في 10 جويلية 2026، نشر مختبر Thinking Machines بقيادة ميرا موراتي بيانه الفكري بعنوان "المستقبل الجدير بالبناء إنسانيّ" (The Future Worth Building Is Human) — وثيقة تشرح الرؤية الكاملة وراء مهمة الشركة. خلال 48 ساعة أصبح البيان الأكثر نقاشاً بين وثائق مختبرات الذكاء الاصطناعي هذا العام، ولسبب وجيه: فهو ليس وثيقة تسويقية بقدر ما هو حجة تقنية واقتصادية ضد الطريقة التي تُبنى بها نماذج الذكاء الاصطناعي الرائدة اليوم.
الادعاء المركزي صريح: معظم الذكاء الاصطناعي المستخدم اليوم يُدرَّب في أماكن قليلة ثم يُجمَّد. لا يتشكّل بأيدي الأشخاص الذين يخدمهم، ولا يتعلم كثيراً من العمل الذي ينجزونه معاً. رهان Thinking Machines هو العكس تماماً: ذكاء اصطناعي موزّع وقابل للتخصيص، يخضع لضبط دقيق مستمر من مستخدميه — بقيم مشفّرة في أوزان النموذج تملكها المؤسسات فعلياً.
في هذا المقال نفكك حجة البيان، والتوجهات التقنية الأربعة التي يقوم عليها، وما تعنيه هذه الأطروحة عملياً للشركات التي تقرر كيف تتبنى الذكاء الاصطناعي في 2026.
الاقتصاد: لماذا تحتاج المعرفة الموزعة إلى ذكاء اصطناعي موزّع؟
الأساس الفكري للبيان يأتي من مفكرَين من القرن العشرين نادراً ما يُستشهد بهما في أوراق الذكاء الاصطناعي: مايكل بولانيي وفريدريك هايك.
ملاحظة بولانيي في كتابه "البعد الضمني" (1966) هي أن معظم المعرفة الإنتاجية ضمنية — الطاهي الذي يبتكر وصفة جديدة أو صاحب المتجر الذي يعيد ترتيب البضائع والأسعار يطبّق معرفة غير مقروءة للغرباء ولا يمكن كتابتها في قاعدة بيانات. أما حجة هايك في "استخدام المعرفة في المجتمع" (1945) فهي أن التخطيط المركزي يفشل لا لنقص في ذكاء المخططين، بل لأن المعرفة الإنتاجية محلية وعابرة ويحتفظ بها بشكل خاص من اكتسبوها عبر عملهم.
يطبّق Thinking Machines الفكرتين مباشرة على الذكاء الاصطناعي: محاولة تجميع معرفة العالم في ذكاء مركزي واحد تواجه نفس المشكلة البنيوية التي يواجهها الاقتصاد المخطط. النموذج المجمّد الواحد، مهما بلغت قدراته، لا يستطيع التقاط معرفة تتولّد باستمرار داخل كل مؤسسة.
يعترف البيان بوجود مجالات ينتصر فيها الذكاء المركزي وحده — كالشطرنج والرياضيات، حيث الأهداف ثابتة وقابلة للتعبير، ولا شيء في المجال مخفي. فمحركات الشطرنج تتدرب باللعب الذاتي الخالص، والنماذج الرائدة تبرهن اليوم نظريات عريقة بمفردها. لكن خارج هذه الحالات الخاصة، يجادل التقرير بأن الذكاء وحده لا يكفي: لكي يستفيد الذكاء الاصطناعي من المعرفة الموزعة، يجب أن يكون هو نفسه موزعاً.
مثال تويوتا يرسّخ الفكرة. في 2014، أعادت الشركة المشهورة بمصانعها المؤتمتة حرفييها الخبراء عمداً إلى خط الإنتاج. وكما قال ميتسورو كاواي الذي قاد المبادرة: "لكي تكون سيد الآلة، يجب أن تمتلك المعرفة والمهارات لتعليم الآلة". إنتاج المعرفة وتطبيق الذكاء يرفع كل منهما الآخر؛ وليسا بديلين.
أربعة توجهات تقنية
يترجم البيان فلسفته إلى أربعة مسارات عمل ملموسة:
- تدريب نماذج قوية بتفاعل متعدد الوسائط أصيل وقابلية للتخصيص. المختبر واضح في أن الحكم البشري يحتاج إلى تشكيل نماذج تنافس في الطليعة — فالنموذج الضعيف القابل للتخصيص لا يوسّع إرادة أحد.
- بناء أدوات للملكية، بما في ذلك القدرة على تدريب أوزان النموذج مباشرة. هذه هي Tinker، منصة الضبط الدقيق التي أصبحت متاحة للجميع بدعم لنماذج بحجم تريليون معامل مثل Kimi K2 Thinking والمدخلات البصرية عبر Qwen3-VL — تخصيص بمستوى بحثي عبر حلقة تدريب بسيطة بلغة Python دون الحاجة لبنية تدريب موزعة.
- تطوير نماذج التفاعل التي توسّع قناة الاتصال بين الإنسان والآلة، بحيث يؤثر الحكم الشخصي باستمرار في عمل الذكاء الاصطناعي.
- نشر الأبحاث، لأن القدرة على تشكيل الذكاء الاصطناعي تتطلب فهماً عميقاً لكيفية صناعته.
القيم مكانها الأوزان لا التلقينات
القسم الأكثر إثارة تقنياً هو الحجة حول المكان الذي يجب أن تسكنه المواءمة. اليوم، يدرّب كل مختبر نموذجه الرائد التالي باستخدام النموذج الرائد السابق لتوليد بيانات التدريب وإشارات المكافأة. أياً كانت الشخصية التي تنبثق من هذه الحلقة، يحصل الجميع على نفسها — وكل جيل يرث سمات والده، إذ تربّى على مخرجاته وحُكم عليه بأذواقه.
يجادل البيان بأن مواصفة مواءمة واحدة تقمع التنوع تماماً كما يقمع الاقتصاد المخطط إشارات السوق. والبديل الذي يطرحه: أن تشفّر المؤسسات والأفراد قيمهم مباشرة في أوزان النموذج عبر الضبط الدقيق — منتجين ملفات قابلة للنقل (عملياً، محوّلات LoRA) يحتفظ بها المستخدم ويملكها.
سبب عدم كفاية التلقينات دقيق لكنه معروف لكل من نشر نماذج لغوية في الإنتاج: تلقين النظام يغيّر السلوك السطحي بينما تبقى العادات العميقة ثابتة. والنموذج المركزي المرن بما يكفي ليتغير جذرياً عبر التلقين يصبح ثغرة أمنية معرّضة لهجمات متكررة. التخصيص على مستوى الأوزان يتجاوز المشكلتين معاً — السلوك العميق يتغير فعلاً، والتغيير موثّق بمن يتحكم في عملية الضبط.
الغاية النهائية التي يتصورها المختبر هي ما يسميه المواءمة اللامركزية: السلامة كخاصية لمنظومة من نماذج ذكاء اصطناعي نشأت في أماكن مختلفة، تختلف وتتنافس وتتعلم من بعضها — بدل مواصفة مركزية واحدة تصبح، بتعبير البيان، "مركز قوة قابلاً للاستيلاء". بل إن الوثيقة تقتبس من البابا لاون الرابع عشر في Magnifica Humanitas (2026): "ذكاء اصطناعي أكثر أخلاقية لا يكفي إذا كانت تلك الأخلاق يحددها قلة".
نقد المعايير: قياس الشيء الخطأ
يوجّه البيان سهامه مباشرة نحو مقياس التقدم المفضل في الصناعة: الأفق الزمني للمهام المستقلة الذي تتتبعه مخططات METR، والذي يقيس طول المهمة البرمجية التي يستطيع النموذج إكمالها بمفرده. يتوقع Thinking Machines استمرار التقدم على هذا المنحنى — لكنه يجادل بأنه يقيس فقط ما يفعله الذكاء الاصطناعي وحده، لا ما ينجزه البشر والآلات معاً.
وهذا أكثر من جدل فلسفي. فالحوافز تتبع المعايير. المختبر الذي يحسّن للآفاق المستقلة يستفيد عندما يفوّض العملاء تدفقات عمل كاملة للنموذج — ممتصاً ما يميّز كل عميل. أما المختبر الذي يحسّن للتخصيص والتعاون فيستفيد عندما يستثمر العملاء مزاياهم الفريدة. والبيان صريح في أن بنية الحوافز الثانية هي التي اختارها Thinking Machines.
ماذا يعني هذا لاستراتيجيتك في الذكاء الاصطناعي؟
بعيداً عن الفلسفة، يقدم البيان ثلاثة ادعاءات عملية يجب أن تزنها أي شركة تقيّم الذكاء الاصطناعي:
امتلاك أوزان مضبوطة بدقة أصبح خياراً واقعياً. حتى وقت قريب، كان التخصيص على مستوى الأوزان لنماذج بمستوى الطليعة يتطلب فريق منصة تعلم آلي كاملاً. أدوات مثل Tinker — ومنظومة الأوزان المفتوحة الأوسع التي غطيناها في دليلنا حول الضبط الدقيق للنماذج اللغوية بتقنيتي LoRA وQLoRA — تقلّص تلك الكلفة جذرياً. إذا كانت ميزتك التنافسية تسكن في المعرفة الضمنية لمؤسستك، فاستئجار نموذج مطابق لنموذج منافسيك سقف استراتيجي.
تركّز المورّدين خطر مواءمة، لا خطر توافر فحسب. سبق أن جادلنا بأن الشركات تحتاج إلى استراتيجيات احتياطية متعددة النماذج من أجل المرونة. يضيف البيان سبباً ثانياً: النموذج الذي شُكّل في مكان واحد يشفّر قيم مالكه، لا قيمك أنت. وبالنسبة لمؤسسات منطقة الشرق الأوسط وشمال إفريقيا خصوصاً، يردّد هذا صدى حجتنا حول السيادة الرقمية والنماذج العربية — محلية القيم ليست رفاهية عندما تختلف معايير سوقك عن الإعدادات الافتراضية لمختبر في سان فرانسيسكو.
ازرع المعرفة ولا تستخرجها. أحدّ سطور البيان هو التمييز بين ذكاء اصطناعي يساعد المؤسسة على تنمية معرفتها الفريدة، وذكاء اصطناعي يستخرج لقطة منها ويستبدلها بعرض موحّد. عملياً: عمليات النشر التي يصحح فيها خبراؤك النظام ويعلّمونه ويضبطونه باستمرار تُراكم ميزتك. أما عمليات النشر التي تكتفي باستبدال مخرجات خبرائك فتجمّدها — وتسلّم التراكم لمورّدك.
الاعتراضات المنصفة
البيان رؤية شركة، وهو يتماشى بشكل مريح مع منتج تلك الشركة. ثلاثة تحفظات تستحق البقاء في الصورة.
أولاً، للضبط الدقيق الموزع تكاليف حقيقية: كل نموذج مخصص هو نموذج يجب تقييمه ومراقبته وتأمينه، ومعظم الفرق الصغيرة تكافح لتشغيل نموذج واحد جيداً. ثانياً، المواءمة اللامركزية سلاح ذو حدين — نفس الأدوات التي تتيح لمستشفى تشفير أخلاقياته تتيح لفاعل خبيث تشفير أخلاقياته أيضاً، وهو توتر يقرّ به البيان عبر ملاحظة فون نويمان عام 1955 بأن الجوانب النافعة والضارة للتقنية لا يمكن فصلها تماماً أبداً. ثالثاً، النماذج المركزية المجمّدة تتحسن بسرعة كافية ليبقى خيار "استخدم واجهة الطليعة مباشرة" هو الصحيح لكثير من الأحمال.
لكن كرهان اتجاهي، يسمّي البيان شيئاً حقيقياً: الفجوة بين ما تقدمه النماذج العامة وما تعرفه مؤسستك فعلاً هي بالضبط حيث يسكن هامش ربحك.
الخلاصة
"المستقبل الجدير بالبناء إنسانيّ" هو أكثر بيانات المختبرات جدية فكرياً في الذاكرة القريبة — متجذر في هايك وبولانيي بدل لغة السلامة الغامضة، ومدعوم بأطروحة منتج متماسكة: نماذج قوية، ملكية على مستوى الأوزان، واجهات أوسع بين الإنسان والآلة، وأبحاث منشورة.
سواء كسب Thinking Machines رهانه أم لا، فالأسئلة التي يطرحها هي الأسئلة الصحيحة لعام 2026: من يملك الأوزان التي يعمل عليها عملك؟ قيم من المشفّرة فيها؟ وهل ذكاؤك الاصطناعي يجعل معرفة مؤسستك تتراكم — أم يستخرجها بصمت؟
إذا كنت تعالج هذه الأسئلة لمؤسستك، تواصل مع فريقنا — مساعدة الشركات على بناء ذكاء اصطناعي يضخّم ميزتها بدل تسطيحها هي بالضبط ما نقوم به.
المصادر: Thinking Machines Lab — The Future Worth Building Is Human، إعلان ميرا موراتي، تحليل MarkTechPost