عندما يُولّد الذكاء الاصطناعي كل شيء: شروط تأسيس المعرفة، من السلطة إلى قابلية التحقق

قبل موجة الذكاء الاصطناعي، بنت خمسة افتراضات 'بديهية' عن المعرفة فهمنا التقليدي لـ 'المعرفة'. أولاً، 'نظرية الامتلاك'، التي ترى أن المعرفة هي مخزون يمتلكه الفاعل، ويُخزّن في الدماغ البشري، الوثائق، أو قواعد البيانات، وأن 'المعرفة' تعادل 'امتلاك تمثيل'. يرتبط هذا ارتباطًا وثيقًا بـ 'نظرية الترميز الصريح-النقل'، التي تفترض أن المعرفة يمكن إخراجها إلى رموز ونشرها دون خسارة، مثل نموذج SECI لـ Nonaka و Takeuchi. لكن Naur أشار منذ زمن بعيد إلى أن المعرفة الحقيقية للبرنامج هي 'النظرية' في أذهان الفريق، وأن الوثائق ليست سوى بقايا. في الوقت نفسه، تُعد 'نظرية الارتباط بالذات' أساسية أيضًا، فمنذ أفلاطون حتى جيتير، وصفت نظرية المعرفة السائدة المعرفة بأنها 'اعتقاد صحيح ومبرر'، أي يجب أن يؤمن بها شخص ما، وأن تكون صحيحة ولها تبرير، مما يؤكد أن المعرفة يجب أن تعتمد على فاعل قادر على الإيمان وتحمل المسؤولية.

ثانيًا، ترى 'نظرية سلطة المصدر' أن ضمان صحة الادعاء المعرفي يأتي من مصدره، مثل مراجعة الأقران، توقيع الخبراء، أو المؤسسات الموثوقة. غالبًا ما يحدد 'من قال المعلومة وأين نُشرت' ما إذا كانت المعلومة تُعد معرفة أكثر من المعلومة نفسها، كما يشير قاموس ستانفورد للفلسفة (SEP)، حيث يرى كريغ (Craig) أن وظيفة مفهوم 'المعرفة' هي تحديد مزودي المعلومات الموثوقين. أخيرًا، 'نظرية الندرة والتراكم' التي تفيد بأن اكتساب المعرفة مكلف، ويتطلب تعليمًا طويل الأمد وتراكم الخبرات، وبالتالي فإن المعرفة نادرة، وتتآكل ببطء، وتشكل رأس المال البشري للفرد والخندق الواقي للمنظمة. هذه الافتراضات الخمسة ترسم معًا نظرة 'تخزينية' للمعرفة: المعرفة 'شيء'، موجود في 'مستودع'، مضمون بـ 'سلطة'، يكتسب بـ 'التراكم'، وينتمي إلى 'فاعل'.

يقوض صعود نماذج اللغة الكبيرة (LLM) الافتراضات التقليدية المذكورة أعلاه من خلال سبع آليات. أولاً، آلية M1 'البارامترية والضغط مع فقدان البيانات' التي تجعل المعرفة لم تعد 'في الوثائق'، بل تتوزع عبر الارتباطات الوزنية الهائلة للنموذج. وصف تيد تشيانغ (Ted Chiang) نماذج LLM بأنها 'صور JPEG ضبابية' للإنترنت، بينما حددت دراسة ROME أن وحدة التغذية الأمامية ذات الطبقة الوسطى في GPT هي مكان تخزين الارتباطات الحقيقية، مما يثبت أن المعرفة أصبحت قابلة للتعديل، وغير قابلة للمراجعة البصرية المباشرة، واحتمالية، مما يضرب مباشرة الافتراضين A1 و A2. أما تقنية M2 'التوليد المعزز بالاسترجاع' (RAG)، فقد حولت المعرفة من 'تخزين' ساكن إلى 'تجميع' ديناميكي وقت التشغيل، حيث تحول الإجراء الأساسي من 'الاسترجاع' إلى 'التوليف'. ويُعد مثال M5 'التنبؤ كمعرفة'، مثل توقعات AlphaFold لأكثر من 200 مليون بنية بروتينية، نموذجًا يجعل شكل المعرفة استنتاجًا احتماليًا قابلًا للتصحيح، وليس 'حقيقة مملوكة' بالمعنى A1، مما يزيد من إضعاف اليقين في الفهم التقليدي.

ثانيًا، أصبحت ظاهرة M3 'الهلوسة' مفتاحًا لإعادة تشكيل شروط تأسيس المعرفة. أظهرت أبحاث ستانفورد في الذكاء الاصطناعي القانوني أن معدل الهلوسة في Lexis+ AI و Westlaw AI-AR يصل إلى 17%–33%، مما يشير إلى أن RAG و 'الاقتباس من وثائق حقيقية' لا يكفيان لضمان صحة الادعاء، بل يجب التحقق مما إذا كان 'المصدر يدعم الادعاء بالفعل'. هذا يضرب مباشرة الافتراض A3، ويجعل 'فعل التحقق نفسه' شرطًا لتأسيس المعرفة. أما M4 'البرهان القابل للتحقق آليًا' فيوفر مسار ضمان جديدًا: فقد أكمل نموذج Claude من Anthropic 'بشكل شبه مستقل' برهان Lean القابل للتحقق آليًا لمبرهنة فيرما الأخيرة، وحقق AlphaProof مستوى الميدالية الفضية في مسابقة الأولمبياد الدولي للرياضيات (IMO). هذا يعني أن 'الصدق' يمكن أن تحكمه الخوارزميات، ويُعاد كتابة منطق 'الدفاع' عن المعرفة ليصبح 'مبررًا قابلاً للفحص آليًا' (machine-checkable warrant).

أخيرًا، تحذّر M6 'أتمتة إنتاج المعرفة والتلوث التكراري' من أنه على الرغم من قدرة الذكاء الاصطناعي على توليد 'مفاهيم معرفية' على نطاق واسع، إلا أنها تتدهور بمجرد أن تصبح حلقة مغلقة على مخرجاتها الخاصة، كما تظهر نظرية 'انهيار النموذج'. وقد اجتازت ورقة بحثية أنتجها علماء الذكاء الاصطناعي في Sakana AI مراجعة الأقران العمياء، لكنها سُحبت لاحقًا بسبب الهلوسة والمراجع الخاطئة، مما يبرز القيمة التاريخية للبيانات الحقيقية الخارجية كـ 'نقطة ارتكاز للحقيقة'، ويدحض 'الاكتفاء الذاتي للتوليد' في A2. أما M7 'الاستعانة المعرفية بمصادر خارجية' فتكشف عن الفصل بين 'القدرة على التوليد' و 'الاستيعاب الداخلي'. أظهرت دراسة MIT بعنوان 'Your Brain on ChatGPT' أن الاعتماد المفرط على LLM يؤدي إلى انخفاض قوة الاتصال في الدماغ، وشعور أقل بملكية المقالات، مما يتحدى الافتراض A5 بأن 'المعرفة يجب أن تكون مرتبطة بالفاعل الذي يؤمن بها'، ويقسم الفاعل المعرفي إلى نظام هجين من 'المُولِّد — المُتحقق — المُحاسِب'.

في مواجهة التخريب الجذري الذي أحدثه الذكاء الاصطناعي في النظرة التقليدية للمعرفة، يجب علينا إعادة تعريف 'المعرفة'. تعريفها العملي الأساسي هو: المعرفة = القدرة التنفيذية التي يمكن توليدها عند الحاجة، ويمكن التحقق منها بشكل مستقل على أنها حقيقية. 'المعرفة' تتحول من 'امتلاك تمثيل' إلى 'القدرة على توليد ادعاء وضمان صحته'. الحد الأدنى لهيكل المعرفة هو ثلاثية: المولد (النموذج/الإنسان)، مصدر الاسترجاع (المجموعة النصية/الأدلة)، والمحقق (التقييم/المدقق/حكم الخبير). لذلك، لم يعد جوهر المعرفة مجرد استبدال بسيط لـ 'الامتلاك' بـ 'القدرة على التوليد'، بل هو اقتران عميق بين 'القدرة على التوليد' و 'قابلية التحقق'. التوليد هو القدرة، والتحقق هو معيار تأسيس المعرفة. وكما تقول معايير التقرير، التوليد بدون تحقق مجرد خطأ بطلاقة؛ والتحقق بدون توليد لا يزال مجرد استرجاع للنموذج القديم. الثورة الحقيقية تحدث عند اقترانهما: المعرفة = التوليد × التحقق.

على هذا الأساس، يمكننا بناء تعريف أكثر شمولاً للنموذج الجديد. على مستوى الأصول، لم تعد أصول المعرفة مكتبات وثائق، بل هي مزيج من 'قدرة التوليد (النموذج/الأوزان) + المجموعات النصية ومصادر الاسترجاع + المحقق (مجموعات التقييم، قواعد الفحص، الرسمية) + العمليات والموجهات'. على المستوى الاقتصادي، تتحول المعرفة من 'مخزون' إلى 'تدفق'، وتكلفة وحدتها هي مجموع تكلفة الاستدلال وتكلفة التحقق، وتأتي ندرتها من نطاق التحقق وقدرة تحمل المسؤولية. من الناحية المعرفية، المعرفة هي 'حلقة توليد-تحقق قابلة للإسناد'، ويتوسع الفاعل المعرفي ليصبح نظامًا هجينًا من 'الإنسان—النموذج—المدقق'. تشير هذه التعريفات مجتمعة إلى معيار تمييزي قابل للتطبيق: إذا كنت لا تزال تقيس المعرفة بـ 'كم عدد الوثائق وكم عدد الخبراء'، فأنت في النموذج القديم؛ وإذا بدأت في قياسها بـ 'كم تم توليده والتحقق منه، وما هي تكلفة التحقق'، فأنت قد دخلت النموذج الجديد.

على الرغم من أن نماذج اللغة الكبيرة تظهر قدرة توليدية مذهلة، إلا أن ظاهرة 'الهلوسة' الكامنة فيها أصبحت دليلًا رئيسيًا على إعادة تشكيل شروط تأسيس المعرفة. على سبيل المثال، أظهر تقييم جامعة ستانفورد لـ Lexis+ AI و Westlaw AI-AR أن معدل الهلوسة في إجاباتها القانونية يتراوح بين 17% و 33% [تم التحقق - ورقة بحثية مسجلة مسبقًا]. هذا لا يكشف فقط عن عدم اليقين المتأصل في المعلومات التي يولدها الذكاء الاصطناعي، بل الأهم من ذلك، يشير بوضوح إلى أنه حتى 'التوليد المعزز بالاسترجاع' (RAG) — أي أن النموذج يستشهد بوثائق حقيقية — لا يمكنه ضمان صحة الادعاء بشكل كامل. في النموذج القديم، كانت سلطة المصدر كافية كضمان للمعرفة؛ ولكن في النموذج الجديد، يجب علينا التحقق بشكل مستقل مما إذا كان 'المصدر يدعم الادعاء بالفعل'، بدلاً من مجرد تأكيد 'وجود المصدر'. يجبرنا هذا التحول على وضع 'قابلية التحقق' في صميم تحديد المعرفة، بدلاً من الاعتماد فقط على فعل التوليد أو الاقتباس الظاهري.

بالتوازي مع الهلوسة، يبرز صعود البراهين القابلة للتحقق آليًا، مما يوفر مسارًا جديدًا لشروط تأسيس المعرفة. فقد أكمل نموذج Claude من Anthropic 'بشكل شبه مستقل' أول برهان Lean كامل قابل للفحص آليًا لمبرهنة فيرما الأخيرة في غضون 11 يومًا فقط، تم التحقق من هذا البرهان بواسطة مدقق Lean، ولم يعد بحاجة إلى دعم سلطة الخبراء البشريين [تم التحقق - مصدر مباشر]. وفي الوقت نفسه، تُستخدم أكثر من 200 مليون تنبؤ لهياكل البروتينات في قاعدة بيانات AlphaFold على نطاق واسع كـ 'معرفة' على الرغم من أن معظمها لم يتم التحقق منه تجريبيًا، مما يسد فجوة كبيرة بين التسلسلات المعروفة والهياكل القليلة المحددة تجريبيًا [تم التحقق - مصدر مباشر]. تشير هذه الحالات مجتمعة إلى أن ضمان المعرفة يمكن أن يكون خوارزميًا، وأن شكلها يمكن أن يكون استدلالًا احتماليًا، وليس مقتصرًا على الحقائق الثابتة المؤكدة تجريبيًا. هذا يتحدى بقوة الاعتماد على الفاعل البشري والأدلة اليقينية في نظرية المعرفة التقليدية.

ومع ذلك، فإن القدرة التوليدية البحتة ليست شاملة، بل إن الأمثلة المضادة تعزز ضرورة 'التوليد × التحقق'. فقد اجتازت ورقة بحثية أنتجها علماء الذكاء الاصطناعي في Sakana AI مراجعة الأقران العمياء، لكنها سُحبت لاحقًا بسبب المراجع الخاطئة والهلوسة [تم التحقق - الشركة المصنعة + مراجعة الأقران]، مما يبرز أن إنتاج المعرفة المؤتمت قد يقع في فخ 'الأخطاء بطلاقة' إذا افتقر إلى التحقق. تحذّر نظرية 'انهيار النموذج' كذلك من أن النموذج سيتدهور بشكل لا رجعة فيه إذا اعتمد فقط على المحتوى الذي يولده بنفسه للتدريب التكراري [تم التحقق - ورقة بحثية]. هذا يعني أن البيانات الحقيقية الخارجية، والتجارب البشرية والتفاعلات الحقيقية، ترتقي من كونها مجرد 'وقود' إلى 'نقطة ارتكاز للحقيقة'. بالإضافة إلى ذلك، أظهرت أبحاث معهد ماساتشوستس للتكنولوجيا أن الاعتماد المفرط على أدوات الذكاء الاصطناعي قد يؤدي إلى الاستعانة المعرفية بمصادر خارجية، مما يقلل من قوة الاتصال في الدماغ البشري والشعور بـ 'ملكية' المعرفة [تم التحقق - مؤسسة أصلية / مسودة أولية قيد المراجعة]، وهذا يؤكد على أنه حتى لو كان النظام قادرًا على توليد المعرفة، فلا يزال على البشر تحمل الدور الأساسي في الفهم والتحقق والمسؤولية.

سيؤدي التغير العميق في تعريف المعرفة إلى سلسلة من ردود الفعل على مستويات الأعمال والتنظيم. تعتمد نماذج الأعمال التقليدية على 'اشتراكات المحتوى' أو 'مقاعد الخبراء'، وتعتبر المعرفة 'محتوى' يمكن امتلاكه وبيعه. في النموذج الجديد، سيتحول اكتساب القيمة من 'امتلاك كمية كبيرة من قواعد البيانات' إلى 'القدرة على تقديم نتائج قابلة للتحقق بأقل تكلفة'. لم يعد الخندق الواقي للشركات هو المعلومات الحصرية، بل هو مزيج عضوي من 'المجموعات النصية الخاصة، والمحققين الأكفاء، وسير العمل المحسن'. هذا يعني أن 'التحقق' نفسه يصبح حلقة أساسية يمكن تسعيرها، ومن يستطيع التحقق من صحة المعلومات بطريقة أكثر موثوقية واقتصادية، سيسيطر على الجزء الأعلى من سلسلة القيمة.

يجب تعديل الهيكل التنظيمي واستراتيجيات المواهب وفقًا لذلك. في النموذج القديم، كانت الشركات تميل إلى 'توظيف الأشخاص ذوي المعرفة' وإنشاء مكتبات وثائق ضخمة. في النموذج الجديد، تصبح المهمة الأساسية هي 'بناء نظام توليد-تحقق فعال'، والاحتفاظ بالمواهب التي تتمتع بالقدرة على الحكم والمسؤولية. ستُعاد تعريف أصول المعرفة في المنظمة، من الوثائق التقليدية أو قوائم الخبراء، لتصبح مزيجًا من 'المولدات (النماذج/الخوارزميات)، والمجموعات النصية ومصادر الاسترجاع، والمحققين (مجموعات التقييم/قواعد الفحص)، بالإضافة إلى العمليات والموجهات الدقيقة' [استنتاج]. هذا يعني أن الشركات بحاجة إلى إجراء 'تمارين فقدان المعرفة النظرية' بانتظام، لضمان أن معرفتها الأساسية يمكن توليدها والتحقق منها باستمرار من خلال نظام هجين، حتى في حالة فقدان أفراد أو أدوات معينة.

على مستوى المنتج، سيؤثر تحول نموذج المعرفة بشكل مباشر على تجربة المستخدم وتصميم الوظائف. لن تكتفي واجهات المنتجات بتقديم 'صندوق بحث' أو 'تدفق معلومات' فحسب، بل يجب أن تتطور لتصبح مساعدين أذكياء قادرين على تقديم 'إجابات + سلاسل أدلة + علامات الثقة/عدم اليقين'. هذا يعني أن وظائف مثل الاقتباس، التتبع، والتحقق من الحقائق (groundedness check) ستترقى من متطلبات الامتثال إلى كفاءة تنافسية أساسية للمنتج. سيصبح توقع المستخدمين لـ 'قابلية التحقق' مؤشرًا رئيسيًا لتقييم جودة المنتج. في المستقبل، يجب على جميع المنتجات التي تعتمد على المعرفة كمخرج أساسي أن تدمج آليات تحقق شفافة في تجربتها الأساسية.

في مواجهة التغيير الجذري في تعريف المعرفة، يجب على المؤسسات البحثية تعديل استراتيجياتها ومعاييرها الداخلية بشكل استباقي. أولاً، المهمة الأساسية هي إعادة جرد وتعريف 'أصول المعرفة'. هذا يعني أن المؤسسات لم تعد تستطيع اعتبار عدد الوثائق أو مؤهلات الخبراء المعيار الوحيد لقياس مخزون المعرفة. بدلاً من ذلك، يجب أن يرفق كل أصل معرفي رئيسي بـ 'بطاقة أصل معرفي'، تسجل بالتفصيل مصدره الأصلي (البيانات الخام/الشخص/المراجع)، مسار التوليد (النموذج، الموجهات، مصادر الاسترجاع)، طريقة التحقق (مجموعة التقييم، التحقق الرسمي، مراجعة الخبراء)، الشخص المسؤول، وتاريخ التحقق الأخير. يجب تخفيض تصنيف الوثائق نفسها إلى فئة 'المجموعات النصية'، ولم تعد الدليل النهائي لتأسيس المعرفة [استنتاج].

ثانيًا، تحتاج المؤسسات البحثية بشكل عاجل إلى تطبيق معايير بحث 'التحقق المسبق'. أي ادعاء يهدف إلى إدراجه في قاعدة بيانات المعرفة للمؤسسة، يجب أن يرفق برابط مصدر واضح وقابل للنقر، ويجب الإشارة إلى حالة التحقق منه (على سبيل المثال: تم التحقق، استنتاج، قيد التحقق). والأهم من ذلك، يجب على الباحثين إجراء فحص صريح لـ 'مدى دعم المصدر للادعاء بالفعل' (groundedness)، بدلاً من مجرد تأكيد وجود المصدر. سيمنع هذا بشكل فعال الإشارات الخاطئة والمعلومات المضللة الشائعة في مخرجات الذكاء الاصطناعي من دخول نظام المعرفة الأساسي. بالإضافة إلى ذلك، يجب تقييد إدراج الاقتباسات التي يولدها الذكاء الاصطناعي ولم يتم التحقق منها [استنتاج].

أخيرًا، يجب على المؤسسات إنشاء مصفوفة مهام قائمة على 'درجة القدرة على التوليد × درجة قابلية التحقق' لتحسين التعاون بين الإنسان والآلة وتخصيص الموارد. بالنسبة للمهام ذات القدرة العالية على التوليد والتي يمكن التحقق منها بكفاءة بواسطة الأدوات الآلية (مثل اختبار الكود، تسليم البيانات المهيكلة، البراهين الرسمية)، يجب إعطاء الأولوية للذكاء الاصطناعي لتوليدها والتحقق منها تلقائيًا. هذا لا يزيد من الكفاءة فحسب، بل يحرر الباحثين البشريين من الأعمال المتكررة، ليركزوا على المهام ذات القيمة العالية ولكن ذات القدرة المنخفضة على التوليد والتي يصعب على الذكاء الاصطناعي التعامل معها، والتي تتطلب رؤى إبداعية، أو ارتباطات معقدة متعددة التخصصات، أو تحمل المسؤولية النهائية. من خلال هذا التقسيم الدقيق للعمل، يمكن للمؤسسات البحثية أن تستفيد بفعالية من تحول المعرفة الذي يجلبه الذكاء الاصطناعي، وتحسين جودة وموثوقية مخرجات البحث الإجمالية [استنتاج].