حلقة كارباثي: وكلاء ذكاء اصطناعي يُجرون 700 تجربة بشكل مستقل

ماذا لو أطلقت وكيل ذكاء اصطناعي، ذهبت للنوم، واستيقظت لتجد أنه أجرى 700 تجربة واكتشف 20 تحسيناً لم تخطر على بالك؟ هذا بالضبط ما أثبته أندريه كارباثي — وقد يكون أهم إصدار مفتوح المصدر في عام 2026.

ما هو AutoResearch؟

AutoResearch هو مشروع مفتوح المصدر من أندريه كارباثي — العضو المؤسس السابق في OpenAI، والمدير السابق للذكاء الاصطناعي في Tesla، ومؤسس Eureka Labs. يُجسّد فكرة بسيطة لكنها قوية: دع وكيل ذكاء اصطناعي يُجري تجارب مستمرة على كود التدريب بشكل مستقل تماماً.

تعمل الحلقة الأساسية كالتالي:

1. القراءة — يقرأ الوكيل كود التدريب الحالي (حوالي 630 سطراً من Python)
2. الفرضية — يصوغ فرضية للتحسين (معدل التعلم، عمق البنية، إعدادات المُحسّن)
3. التعديل — يُعدّل الكود لاختبار تلك الفرضية
4. التشغيل — يُنفذ جلسة تدريب مدتها 5 دقائق على معالج رسومات واحد
5. التقييم — يفحص خسارة التحقق مقارنة بالمعيار المرجعي
6. القرار — إذا تحسنت الخسارة، يحتفظ بالتغيير. وإلا، يتراجع ويُجرب من جديد

تعمل هذه الحلقة باستمرار — دون أي تدخل بشري. يتكرر الوكيل إلى ما لا نهاية، مُراكماً التحسينات على مدى ساعات أو أيام.

700 تجربة، 20 اكتشافاً، أسرع بنسبة 11%

في التجربة المرجعية لكارباثي، أجرى الوكيل 700 تجربة خلال يومين من التشغيل المتواصل. من بين تلك المحاولات السبعمئة، اكتشف 20 تحسيناً مميزاً أدى كل منها إلى تحسين كفاءة التدريب بشكل قابل للقياس.

عندما طبّق كارباثي نفس التعديلات العشرين على نموذج لغوي أكبر (لكنه لا يزال متوسط الحجم)، كانت النتيجة تقليص وقت التدريب بنسبة 11%. قد يبدو هذا تحسناً طفيفاً — لكن في أبحاث الذكاء الاصطناعي حيث تكلف جلسات التدريب ملايين الدولارات، فإن تسريعاً بنسبة 11% يُترجم إلى وفورات ضخمة.

الفكرة الجوهرية ليست في أي تحسين بعينه اكتشفه الوكيل، بل في حجم وسرعة الاستكشاف التي لا يستطيع أي باحث بشري مجاراتها.

نموذج Program.md الجديد

ما يُميز AutoResearch عن أنظمة AutoML التقليدية هو ملف program.md — وثيقة بلغة طبيعية يصف فيها الباحث البشري:

• ما يفعله كود التدريب
• ما هي المقاييس المهمة
• ما أنواع التجارب التي ينبغي تجربتها
• ما القيود التي يجب احترامها

يقرأ وكيل الذكاء الاصطناعي هذه الوثيقة إلى جانب الكود الفعلي. على عكس AutoML — الذي يعتمد على البحث العشوائي أو الخوارزميات التطورية — يستخدم الوكيل نموذجاً لغوياً كبيراً لقراءة الأوراق البحثية وصياغة الفرضيات والتفكير في تغييرات الكود.

كما قال كارباثي: "لم تعد تُبرمج النموذج. أصبحت تُبرمج الباحث."

تحقق واقعي خارج المختبر

اختبر توبياس لوتكه، الرئيس التنفيذي لشركة Shopify، نظام AutoResearch طوال الليل على بيانات الشركة الداخلية. نتيجته: 37 تجربة مكتملة، تحسن في الأداء بنسبة 19% — تحقق كل ذلك أثناء نومه.

هذا التحقق من رئيس تنفيذي لشركة تقنية كبرى يُثبت أن AutoResearch ليس مجرد أداة أكاديمية. إنه يعمل على قواعد بيانات حقيقية بتأثير تجاري فعلي.

"المعركة النهائية الكبرى"

وصف كارباثي التداعيات بصراحة: "جميع مختبرات النماذج اللغوية الكبرى الرائدة ستفعل هذا. إنها المعركة النهائية الكبرى."

المنطق واضح ومباشر. أي مقياس يمكن تقييمه بكفاءة — أو له مقياس بديل قابل للتطبيق — يمكن تحسينه عبر أسراب من الوكلاء. انشر عشرات الوكلاء بالتوازي، كل منهم يستكشف فرع فرضية مختلف، وستحصل على تغطية تجميعية لا يستطيع أي فريق بشري تحقيقها.

هذا يخلق ديناميكية تكرارية: وكلاء ذكاء اصطناعي يُحسّنون تدريب الذكاء الاصطناعي، مما يُنتج وكلاء أفضل، يُحسّنون التدريب بشكل أسرع. منحنى التسارع ليس خطياً.

ماذا يعني هذا للمطورين والشركات؟

لباحثي الذكاء الاصطناعي

تغيّر المشهد التنافسي. المختبرات التي تتبنى حلقات البحث المستقل ستتكرر بسرعة أكبر من تلك التي تعتمد فقط على الباحثين البشريين. تكلفة عدم أتمتة التجارب تتزايد كل شهر.

لمهندسي البرمجيات

يُظهر AutoResearch نمطاً يمتد إلى ما هو أبعد من تدريب نماذج التعلم الآلي. أي مشكلة تحسين برمجية لها دالة هدف قابلة للقياس — ضبط الأداء، تحسين التكوين، بحث البنية — هي مرشحة لهذا النهج.

لقادة الأعمال

الاستنتاج لا يتعلق بالتعلم الآلي تحديداً، بل بـتكلفة الاختناقات البشرية في حلقات التحسين. إذا كان وكيل ذكاء اصطناعي قادراً على إيجاد 20 تحسيناً في 48 ساعة بينما يحتاج فريق بشري أشهراً لاكتشافها، فإن حالة العائد على الاستثمار تكتب نفسها.

لمنظومة التقنية في منطقة الشرق الأوسط وشمال أفريقيا

بما أن AutoResearch مفتوح المصدر ويعمل على معالج رسومات واحد، فإن حاجز الدخول منخفض بشكل لافت. يمكن للشركات الناشئة وفرق البحث في تونس والسعودية والإمارات وعبر المنطقة نشر هذه الحلقات اليوم — دون الحاجة لميزانيات حوسبة ضخمة.

كيف تبدأ؟

AutoResearch متاح على GitHub في مستودع كارباثي. الإعداد يتطلب:

• معالج رسومات واحد (حتى المعالجات الاستهلاكية تعمل)
• بيئة Python بمكتبات التعلم الآلي القياسية
• مفتاح API لنموذج لغوي كبير للوكيل (Claude أو GPT أو ما شابه)
• ملف program.md يصف أهداف التحسين

نواة التدريب بأكملها حوالي 630 سطراً من الكود — مصممة عمداً بشكل بسيط لتسهيل عمل الوكيل.

الصورة الأكبر

تُمثل حلقة كارباثي تحولاً جذرياً في كيفية تحسين أنظمة البرمجيات والذكاء الاصطناعي لنفسها. انتقلنا من:

• التحسين اليدوي — البشر يقرأون الكود، يصوغون فرضيات، يختبرون يدوياً
• البحث الآلي — AutoML يُجرب تغييرات عشوائية أو تطورية
• البحث المستقل — وكلاء LLM يقرأون الأوراق البحثية، يُحللون الكود، ويصوغون فرضيات كالباحثين

كل خطوة تُمثل زيادة بمقدار عشر مرات في إنتاجية التجارب. ونحن لا نزال في بداية عصر البحث المستقل.

السؤال لم يعد ما إذا كانت وكلاء الذكاء الاصطناعي ستُحوّل البحث العلمي. السؤال هو: هل ستكون مؤسستك من أوائل من ينشرها — أم من آخر من يلحق بالركب؟