أولًا: لماذا هذه الدراسة الآن؟ (مشكلة الالتباس المفاهيمي)

لم يعد الذكاء الاصطناعي مصطلحًا تقنيًا محصورًا في المختبرات أو الأوساط الأكاديمية، بل أصبح عنصرًا حاضرًا في الخطاب السياسي والاقتصادي والأمني، وحتى الإعلامي اليومي. هذا الانتشار السريع للمصطلح لم يُرافقه، في الغالب، ضبطٌ مفاهيمي دقيق، ما أدى إلى خلط واسع بين ثلاث مراحل مختلفة جذريًا: الذكاء الاصطناعي الحالي (AI)، والذكاء الاصطناعي العام (AGI)، والذكاء الاصطناعي الفائق (ASI).

تكمن خطورة هذا الخلط في أنه لا يبقى حبيس النقاش النظري، بل ينتقل مباشرة إلى ساحة القرار:

• تشريعات تُصاغ على افتراضات غير متحققة.
• سياسات عامة تبني توقعات على قدرات غير موجودة فعليًا.
• تفويض تقني لأنظمة ذكية يُعاملها البعض وكأنها “عقول مستقلة”.

تشير الأدبيات البحثية الحديثة إلى أن أحد أكبر المخاطر المصاحبة لتقدم الذكاء الاصطناعي لا يتمثل في التقنية نفسها، بل في سوء فهم قدراتها وحدودها [1]. ومن هنا تأتي هذه الدراسة بوصفها محاولة تأسيسية لضبط المصطلحات، ووضع خطوط فاصلة واضحة، ومنع الانتقال من “الإبهار التقني” إلى “الوهم السيادي”.

ثانيًا: ضبط المصطلحات – تعريفات حدّية لا تقبل التوسيع الإعلامي

تعتمد هذه الدراسة على ما يُعرف في منهجيات مراكز الأبحاث بـ التعريفات الحدّية (Boundary Definitions)، أي التعريف الذي يوضح متى ينتهي مفهوم ما ويبدأ آخر، دون ترك مساحة للتداخل غير العلمي.

1) الذكاء الاصطناعي (AI)

يُقصد به الأنظمة والبرمجيات القادرة على تنفيذ مهام تُعد “ذكية” عند قياسها بالسلوك البشري، مثل:

• التعرّف على الأنماط،
• التنبؤ،
• التصنيف،
• أو التوليد اللغوي والبصري،

وذلك ضمن نطاق محدد صُمّم مسبقًا، وبالاعتماد على بيانات وخوارزميات وأهداف يحددها البشر [2].

2) الذكاء الاصطناعي العام (AGI)

يشير AGI إلى مفهوم بحثي لم يتحقق بعد، ويُقصد به نظام يمتلك قدرة معرفية عامة تمكّنه من:

• التعلّم عبر مجالات مختلفة،
• نقل المعرفة من سياق إلى آخر دون إعادة تدريب مخصص،
• التعامل مع مشكلات جديدة جذريًا بكفاءة مستقرة.

وفق التعريفات الأكاديمية، لا يكفي تعدد المهام أو دمج قدرات مختلفة داخل نموذج واحد للقول بتحقق AGI، ما لم تتحقق قابلية النقل والتعميم الواسع [3].

3) الذكاء الاصطناعي الفائق (ASI)

يمثل ASI مرحلة افتراضية أبعد، يُفترض فيها أن يتجاوز الذكاء الاصطناعي القدرات البشرية نوعيًا، لا مجرد سرعة أو سعة معالجة. تصفه الأدبيات بأنه ذكاء قادر على:

• الابتكار المستقل،
• التخطيط المركّب طويل الأمد،
• وإنتاج معرفة تتجاوز قدرة الإنسان على المتابعة أو المراجعة [4].

حتى الآن، لا يوجد أي نموذج تقني أو نظام عملي يمكن تصنيفه ضمن هذا المستوى، ويظل ASI سيناريو نظريًا يُناقش في إطار فلسفي–استراتيجي أكثر منه واقعًا هندسيًا [5].

ثالثًا: الذكاء الاصطناعي الحالي (AI) – ماذا يفعل فعلًا؟

لفهم سبب الالتباس، لا بد من توصيف واقعي لقدرات AI الحالية دون تهوين أو تضخيم.

1) القدرات الحقيقية للـ AI

أثبتت الأنظمة الحديثة كفاءة عالية في:

• معالجة كميات ضخمة من البيانات واستخراج الأنماط منها.
• توليد نصوص وصور وأكواد ذات جودة عالية ضمن سياقات مألوفة.
• تحسين العمليات واتخاذ قرارات مساعدة (Decision Support) في بيئات محددة.
• أتمتة مهام معقدة كانت تتطلب وقتًا وجهدًا بشريًا كبيرين.

هذه القدرات جعلت AI أداة مضاعِفة للقوة البشرية في الاقتصاد، والإدارة، والأمن السيبراني، وحتى البحث العلمي [6].

2) الحدود البنيوية التي لا يتجاوزها AI

رغم هذا التقدم، لا يزال AI يعاني من حدود جوهرية، أبرزها:

• غياب الفهم العام: فهو لا يمتلك نموذجًا مفاهيميًا متكاملًا للعالم.
• الاعتماد على التوزيع الإحصائي للبيانات: ما يجعله هشًا عند الخروج عن سياق التدريب.
• عدم امتلاك “نية” أو “هدف ذاتي”: إذ تُفرض عليه الأهداف من الخارج.
• إنتاج مخرجات مقنعة لغويًا قد تكون خاطئة واقعيًا (Hallucinations) [7].

رابعًا: الذكاء التوليدي ولماذا يُنتج وهم “العقل”

السبب الرئيسي وراء الاعتقاد بأننا اقتربنا من AGI هو الذكاء التوليدي، ولا سيما نماذج اللغة الكبيرة. فالقدرة على الحوار والشرح والجدل وإنتاج نصوص متماسكة لغويًا، تُولّد لدى المستخدم انطباعًا بوجود فهم حقيقي.

لكن من منظور علمي، ما يحدث هو:

• نمذجة احتمالية متقدمة لسلاسل لغوية.
• اختيار أكثر المخرجات ترجيحًا بناءً على أنماط سابقة.
• دون تحقق داخلي من “صدق” المعلومة أو “معناها” خارج النص نفسه [8].

خامسًا: الذكاء الاصطناعي العام (AGI) — لماذا لم نصل إليه بعد؟

رغم القفزات الكبيرة في نماذج التعلّم العميق والذكاء التوليدي، لا تزال الفجوة بين AI المتقدم وAGI قائمة. هذه الفجوة ليست فجوة “قوة حسابية” فقط، بل فجوة نوعية في طبيعة التعلم والتمثيل المعرفي.

1) شرط التعميم الواسع (Robust Generalization)

تُظهر الأنظمة الحالية أداءً متميزًا داخل نطاقات مألوفة، لكنها تتراجع عند الانتقال إلى:

• مهام جديدة جذريًا،
• أو سياقات تختلف بنيويًا عن بيانات التدريب.

التعميم الحقيقي يعني القدرة على حل مشكلات غير متوقعة دون إعادة تدريب خاص، وهو ما لم يتحقق بعد بشكل موثوق [9].

2) شرط نقل المعرفة بين المجالات (Transfer Across Domains)

يفترض AGI أن النظام يتعلّم في مجال (مثل اللغة)، ثم يوظّف ما تعلّمه لحل مشكلات في مجال مختلف (كالفيزياء أو التخطيط أو الأخلاقيات) دون إعادة هندسة داخلية لكل مجال.

حتى النماذج متعددة الوسائط اليوم لا تحقق هذا النقل بوصفه استقلالًا معرفيًا، بل دمجًا هندسيًا لقدرات متخصصة [10].

3) غياب نموذج العالم (World Model)

تشير أبحاث أساسية إلى أن الذكاء العام يتطلب وجود نموذج داخلي للعالم:

• يربط السبب بالنتيجة،
• يختبر الفرضيات،
• ويحدّث المعرفة عبر التجربة.

النماذج الحالية تعتمد بدرجة كبيرة على الارتباطات الإحصائية، لا على تمثيل سببي متماسك [11].

سادسًا: الذكاء الاصطناعي الفائق (ASI) — من الفكرة إلى السؤال السيادي

يظهر مفهوم ASI عادةً في سياق “ما بعد AGI”، ويُعرَّف بوصفه ذكاءً يتجاوز الإنسان في الاستدلال والابتكار واتخاذ القرار المركّب. لكن الأهمية الحقيقية لـ ASI لا تكمن في قابليته التقنية (غير المتحققة)، بل في آثاره السيادية والاستراتيجية إن تحقّق يومًا ما.

1) ASI كتحوّل في ميزان القوة

تفترض الأدبيات أن امتلاك ذكاء فائق قد يؤدي إلى:

• تسريع غير مسبوق في البحث العلمي.
• تفوق اقتصادي وتقني حاد.
• إعادة تشكيل موازين الردع والسيطرة [12].

وهنا يصبح الذكاء نفسه أصلًا سياديًا، لا مجرد أداة تقنية.

2) مخاطر الاحتكار والتبعية

حتى قبل ASI، تشير تجارب الذكاء الاصطناعي المتقدم إلى أن احتكار البيانات والبنية السحابية وسلاسل التوريد البرمجية يمكن أن يخلق تبعية رقمية صامتة للدول والمؤسسات الأقل امتلاكًا لهذه الأصول [13].

3) لماذا يجب عدم تضخيم ASI؟

• سباقات تسلّح معرفية مبنية على الخوف لا الواقع.
• تشريعات متسرعة تُقيّد الابتكار دون معالجة المخاطر الفعلية.
• تبرير مركزة السلطة التقنية بحجة “الخطر الوجودي”.

سابعًا: تفكيك الخرافات الشائعة حول AI وAGI وASI

الخرافة الأولى: “AI = البشر يدربون الآلة”

الواقع أن البشر لا يلقّنون الآلة كما في التعليم التقليدي، بل يحددون البيانات، ويصممون الأهداف، ويضعون القيود، ويضبطون معايير التقييم. هذا ما يُعرف بمفهوم Human-in-the-loop، وهو عنصر بنيوي في كل أنظمة AI الحالية [14].

الخرافة الثانية: “AGI = الآلة تدرب الآلة”

صحيح أن التعلم الذاتي والتعلم المعزز والبيانات الاصطناعية موجودة اليوم، لكن وجودها لم ينتج ذكاءً عامًا. الفارق ليس في “من يدرّب من”، بل في: هل ينتقل التعلم عبر المجالات؟ وهل يعيد النظام تعريف أهدافه ذاتيًا؟ [15]

الخرافة الثالثة: “الطلاقة = الفهم”

الطلاقة اللغوية العالية لا تعني فهمًا مفاهيميًا أو تحققًا من الواقع. الأنظمة قد تنتج نصًا مقنعًا، لكنها لا تملك وعيًا بالصدق، ولا آلية داخلية للتحقق الخارجي دون أدوات إضافية [16].

ثامنًا: خط الفصل الحقيقي بين AI وAGI وASI

يمكن تلخيص الفواصل الجوهرية في ثلاث نقاط معيارية:

• AI: يعمل داخل إطار مصمَّم، ويحقق أداءً عاليًا ضمنه، مع تعميم محدود.
• AGI: ينقل المعرفة بين المجالات، ويحل مشكلات جديدة دون إعادة تدريب مخصص.
• ASI: يتجاوز الإنسان نوعيًا في الابتكار والاستدلال والتخطيط.

تاسعًا: الآثار الاستراتيجية والسيادية لصنّاع القرار

الخلط بين المراحل الثلاث ينتج خطأين متعاكسين وخطيرين:

1) التفويض الأعمى

اعتبار أنظمة AI “عاقلة” قد يؤدي إلى منحها صلاحيات تشغيل أو قرار في بنى حرجة، دون مساءلة بشرية واضحة.

2) التهوين المفرط

اعتبار AI مجرد أدوات بسيطة قد يؤدي إلى:

• تجاهل مخاطر الانحياز،
• أو التضليل،
• أو تسريب البيانات،
• أو التأثير على الرأي العام.

تشدد تقارير الحوكمة الحديثة على ضرورة الإبقاء على الإنسان مسؤولًا نهائيًا عن القرارات عالية الأثر [17].

عاشرًا: توصيات سياساتية عملية (إطار حوكمة)

1. تعريفات قانونية دقيقة: تميّز صراحة بين AI وAGI وASI في أي سياسة وطنية أو مؤسسية.
2. تصنيف مخاطر الاستخدام: لا الذكاء ذاته، بل سياق الاستخدام هو ما يحدد مستوى الخطر.
3. حوكمة البيانات: لأن AI يضخّم قوة البيانات، تصبح الحوكمة شرطًا سياديًا.
4. منع التفويض النهائي: لا قرار سيادي أو أمني أو مالي عالي الأثر دون مسؤول بشري.
5. تدقيق مستقل للنماذج عالية المخاطر: يشمل الانحياز، والأمن، والخصوصية، والأثر المجتمعي.

حادي عشر: الخلاصة العامة

ما نملكه اليوم هو ذكاء اصطناعي متقدم ومقيد.
لم نصل إلى AGI وفق المعايير العلمية القابلة للاختبار،
وASI لا يزال سيناريوًّا نظريًا يفرض أسئلة حضارية وسيادية أكثر من كونه واقعًا تقنيًا.

ثاني عشر: المصادر والمراجع المعتمدة

• [1] Stuart Russell, Human Compatible: Artificial Intelligence and the Problem of Control, Viking Press, 2019.
• [2] Stuart Russell & Peter Norvig, Artificial Intelligence: A Modern Approach, 4th Edition, Pearson, 2021.
• [3] François Chollet, On the Measure of Intelligence, arXiv preprint, 2019.
• [4] Nick Bostrom, Superintelligence: Paths, Dangers, Strategies, Oxford University Press, 2014.
• [5] OECD, Artificial Intelligence, Autonomy and Control, OECD Publishing, 2020.
• [6] McKinsey Global Institute, The State of AI in 2023, McKinsey & Company.
• [7] MIT Technology Review, Why AI Hallucinates, 2023.
• [8] Emily M. Bender et al., On the Dangers of Stochastic Parrots, Proceedings of FAccT, 2021.
• [9] Yoshua Bengio et al., Systematic Generalization: What Is Required and Can Deep Learning Do It?, NeurIPS, 2018.
• [10] DeepMind, Levels of AGI: Operationalizing Progress on the Path to AGI, 2023.
• [11] David Ha & Jürgen Schmidhuber, World Models, arXiv, 2018.
• [12] World Economic Forum, Global AI Governance and the Future of Power, WEF Reports, 2022.
• [13] ENISA, AI Threat Landscape, 2023.
• [14] NIST, AI Risk Management Framework (AI RMF 1.0), 2023.
• [15] Richard Sutton, The Bitter Lesson, 2019.
• [16] Gary Marcus & Ernest Davis, Rebooting AI, Pantheon Books, 2019.
• [17] European Commission, Ethics Guidelines for Trustworthy AI, 2019.