصلة في النشاط العصبي"، افترضا شبكة عصبية مثالية ومبسطة، وكيف يمكنها تنفيذ عمليات منطقية بسيطة من خلال نقل أو عدم نقل النبضات.
في ذلك الوقت، وصف رالف ليلي، الذي كان رائدًا في مجال الكيمياء التنظيمية، عمل مكالوك وبيترز بأنه منح "المنطق والنماذج الرياضية " واقعًا في غياب "الحقائق التجريبية". لاحقًا، عندما فشلت فرضيات البحث في الاختبار التجريبي، أشار جيروم ليتفين من معهد ماساتشوستس للتكنولوجيا إلى أنه على الرغم من تجاهل هذا البحث في مجالات علم الأعصاب وعلم الأحياء العصبي، إلا أنه ألهم "أولئك الذين كانوا مقدرين ليصبحوا جزءًا من جماعة عشاق المجال الجديد (الذي يُعرف اليوم بالذكاء الاصطناعي)".
في الواقع، ألهمت ورقة ماكولوك وبيتيز "الاتصالية"، وهي شكل معين من أشكال الذكاء الاصطناعي السائد اليوم، والمعروفة الآن باسم "التعلم العميق"، والتي أعيدت تسميتها مؤخرًا بـ "الذكاء الاصطناعي". على الرغم من أن هذه الطريقة لا علاقة لها بكيفية عمل الدماغ في الواقع، فإن الأساليب الإحصائية التي تدعم هذا الشكل من الذكاء الاصطناعي - "الشبكات العصبية الاصطناعية" - غالبًا ما توصف من قبل ممارسي ومعلقين الذكاء الاصطناعي بأنها "تقلد الدماغ". وقد ادعى الشخصيات البارزة، مثل ديميس هاسابيس، أحد أبرز ممارسي الذكاء الاصطناعي، في عام 2017 أن الوصف الخيالي لماكولوك وبيتيز حول كيفية عمل الدماغ والدراسات المشابهة "تستمر في وضع الأساس لأبحاث التعلم العميق المعاصرة."
الدرس الأول: يجب أن نكون حذرين من الخلط بين الهندسة والعلوم، والخلط بين العلوم والافتراضات، وكذلك الخلط بين العلوم والأوراق التي تحتوي على رموز رياضية وصيغ. الأهم من ذلك، يجب مقاومة إغراء وهم "نحن مثل الآلهة"، أي الاعتقاد بأن البشر والآلات لا يختلفون، وأن البشر قادرون على خلق آلات تشبه البشر.
لقد كانت هذه الغطرسة العنيدة والشائعة هي المحفز لفقاعات التكنولوجيا والجنون الدوري للذكاء الاصطناعي على مدار الثمانين عامًا الماضية.
هذا لا يمكن إلا أن يذكرني بفكرة الذكاء الاصطناعي العام (AGI) ، أي الآلات التي ستصبح قريبًا تمتلك ذكاءً شبيهاً بالإنسان أو حتى ذكاءً خارقاً.
في عام 1957، أعلن رائد الذكاء الاصطناعي هربرت سيمون: "لقد أصبحت هناك آلات قادرة على التفكير والتعلم والإبداع في العالم اليوم." وتنبأ أيضًا بأنه في غضون عشر سنوات ستصبح أجهزة الكمبيوتر أبطال الشطرنج. في عام 1970، أعرب رائد الذكاء الاصطناعي الآخر مارفن مينسكي عن ثقته قائلاً: "في غضون ثلاث إلى ثماني سنوات، سنمتلك آلة بمستوى ذكاء إنسان عادي... بمجرد أن تسيطر الكمبيوتر على الأمور، قد لا نستطيع استعادتها. سنعتمد على هباتها للعيش. إذا كنا محظوظين، فقد تقرر أن تعاملنا كحيوانات أليفة."
إن توقع ظهور الذكاء الاصطناعي العام يحمل دلالات استثنائية، بل يمكن أن يؤثر حتى على نفقات الحكومة وسياساتها. في عام 1981، خصصت اليابان 850 مليون دولار لمشروع الحواسيب من الجيل الخامس، بهدف تطوير آلات تفكر مثل البشر. وفي هذا السياق، خططت وكالة مشاريع الأبحاث المتقدمة الدفاعية الأمريكية بعد تجربة طويلة من "شتاء الذكاء الاصطناعي" لإعادة تمويل أبحاث الذكاء الاصطناعي في عام 1983، لتطوير آلات يمكنها "الرؤية والسمع والتحدث والتفكير مثل البشر".
استغرقت الحكومات المتنورة في جميع أنحاء العالم حوالي عشر سنوات وعشرات المليارات من الدولارات، ليس فقط للحصول على رؤية واضحة حول الذكاء الاصطناعي العام (AGI)، ولكن أيضًا لإدراك قيود الذكاء الاصطناعي التقليدي. ولكن بحلول عام 2012، انتصرت النظرية الترابطية أخيرًا على المدارس الأخرى للذكاء الاصطناعي، وبدأت جولة جديدة من التنبؤات حول اقتراب الذكاء الاصطناعي العام تجتاح العالم. أعلنت OpenAI في عام 2023 أن الذكاء الاصطناعي الفائق - "أكثر الاختراعات تأثيرًا في تاريخ البشرية" - قد يأتي في هذا العقد، و"قد يؤدي إلى فقدان البشرية للسلطة، وحتى انقراض البشرية".
الدرس الثاني: احذر من تلك الأشياء الجديدة اللامعة، يجب أن تنظر إليها بعناية وحذر وحكمة. قد لا تختلف كثيرًا عن جميع التخمينات السابقة حول متى يمكن للآلات أن تمتلك ذكاءً مشابهًا للبشر.
قال يان ليكون، أحد "آباء التعلم العميق": "لكي تتعلم الآلات بكفاءة مثل البشر والحيوانات، نحن نفتقد بعض الأشياء الأساسية، لكننا لا نعرف ما هي حتى الآن."
على مدى سنوات، تم الحديث عن الذكاء الاصطناعي العام (AGI) بأنه "على وشك التحقيق"، وهذا كله بسبب "مغالطة الخطوة الأولى". كان رائد الترجمة الآلية يهوشوا بار-هيلل من أوائل من تحدثوا عن قيود الذكاء الآلي، حيث أشار إلى أن العديد من الناس يعتقدون أنه إذا قام شخص ما بعرض جهاز كمبيوتر يمكنه القيام بشيء اعتقد الكثيرون حتى وقت قريب أنه لا يمكنه القيام به، حتى لو كان أداؤه سيئًا، فإن الأمر يتطلب فقط المزيد من التطوير التقني ليتمكن من القيام بالمهمة بشكل مثالي. يُعتقد عمومًا أنه يكفي الانتظار بصبر لتحقيق ذلك في النهاية. لكن بار-هيلل حذر بالفعل في منتصف الخمسينات من القرن الماضي من أن الحقيقة ليست كذلك، وأن الواقع قد أثبت مرارًا وتكرارًا أنه ليس كذلك.
الدرس الثالث: الانتقال من عدم القدرة على القيام بشيء ما إلى القيام به بشكل سيء، غالبًا ما يكون أقصر بكثير من الانتقال من القيام به بشكل سيء إلى القيام به بشكل جيد.
في خمسينيات وستينيات القرن العشرين، بسبب زيادة سرعة معالجة أشباه الموصلات التي تدير الحواسيب، وقع الكثيرون في "مغالطة الخطوة الأولى". مع تطور الأجهزة كل عام على المسار التصاعدي الموثوق المعروف باسم "قانون مور"، كان يُعتقد على نطاق واسع أن الذكاء الآلي سيتطور بالتوازي مع الأجهزة.
ومع ذلك، بالإضافة إلى التحسين المستمر في أداء الأجهزة، دخلت تطورات الذكاء الاصطناعي مرحلة جديدة، حيث تم إدخال عنصرين جديدين: البرمجيات وجمع البيانات. بدءًا من منتصف الستينيات من القرن الماضي، وضعت أنظمة الخبراء (ملاحظة: نظام برنامج حاسوبي ذكي) تركيزًا جديدًا على اكتساب برمجة المعرفة من العالم الحقيقي، وخاصة معرفة خبراء في مجالات معينة، بالإضافة إلى قواعدهم التجريبية (طرق الاستدلال). أصبحت أنظمة الخبراء أكثر شعبية، وبحلول الثمانينيات، قُدِّر أن ثلثي شركات قائمة فورتشن 500 كانت تستخدم هذه التقنية في أنشطتها التجارية اليومية.
ومع ذلك، بحلول أوائل التسعينيات من القرن العشرين، انتهت هذه الحماسة للذكاء الاصطناعي تماماً. أفلست العديد من الشركات الناشئة في مجال الذكاء الاصطناعي، وعلقت الشركات الكبرى أو ألغت مشاريع الذكاء الاصطناعي. في عام 1983، أشار رائد أنظمة الخبراء إد فاغنباوم إلى "العقدة الرئيسية" التي أدت إلى اختفائها: توسيع عملية اكتساب المعرفة، "وهذا هو عملية معقدة للغاية وتستغرق وقتًا طويلاً ومكلفة."
تواجه أنظمة الخبراء أيضًا مشكلة تراكم المعرفة. إن الحاجة إلى إضافة وتحديث القواعد باستمرار تجعل من الصعب صيانتها وتكلفتها عالية. كما أنها تكشف عن عيوب الآلات المفكرة مقارنة بالذكاء البشري. فهي "هشة"، وتخطئ أخطاء سخيفة عندما تواجه مدخلات غير عادية، ولا يمكنها نقل خبراتها إلى مجالات جديدة، وتفتقر إلى الفهم للعالم من حولها. على المستوى الأساسي، لا يمكنها التعلم من الأمثلة والخبرات والبيئة كما يفعل البشر.
الدرس الرابع:** النجاح الأولي، أي الاعتماد الواسع من قبل الشركات والوكالات الحكومية والاستثمار الكبير من القطاعين العام والخاص، حتى بعد عشر سنوات أو خمس عشرة سنة، قد لا يؤدي بالضرورة إلى نشوء "صناعة جديدة" مستدامة. غالبًا ما تنفجر الفقاعات.**
على مر السنين، كانت هناك طريقتان مختلفتان تمامًا لتطوير الذكاء الاصطناعي تتنافسان على اهتمام الأكاديميين والمستثمرين من القطاعين العام والخاص ووسائل الإعلام، وسط تقلبات وارتفاعات وإخفاقات. على مدى أكثر من أربعين عامًا، كانت الطرق المعتمدة على القواعد والرموز هي السائدة. لكن، كانت الطريقة الأخرى، التي تعتمد على الأمثلة وتحليل البيانات الإحصائية، والمعروفة بالاتصالية، تحظى بشعبية كبيرة لفترة قصيرة في أواخر الخمسينات وأواخر الثمانينات كطريقة رئيسية أخرى في الذكاء الاصطناعي.
قبل انتعاش الاتصال في عام 2012، كانت أبحاث وتطوير الذكاء الاصطناعي مدفوعة أساسًا من قبل الأكاديميين. تتميز الأوساط الأكاديمية بانتشار التعاليم (ما يسمى بـ "العلوم التقليدية")، وكان هناك دائمًا خيار ثنائي بين الذكاء الاصطناعي الرمزي والاتصالي. في عام 2019، تحدث جيفري هينتون في حديثه لجوائز تورينج، معظم الوقت عن الصعوبات التي واجهها هو وعدد قليل من عشاق التعلم العميق في أيدي أكاديميي الذكاء الاصطناعي والتعلم الآلي السائد. كما قلل هينتون بشكل متعمد من أهمية التعلم التعزيزي وأعمال زملائه في DeepMind.
بعد بضع سنوات فقط، في عام 2023، استحوذت DeepMind على أعمال الذكاء الاصطناعي في جوجل (وغادر هينتون هناك أيضًا)، وكان ذلك بشكل رئيسي ردًا على نجاح OpenAI، التي جعلت التعلم التعزيزي جزءًا من تطوير الذكاء الاصطناعي الخاص بها. حصل رائدا التعلم التعزيزي أندرو بارتو وريتشارد ساتون على جائزة تورينغ في عام 2025.
ومع ذلك، لا توجد حالياً أي علامات تدل على أن كل من DeepMind أو OpenAI، أو العديد من شركات "اليونيكورن" التي تركز على الذكاء الاصطناعي العام (AGI)، قد تجاوزت التركيز على نموذج اللغة الكبير السائد حالياً. منذ عام 2012، تحول تركيز تطوير الذكاء الاصطناعي من الوسط الأكاديمي إلى القطاع الخاص؛ ومع ذلك، لا يزال المجال بأسره متمسكاً باتجاه واحد من البحث.
الدرس الخامس: لا تضع كل "بيض" الذكاء الاصطناعي في "سلّة" واحدة.
لا شك أن جينسن هوانغ هو رئيس تنفيذي بارز، وأن إنفيديا هي شركة بارزة أيضًا. قبل أكثر من عشر سنوات، عندما ظهرت فرصة الذكاء الاصطناعي فجأة، استغلت إنفيديا هذه الفرصة بسرعة، لأن قدرة معالجاتها (التي تم تصميمها في الأصل من أجل عرض ألعاب الفيديو بكفاءة) على المعالجة المتوازية مناسبة جدًا لحسابات التعلم العميق. كان هوانغ دائمًا في حالة تأهب، حيث أخبر الموظفين: "شركتنا على بعد 30 يومًا من الإفلاس."
قد تساعد دروس الخبرة التي جلبتها 80 عامًا من تطور الذكاء الاصطناعي (هل تتذكر إنتل؟) شركة إنفيديا في تجاوز تقلبات الـ 30 يومًا أو 30 عامًا القادمة.
المقالات ذات الصلة: لمحة عن 10 شركات ونماذج الذكاء الاصطناعي التي تعرف ثورة الذكاء الاصطناعي الحالية