تاريخ الذكاء الاصطناعي: من حلم تورينج الفلسفي إلى واقعٍ يعيد تشكيل الحضارة

ملاحظة حول الأرقام والتوقعات: يتضمّن هذا المقال تقديراتٍ حول الجداول الزمنية المتوقعة للذكاء الاصطناعي العام (AGI) وأرقامًا عن سوق العمل، وهذه كلها تتغيّر بوتيرةٍ سريعة وتتفاوت بشدة بين المصادر. يُنصَح دائمًا بالعودة إلى أحدث تقارير الجهات المذكورة (مثل جامعة ستانفورد، ومعهد Epoch AI، ومنصات التنبؤ مثل Metaculus) بدل الاعتماد على رقمٍ ثابت في أي قرارٍ استراتيجي.

مقدّمة: سؤالٌ واحد غيّر مسار الحضارة

في خريف عام 1950، نشر عالم رياضيات بريطاني يُدعى آلان تورينج مقالًا في مجلة Mind افتتحه بجملةٍ واحدة: هل تستطيع الآلات أن تفكّر؟ لم يكن هناك حاسوبٌ شخصي واحد في العالم آنذاك، ولم يكن هناك حتى مصطلح “الذكاء الاصطناعي” ليصف الفكرة. لكن ذلك السؤال البسيط أشعل جدلًا فلسفيًّا وتقنيًّا استمرّ أكثر من سبعين عامًا، وانتهى بنا اليوم في عام 2026 نتحدّث فعليًّا إلى برامج تكتب وتبرمج وتشخّص وتُجري أبحاثًا علمية بمفردها.

بين هاتين اللحظتين — سؤال تورينج الفلسفي، ونماذج اللغة التي تُدير اليوم مليارات المحادثات يوميًّا — تقع واحدة من أكثر رحلات التكنولوجيا دراميّة: قصةٌ مليئة بالحماس المفرط، وفصول شتاءٍ قاسية كادت تدفن الحقل بأكمله أكثر من مرّة، وانفجاراتٍ مفاجئة أعادت كتابة كل التوقعات. هذا المقال يتتبّع تلك الرحلة كاملة: من صاغ الأسس فعليًّا (والجواب أكثر تعقيدًا مما يبدو)، وكيف تطوّر الحقل عبر العقود، وكيف تحوّل من خيالٍ علمي إلى أداة إنتاجية يومية، وما أبرز التحولات التي أحدثها في المجتمع البشري، وأخيرًا: ما السيناريوهات المتوقعة لمستقبله، وهل ينبغي لنا أن نقلق؟

أولًا: قبل أن يوجد الاسم — جذور تورينج النظرية

قبل أن يُصاغ مصطلح “الذكاء الاصطناعي” بسنواتٍ، كان آلان تورينج قد أرسى بالفعل حجر الأساس النظري للحقل بأكمله. ففي عام 1936، وقبل وجود أي حاسوبٍ إلكتروني فعلي، قدّم تورينج مفهوم “آلة تورينج” — نموذجٌ رياضي مجرّد أثبت أن أي عملية حسابية يمكن وصفها بدقّة قابلة لأن تُنفَّذ آليًّا. هذا المفهوم هو الذي منح البشرية لاحقًا فكرة “الحاسوب عام الغرض” التي تقوم عليها كل الحواسيب الحديثة.

لكن اللحظة التي ربطت اسم تورينج بالذكاء الاصطناعي تحديدًا جاءت مع ورقته البحثية “الحوسبة والذكاء” عام 1950. فيها لم يحاول تورينج الإجابة المباشرة عن سؤال “هل تستطيع الآلات أن تفكّر؟” — فقد رآه سؤالًا غامضًا يصعب تعريفه بدقّة — بل استبدله باختبارٍ عملي بات يُعرف لاحقًا بـاختبار تورينج (Turing Test): إن استطاعت آلة أن تُجري محادثةً مكتوبة يعجز فيها إنسانٌ محايد عن تمييزها عن إنسانٍ حقيقي، فمن المعقول عندها وصفها بأنها “تفكّر”. صيغة الاختبار مستوحاة من لعبةٍ فيكتورية اجتماعية كان يُطلب فيها من محقّقٍ تمييز رجلٍ عن امرأةٍ من خلال أسئلةٍ مكتوبة فقط؛ استبدل تورينج أحد طرفَي اللعبة ببرنامجٍ حاسوبي.

الجدير بالذكر أن تورينج قدّم عمله هذا في زمنٍ صعب على المستوى الشخصي: كان قد أسهم قبل ذلك بسنوات في كسر شيفرة “إنيغما” النازية خلال الحرب العالمية الثانية بعملٍ سرّي بموجب قانون الأسرار الرسمية، ولم يُعترف بفضله علنًا إلا بعد عقود، بينما تعرّض في المقابل لملاحقةٍ قضائية بسبب ميوله الجنسية أدّت إلى وفاته المأساوية عام 1954 — أي قبل عامين فقط من أن يُولد المصطلح الذي سيُخلّد اسمه إلى الأبد.

إقرأ أيضًا

المساعد الذكي من إليفانتي

من يتحمّل المسؤولية؟ الذكاء الاصطناعي وموجة الحر التي تجتاح أوروبا

بينما تتصدّر فرنسا وإسبانيا وألمانيا نشرات الأخبار بأرقام قياسية للحرارة ووفيات جماعية مرتبطة بالحر، يطرح تقريرٌ حديث لجامعة الأمم المتحدة…

يوليو 6, 2026

وحدة معالجة الرسوميات (GPU): من شاشات الألعاب إلى محرّك الذكاء الاصطناعي

قبل عقدين كانت وحدة معالجة الرسوميات مجرّد قطعةٍ يهتمّ بها اللاعبون لتشغيل ألعابهم بسلاسة. أما اليوم فهي القلب النابض لأكبر…

يونيو 29, 2026

ثانيًا: الميلاد الرسمي — مؤتمر دارتموث ومن هو “العرّاب” فعليًّا؟

صيف 1956: ثمانية أسابيع غيّرت كل شيء

في صيف عام 1956، اجتمع في كلية دارتموث بولاية نيوهامبشير الأمريكية عددٌ قليل من الباحثين، بدعوةٍ من عالم رياضيات شاب يُدعى جون مكارثي، بالاشتراك مع ثلاثة زملاء: مارفن مينسكي، وناثانيال روتشستر من شركة IBM، وكلود شانون (أب نظرية المعلومات). كان مكارثي، الذي أصبح حينها أستاذًا مساعدًا في دارتموث، بحاجةٍ إلى مصطلحٍ جديد ومحايد يجمع تحت مظلّةٍ واحدة أبحاثًا متفرّقة كانت تُعرف حينها بأسماء مثل “السيبرانيات” (Cybernetics) أو “نظرية الأتمتة”. فاختار تسمية “الذكاء الاصطناعي” (Artificial Intelligence)، وهي التسمية التي بقيت معنا حتى اليوم.

في مقترح المؤتمر — وثيقة من 17 صفحة صيغت عام 1955 — طرح مكارثي ورفاقه افتراضًا جريئًا: أن كل جانبٍ من جوانب التعلّم أو أي سمةٍ أخرى من سمات الذكاء يمكن، من حيث المبدأ، وصفها بدقّةٍ كافية لجعل آلةٍ تحاكيها. حضر المؤتمر باحثون سيصبحون لاحقًا من كبار أسماء الحقل، من بينهم آلن نيويل وهربرت سايمون، اللذان قدّما خلال المؤتمر برنامج “منظّر المنطق” (Logic Theorist) — أول برنامج ذكاء اصطناعي فعلي يُظهَر للعلن، وقد استطاع إثبات نظرياتٍ رياضية بمفرده. المفارقة أن المؤتمر لم يُنتج تقريرًا ختاميًّا رسميًّا قط، ولم يُحقّق طموح مكارثي بأن يمتلك بحلول نهاية الصيف نموذجًا فعليًّا لآلةٍ مفكّرة. لكن ما تحقّق فعلًا كان أهمّ: وُلد للحقل اسمه، ومهمّته، وأول نجاحٍ ملموس، وشخصياته الرئيسية التي ستقود البحث لعقود.

من هو “العرّاب” الحقيقي؟ إجابةٌ أكثر تعقيدًا مما تبدو

هنا يطرح كثيرون سؤالًا يبدو بسيطًا: من هو العرّاب الذي وضع أسس الذكاء الاصطناعي؟ الإجابة الدقيقة أن هناك أكثر من “أب” واحد، بحسب الزاوية التي نُقيّم منها التأسيس:

• آلان تورينج هو الأب النظري: هو من طرح السؤال الفلسفي الأصلي ووضع الأساس الرياضي للحوسبة نفسها، قبل أن يوجد المصطلح بعقود.
• جون مكارثي هو من صاغ المصطلح ونظّم ميلاد الحقل رسميًّا كتخصّصٍ أكاديمي مستقل عام 1956، ولذلك يُعدّ في الأدبيات الأمريكية “أب الذكاء الاصطناعي” بامتياز. أضاف مكارثي لاحقًا إسهاماتٍ جوهرية أخرى، أبرزها ابتكار لغة البرمجة LISP التي هيمنت على أبحاث الذكاء الاصطناعي لعقود، وكذلك تصوّره المبكّر لمفهوم الحوسبة كخدمةٍ عامة (Utility Computing) في خطابٍ ألقاه عام 1961 — وهو المفهوم الذي تحوّل لاحقًا إلى ما نعرفه اليوم باسم الحوسبة السحابية.
• جيفري هينتون هو من يحمل لقب “عرّاب الذكاء الاصطناعي” (Godfather of AI) في الاستخدام الإعلامي الشائع اليوم — لكن هذا اللقب مرتبطٌ تحديدًا بموجة التعلّم العميق لا بتأسيس الحقل نفسه. فهينتون هو أحد مطوّري خوارزمية الانتشار العكسي (Backpropagation) التي نشرها عام 1986 مع رومِلهارت وويليامز، وهي الخوارزمية التي تقوم عليها عملية تدريب كل الشبكات العصبية العميقة تقريبًا حتى اليوم. حصل هينتون على جائزة تورينج عام 2018 مشاركةً مع يوشوا بينجيو ويان لوكون (وصار الثلاثة يُعرَفون إعلاميًّا بـ”عرّابي التعلّم العميق”)، ثم على جائزة نوبل في الفيزياء عام 2024 تقديرًا لإسهاماته التأسيسية في الشبكات العصبية الاصطناعية. واللافت أن هينتون هو نفسه من أصبح لاحقًا أحد أبرز الأصوات المحذِّرة من مخاطر ما ساهم في صناعته، بعد أن ترك منصبه في Google عام 2023 ليتحدّث بحرّيةٍ أكبر عن هذه المخاوف — وهي نقطةٌ سنعود إليها في قسم السيناريوهات المستقبلية.

الخلاصة العملية: لا يوجد “عرّاب” واحد بالمعنى الدقيق، بل ثلاث طبقاتٍ من التأسيس — نظرية (تورينج)، ومؤسسية/تسموية (مكارثي ورفاقه في دارتموث)، وتقنية/معاصرة (هينتون وزملاؤه في التعلّم العميق). وهذا التعدّد بحدّ ذاته يعكس طبيعة الذكاء الاصطناعي كحقلٍ تراكمي بُني على أكتاف أجيالٍ متعاقبة، لا على اختراعٍ واحد للحظةٍ واحدة.

ثالثًا: عقود الحماس والانهيار — فصول الشتاء المتكررة

الطفرة الأولى (1956–1974): تفاؤلٌ يتجاوز الواقع

في السنوات التالية لمؤتمر دارتموث، تدفّق التمويل الحكومي — وبخاصّة من وكالة ARPA الأمريكية (المعروفة اليوم بـ DARPA) — على مختبرات الذكاء الاصطناعي التي أُسّست في جامعاتٍ أمريكية وبريطانية عدّة. كانت الإنجازات في تلك السنوات تبدو “مذهلة” بمقاييس ذلك الزمن: برامج تحلّ مسائل الجبر، وتثبت نظرياتٍ هندسية، وتتعلّم أساسيات اللغة الإنجليزية. توقّع باحثون بارزون — بتفاؤلٍ صريح في المقالات العلمية والتصريحات الصحفية — أن آلةً بذكاءٍ بشري كامل ستُصنع خلال أقلّ من عشرين عامًا.

لكن التعقيد الفعلي لمهمّة محاكاة الذكاء البشري كان أكبر بكثيرٍ مما توقّع أحد. بحلول أوائل السبعينيات، بدأ التمويل بالجفاف بعد أن أصدر عالم الرياضيات البريطاني جيمس لايتهيل تقريرًا نقديًّا حادًّا لصالح الحكومة البريطانية عام 1973 شكّك في الجدوى العملية للحقل، وتلته ضغوطٌ مماثلة من الكونغرس الأمريكي. أوقفت الحكومتان الأمريكية والبريطانية تمويل الأبحاث غير الموجَّهة في الذكاء الاصطناعي، وبدأ ما بات يُعرف لاحقًا بـ**”شتاء الذكاء الاصطناعي” الأول**.

طفرة الأنظمة الخبيرة (أواخر السبعينيات–الثمانينيات): الصيف الثاني

خرج الحقل من سباته بفضل فكرةٍ عملية أكثر تواضعًا: بدل مطاردة “الذكاء العام”، لماذا لا نبني أنظمةً ضيّقة النطاق تحاكي قرارات خبيرٍ بشري في مجالٍ محدّد؟ هكذا وُلدت الأنظمة الخبيرة (Expert Systems)، وأبرزها MYCIN للتشخيص الطبي وXCON لتهيئة أجهزة الحاسوب لدى شركة DEC. أثبتت هذه الأنظمة أن الذكاء الاصطناعي قادرٌ فعلًا على تقديم قيمةٍ تجارية ملموسة طالما بقي نطاقه محدّدًا بدقّة، فجذبت استثماراتٍ ضخمة من الحكومات والشركات على حدٍّ سواء. أطلقت اليابان في هذه الفترة مشروعها الطموح “الحاسوب من الجيل الخامس” بميزانية تجاوزت 1.3 مليار دولار، بينما أسّست الولايات المتحدة شركة MCC عام 1982 لإحياء أبحاث الذكاء الاصطناعي في العتاد والبرمجيات معًا.

الشتاء الثاني (1987–1993): انهيار سوق آلات LISP

كما هي طبيعة دورات الحماس التقني، جاء الانهيار مجددًا. تحطّم سوق “آلات LISP” المتخصّصة أمام حواسيب عامة الغرض أرخص ثمنًا وأكثر قدرة، وتكشّفت هشاشة الأنظمة الخبيرة: كانت مكلفة الصيانة، وعاجزةً عن التعلّم أو التكيّف خارج القواعد التي بُرمجت بها يدويًّا بدقّة (وهي مشكلةٌ عُرفت بـ”عنق زجاجة اكتساب المعرفة”). جفّ التمويل مجدّدًا، ودخل الحقل شتاءه الثاني.

فترةٌ هادئة لكنها حاسمة (1993–2011): التحوّل الإحصائي غير المرئي

هنا تحدث نقطة تحوّلٍ غالبًا ما تُغفَل في السرديات الشعبية: خلال هذه السنوات، لم يختفِ الذكاء الاصطناعي فعليًّا، بل تحوّل بهدوء من المنطق الرمزي القائم على القواعد المكتوبة يدويًّا إلى نهجٍ إحصائي وقائم على البيانات. نجحت تطبيقاتٌ “ضيّقة” دون ضجيجٍ إعلامي كبير: التعرّف على الكلام، وأنظمة التوصية، وفي عام 1997 هزم حاسوب Deep Blue التابع لشركة IBM بطل العالم في الشطرنج غاري كاسباروف — إنجازٌ رمزي ضخم اعتمد جزئيًّا على قاعدة بياناتٍ ضخمة من 700 ألف مباراة سابقة لكبار اللاعبين.

الأهم من ذلك أن خوارزمية الانتشار العكسي، التي روّج لها هينتون ورومِلهارت وويليامز عام 1986، ظلّت تُصقَل بصمت طوال هذه الفترة دون أن تُحدث ثورةً فورية — كانت تنتظر ببساطة توفّر عاملين آخرين: كمّياتٍ هائلة من البيانات، وقوّة حوسبةٍ كافية لتدريب شبكاتٍ عميقة حقًّا. كلا العاملين تحقّقا مع انتشار الإنترنت التجاري في التسعينيات، ثم مع اختراع وحدة معالجة الرسوميات (GPU) وابتكار منصّة CUDA من NVIDIA عام 2007، التي حوّلت رقائق الرسوم من أداةٍ لعرض الألعاب إلى محرّكٍ للحوسبة المتوازية عامة الغرض. عام 2009، جُمعت قاعدة بيانات ImageNet التي ضمّت ملايين الصور المصنَّفة يدويًّا — وهي الخطوة التي مهّدت، دون أن يدرك أحد حينها حجم أثرها، للانفجار القادم. وفي 2011، هزم حاسوب IBM Watson بطلَين بشريَّين في مسابقة تلفزيونية شهيرة للأسئلة العامة، بينما دخل مساعد Siri الصوتي هواتف Apple في العام نفسه، فبدأ الذكاء الاصطناعي يتسلّل تدريجيًّا إلى الوعي العام الشعبي.

رابعًا: ثورة التعلّم العميق (2012–2017) — اللحظة التي تغيّر فيها كل شيء

2012: لحظة AlexNet

في أكتوبر 2012، شارك فريقٌ بحثي بقيادة جيفري هينتون وطالبَيه أليكس كريجيفسكي وإيليا ساتسكيفر (الذي أصبح لاحقًا أحد مؤسّسي OpenAI) بشبكةٍ عصبية عميقة أطلقوا عليها AlexNet في مسابقة ImageNet السنوية للتعرّف على الصور. حقّقت الشبكة نسبة خطأ بلغت 15.3%، متفوّقةً بفارقٍ هائل على أقرب منافسٍ (الذي سجّل 26.2%) — وهي قفزةٌ لم يكن أحدٌ يتوقّعها بهذا الحجم. المفتاح التقني كان الجمع بين ثلاثة عناصر توفّرت أخيرًا معًا: بنيةٌ عميقة من الشبكات الالتفافية (CNN)، وقاعدة بيانات ImageNet الضخمة، وقوّة معالجة الـ GPU المتوازية. أقنعت هذه النتيجة مجتمع الأبحاث بأن التعلّم العميق قادرٌ على حل مسائل كانت تُعدّ حتى الأمس بعيدة المنال، فتسابقت شركاتٌ كبرى مثل Google وFacebook وMicrosoft على الاستحواذ على فرق ومختبرات التعلّم العميق الناشئة بين عامي 2012 و2014.

2016: AlphaGo يهزم البشرية في لعبةٍ حدسية

في مارس 2016، هزم برنامج AlphaGo التابع لشركة DeepMind (المملوكة لاحقًا لـ Google) بطل العالم في لعبة الغو الصيني القديم، لي سيدول. اعتُبرت هذه اللعبة تحديًّا استثنائيًّا للذكاء الاصطناعي لأن عدد التوليفات الممكنة فيها يفوق عدد الذرّات في الكون المرصود، ما يجعل الحلّ بالبحث الشامل مستحيلًا؛ يتطلّب اللعب الجيّد فيها حدسًا يصعب وصفه بقواعد. جمع AlphaGo بين شبكاتٍ عصبية عميقة وتعلّمٍ معزَّز (Reinforcement Learning) وخوارزميات بحثٍ شجري متقدّمة، فأثبت أن الذكاء الاصطناعي قادرٌ على إتقان ألعابٍ حدسية معقّدة، لا الحسابية الجافّة فقط.

2017: الورقة البحثية التي أعادت كتابة القواعد

في أغسطس 2017، نشر باحثون من Google ورقةً بحثية بعنوانٍ لافت: “الانتباه هو كل ما تحتاجه” (Attention Is All You Need). قدّمت هذه الورقة معمارية المحوّل (Transformer) — بنية شبكةٍ عصبية جديدة كليًّا تتخلّى عن آليات التكرار (Recurrence) التي هيمنت على معالجة اللغة لعقود، وتعتمد بدلًا منها كليًّا على آلية “الانتباه الذاتي (Self-Attention)”، التي تتيح للنموذج معالجة كل الكلمات في الجملة في آنٍ واحد بدل قراءتها كلمةً كلمة. هذا التغيير البسيط ظاهريًّا — حذف التكرار بدل إضافة شيء جديد — هو ما مكّن لاحقًا من تدريب نماذج بمليارات ومئات مليارات المعاملات بكفاءةٍ لم تكن ممكنة من قبل. تجاوزت هذه الورقة اليوم أكثر من 60 ألف استشهادٍ أكاديمي، وهي حرفيًّا العمود الفقري لكل نموذج لغةٍ كبير نعرفه اليوم — من GPT إلى Claude إلى Gemini وLlama.

خامسًا: من الخيال العلمي إلى الواقع الملموس — عصر النماذج التوليدية

التطوّر السريع لعائلة GPT

بنت شركة OpenAI فوق معمارية المحوّل سلسلة نماذج GPT (Generative Pre-trained Transformer)، متوسّعةً تدريجيًّا في الحجم وكمّية بيانات التدريب. أضافت الشركة لاحقًا تقنية التعلّم المعزَّز من تغذيةٍ راجعة بشرية (RLHF) لتوجيه سلوك النموذج ليتوافق مع تفضيلات المستخدمين بدل مجرّد توقّع الكلمة التالية إحصائيًّا، وأنتجت هذه التقنية نموذج InstructGPT الذي مهّد مباشرةً لإطلاق ChatGPT في 30 نوفمبر 2022.

اللحظة التي تحوّل فيها الذكاء الاصطناعي إلى ظاهرةٍ جماهيرية

لم يكن ChatGPT أول نموذج لغةٍ كبير، لكنه كان أول من قدّم هذه التقنية بواجهة محادثةٍ بسيطة يفهمها أي شخصٍ عادي دون خلفيةٍ تقنية. سجّل التطبيق حينها الرقم القياسي لأسرع قاعدة مستخدمين نموًّا في تاريخ التطبيقات الاستهلاكية. تحوّل الذكاء الاصطناعي بين ليلةٍ وضحاها من مصطلحٍ أكاديمي متخصّص إلى موضوع حديثٍ يومي في كل بيتٍ ومكتب. أُطلق GPT-4 في مارس 2023 بقدراتٍ متعدّدة الوسائط (نص وصورة)، ودُمج في منتجاتٍ منتشرة مثل Microsoft Copilot وGitHub Copilot.

تعدّد اللاعبين وسباق النماذج الحدودية

سرعان ما تحوّل المشهد إلى سباقٍ متعدّد الأطراف: طوّرت Anthropic سلسلة نماذج Claude، وطوّرت Google DeepMind سلسلة Gemini، وأطلقت Meta نماذج Llama مفتوحة الأوزان جزئيًّا. دخل مفهوم “نماذج التفكير” أو الاستدلال (Reasoning Models) حيّز الاستخدام الفعلي بدءًا من 2024–2025، حيث تُخصَّص للنموذج خطوات “تفكيرٍ” وسيطة قبل إعطاء الإجابة النهائية، ما حسّن أداءه بشكلٍ ملحوظ في المهام الرياضية والبرمجية المعقّدة. وبحلول 2025–2026، برز مفهوم “الذكاء الاصطناعي الوكيلي” (Agentic AI)، حيث لا يكتفي النموذج بالإجابة عن سؤال، بل يخطّط وينفّذ سلاسل مهامٍ متعدّدة الخطوات بشكلٍ شبه مستقل — من البحث في الويب إلى كتابة الشيفرة وتشغيلها وتصحيح أخطائها.

أين نقف اليوم؟ معايير القياس الحدودية لعام 2026

للحكم على قدرات النماذج الحالية بموضوعية، يعتمد الباحثون اليوم على مجموعةٍ من الاختبارات المرجعية الصارمة: ARC-AGI-2 لقياس الاستدلال البصري غير اللغوي (حيث كانت النماذج اللغوية البحتة تسجّل صفرًا تاريخيًّا، بينما بدأت أحدث أنظمة الاستدلال بتجاوز متوسّط الأداء البشري البالغ نحو 60%)، وGPQA-Diamond الذي يضمّ أسئلة علمية بمستوى الدراسات العليا مصمّمة خصّيصًا لتقاوم الغش عبر محركات البحث، وHumanity’s Last Exam كمعادلٍ إنساني/معرفي شامل، وSWE-Bench لقياس القدرة على حلّ مشكلات برمجية حقيقية من مستودعات GitHub فعلية. الصورة التي ترسمها هذه المعايير مختلطة عمدًا: تفوّقٌ يقارب الخارق في مجالاتٍ محدّدة، وهشاشةٌ واضحة في مهامٍ أخرى — خصوصًا الاستقلالية طويلة الأمد وموثوقية استخدام الأدوات عبر خطواتٍ متعدّدة، وهي بالضبط النقطة التي تُختبَر فيها أنظمة الذكاء الاصطناعي الوكيلي اليوم.

سادسًا: أبرز التحولات التي شهدتها البشرية

التحوّلات الإيجابية

• ديمقراطية الوصول إلى الخبرة: أصبح بإمكان فردٍ واحد أو شركةٍ ناشئة في أي مكانٍ في العالم الوصول إلى قدراتٍ تحليلية وبرمجية ولغوية كانت حكرًا قبل سنواتٍ قليلة على فرقٍ متخصّصة كبيرة.
• تسريع البحث العلمي: من طيّ البروتينات إلى اكتشاف الأدوية ونمذجة المناخ، تعتمد فروعٌ علمية متزايدة على قدرةٍ حاسوبية وتحليلية توفّرها أدوات الذكاء الاصطناعي، بوتيرةٍ لم تكن ممكنة يدويًّا.
• إعادة تشكيل طبيعة الوظائف لا إلغاءها بالضرورة: تشير بيانات مسحٍ صادرة عام 2026 عن شركة PwC حول سوق العمل العالمي إلى أن الذكاء الاصطناعي “يُهنّئ” بعض الوظائف بجعلها تتطلّب خبرةً بشرية أعمق (مع نموٍّ في الأجور أعلى بنسبة 42% لهذه الفئة)، بينما “يُبسّط” وظائف أخرى بجعلها أسهل لغير المتخصّصين — وفي كلتا الحالتين، فإن المهارات الأكثر طلبًا في الأدوار الأكثر تأثّرًا بالذكاء الاصطناعي تتغيّر بوتيرةٍ أسرع بمرّتين ونصف من الأدوار الأقل تأثّرًا، مع تزايد الطلب تحديدًا على مهارات التعاطف والحكم والإبداع البشري.

التحوّلات المقلقة

• اضطراب سوق العمل الفعلي، لا الافتراضي فقط: بحسب بياناتٍ من شركة Challenger, Gray & Christmas، ارتبط قرابة 55 ألف تسريحٍ وظيفي في الولايات المتحدة خلال عام 2025 مباشرةً بإعلانات الشركات نفسها عن اعتماد الذكاء الاصطناعي، من أصل إجمالي 1.17 مليون حالة تسريح — وهو أعلى مستوًى منذ جائحة 2020. وأشارت أبحاثٌ من جامعة ستانفورد بالتعاون مع شركة ADP لمعالجة الرواتب إلى أن العمّال في بداية مسارهم المهني ضمن المهن الأكثر تعرّضًا للذكاء الاصطناعي بدأوا فعليًّا يشهدون نتائج توظيفٍ وأجورٍ أضعف، برصدٍ شهري بدل الرصد السنوي المتأخّر.
• تركّز رأس المال والقوة الحاسوبية: يتطلّب تدريب النماذج الحدودية استثماراتٍ رأسمالية ضخمة في مراكز البيانات والرقائق، ما يُركّز عائدات الطفرة التقنية في يد عددٍ محدود جدًّا من الشركات والدول القادرة على تحمّل هذه التكلفة.
• جيوسياسة الحوسبة والسيادة الرقمية: تحوّلت القدرة الحاسوبية للذكاء الاصطناعي إلى ورقة نفوذٍ جيوسياسي، مع تصاعد ضوابط التصدير على الرقائق المتقدّمة، وسعي دولٍ عدّة لتأمين “سيادةٍ” حاسوبية مستقلّة عن مزوّدين بعينهم. من يرغب في متابعة هذا الجانب تحديدًا بعمق أكبر — بما في ذلك حوادث حديثة تتعلّق بتقييد وصول نماذج حدودية بعينها لاعتباراتٍ تتعلّق بالأمن القومي — يمكن الرجوع إلى مقالنا المخصّص حول قيود الوصول إلى النماذج الحدودية وتبعاتها الجيوسياسية.

سابعًا: السيناريوهات المتوقعة للمستقبل

جداول زمنية متضاربة إلى حدٍّ لافت

يكشف استقراء توقعات الخبراء اليوم عن تباينٍ حادّ يعكس حجم عدم اليقين الفعلي في الحقل:

هذا التباين الهائل — من 2027 إلى ما بعد 2100 بحسب المصدر — ليس ضجيجًا إحصائيًّا عابرًا، بل انعكاسٌ لخلافٍ جوهري وحقيقي بين خبراء الحقل نفسه حول ما إذا كان التوسّع الحالي في حجم النماذج (Scaling) كافيًا وحده لبلوغ الذكاء العام، أم أن الأمر يتطلّب اختراقاتٍ معمارية جديدة كليًّا لم تُكتشف بعد.

ثلاثة مسارات محتملة

بناءً على الاتجاهات الحالية، يمكن تلخيص السيناريوهات المطروحة في ثلاثة مساراتٍ عريضة، مع التنويه إلى أنها ليست حصرية ولا متساوية الاحتمال بالضرورة:

1. مسار الوفرة المتفائل: تتسارع أتمتة المهام الروتينية والمعرفية معًا، فتتحرّر الطاقة البشرية للإبداع والعلاقات والمهام عالية القيمة، مع تسريعٍ هائل للاكتشاف العلمي والطبي يرفع مستوى المعيشة العالمي.

2. مسار الاضطراب المُدار: يستمرّ الذكاء الاصطناعي كأداة تعزيزٍ لا استبدالٍ كامل في معظم المهن، لكن مع اضطراباتٍ حقيقية ومؤلمة في قطاعاتٍ وفئاتٍ عمرية بعينها (كما نرى فعليًّا اليوم لدى العمّال المبتدئين)، تتطلّب سياساتٍ نشطة لإعادة التأهيل وشبكات أمانٍ اجتماعي.

3. مسار المخاطر المركّزة: يتمحور حول قلقين مختلفين تمامًا في طبيعتهما: الأول اقتصادي/سياسي، وهو تركّز القوة الاقتصادية والحاسوبية الهائلة الناتجة عن الذكاء الاصطناعي في يد عددٍ محدود من الجهات الفاعلة. والثاني تقني/وجودي، وهو احتمال فقدان السيطرة على أنظمةٍ تتجاوز قدراتها الفهم البشري الكامل لسلوكها.

ثامنًا: هل يجب أن نقلق؟

هذا السؤال بحدّ ذاته منقسمٌ بين خبراء الحقل، وأمانةً للقارئ، يستحقّ عرض الطيف كاملًا بدل حسمه من طرفٍ واحد.

في المعسكر الأكثر قلقًا: جيفري هينتون نفسه — الرجل الذي يُلقَّب بعرّاب الذكاء الاصطناعي وساهم في وضع الأساس التقني لثورة التعلّم العميق — يقدّر احتمال أن يشكّل الذكاء الاصطناعي خطرًا وجوديًّا عبر ذكاءٍ فائق يصعب التحكّم به أو سوء استخدامٍ متعمّد من جهاتٍ خبيثة بنسبةٍ تتراوح بين 10% و20%، وذهب في تصريحاتٍ أخرى إلى تقدير احتمالٍ يقارب 50% لأن تتفوّق هذه الأنظمة على الذكاء البشري خلال أفقٍ زمني منظور. وفي مسحٍ أُجري في فبراير 2026 لقادة ومفكّري مجتمع “مخاطر الوجود” المتخصّص في الذكاء الاصطناعي، جاء النطاق الأكثر شيوعًا لتقدير احتمال كارثةٍ وجودية بين 20% و29%، مع تجمّعٍ ثانوي ملحوظ عند تقديراتٍ تفوق 50% لدى نحو 15% من المشاركين.

في المعسكر الأقلّ قلقًا: باحثون بارزون آخرون — من بينهم بعض من ساهموا في تأسيس التعلّم العميق نفسه — يرون أن النماذج الحالية، رغم إبهارها، لا تزال بعيدةً عن أي شكلٍ من أشكال الفهم أو الاستقلالية الحقيقية التي تستدعي القلق الوجودي، وأن أنظمة “الاستدلال” اليوم لا تزال هشّة وغير موثوقة في المهام المستقلّة طويلة الأمد كما تُظهر معايير مثل ARC-AGI-2 وTau-bench. حتى أستاذ ستانفورد المذكور أعلاه توقّع بثقةٍ ألا يُبلَغ AGI خلال عام 2026 على الأقل.

والأهمّ عمليًّا: المخاطر الأكثر قابلية للقياس اليوم ليست وجودية بل اقتصادية واجتماعية ملموسة وجارية فعلًا — اضطراب سوق العمل الذي يمكن رصده شهريًّا بحسب بيانات ADP، وتركّز عائدات الطفرة التقنية، وسباق التسلّح الجيوسياسي حول الرقائق والحوسبة. هذه ليست تكهّناتٍ بعيدة عن أفقٍ غامض، بل تحولاتٌ تحدث أمامنا الآن ويمكن الاستعداد لها فعليًّا عبر سياساتٍ عامة، وتخطيطٍ مؤسسي، وإعادة تأهيل مهارات.

الخلاصة المتوازنة: القلق مبرَّرٌ، لكن الأجدى تحويله إلى استعدادٍ عملي بدل شللٍ أو تجاهل. لا أحد — لا الأكثر تفاؤلًا ولا الأكثر تشاؤمًا من خبراء الحقل نفسه — يملك يقينًا كاملًا حول متى أو حتى ما إذا كان الذكاء الاصطناعي العام سيتحقّق أصلًا بالشكل المتخيَّل. لكن التحوّلات الاقتصادية والمعرفية التي أحدثها الذكاء الاصطناعي الضيّق الحالي — لا العام المفترَض — واقعةٌ بالفعل ولا تحتاج تكهّنًا لإثباتها.

خاتمة: من سؤالٍ فلسفي إلى واقعٍ حتمي

من سؤال تورينج الفلسفي عام 1950، إلى ثمانية أسابيع في دارتموث صاغت اسم الحقل عام 1956، إلى عقودٍ من الحماس المفرط والانهيار المتكرّر، إلى لحظة AlexNet التي أعادت إحياء كل شيء عام 2012، إلى ورقةٍ بحثية غيّرت قواعد اللعبة عام 2017، وصولًا إلى محادثاتٍ يومية مع نماذج تكتب وتُفكّر وتنفّذ مهامًّا بمفردها اليوم — قطع الذكاء الاصطناعي رحلةً لم يقطعها أي حقلٍ تقني آخر بهذه السرعة وهذا التذبذب معًا.

ما يميّز هذه اللحظة تحديدًا في عام 2026 ليس اليقين، بل الاعتراف الجماعي بحدود يقيننا: لا أحد يعرف بالضبط متى — أو حتى ما إذا كان — سيتحقّق الذكاء الاصطناعي العام. لكن ما لا يحتاج تكهّنًا هو أن الأداة التي بين أيدينا اليوم غيّرت بالفعل كيف نعمل، ونبحث، ونتعلّم، ونتنافس اقتصاديًّا وجيوسياسيًّا. والسؤال العملي الأهمّ لكل فردٍ ومؤسسة ليس “هل يجب أن نقلق؟” بقدر ما هو: كيف نستعدّ لعالمٍ يتغيّر بهذه السرعة، دون أن ننتظر إجابةً نهائية لن تأتي قريبًا؟

ملاحظة: تتطوّر معايير قياس الذكاء الاصطناعي وتوقعات الخبراء وأرقام سوق العمل باستمرار وبوتيرةٍ سريعة جدًّا. للاطّلاع على أحدث البيانات، يُنصَح بمراجعة تقارير معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان (Stanford HAI)، ومنصات التنبؤ مثل Metaculus، والتقارير الدورية لشركات مثل PwC وChallenger, Gray & Christmas.

مقالات ذات صلة

المساعد الذكي من إليفانتي

من يتحمّل المسؤولية؟ الذكاء الاصطناعي وموجة الحر التي تجتاح أوروبا

بينما تتصدّر فرنسا وإسبانيا وألمانيا نشرات الأخبار بأرقام قياسية للحرارة ووفيات جماعية مرتبطة بالحر، يطرح تقريرٌ حديث لجامعة الأمم المتحدة سؤالًا غير مريح: كم من…

54.8% match يوليو 6, 2026

وحدة معالجة الرسوميات (GPU): من شاشات الألعاب إلى محرّك الذكاء الاصطناعي

قبل عقدين كانت وحدة معالجة الرسوميات مجرّد قطعةٍ يهتمّ بها اللاعبون لتشغيل ألعابهم بسلاسة. أما اليوم فهي القلب النابض لأكبر تحوّلٍ تقنيّ في عصرنا: الذكاء…

54.6% match يونيو 29, 2026

المقال التالي

المساعد الذكي من إليفانتي

تأثير الذكاء الاصطناعي

عمليات GPU المتوازية

انقلاب الجدار الناري

تعرف على التصيد