كل فترة يظهر سؤال متكرر: هل وصلت نماذج الذكاء الاصطناعي إلى حدها؟ هل انتهت القفزات الكبيرة؟ وهل سنرى مرة أخرى نقلة تشبه ما حدث عند ظهور GPT-3 أو نماذج Claude وGPT-4؟
هذا السؤال مفهوم جدًا. في السنوات الأولى، كانت القفزات واضحة وصادمة. فجأة أصبح النموذج يكتب، يترجم، يبرمج، يلخص، ويناقش أفكارًا معقدة. كان الفرق بين جيل وآخر ظاهرًا حتى للمستخدم العادي. أما اليوم، فقد يشعر بعض المستخدمين أن الفروق بين النماذج الجديدة والقديمة لم تعد ضخمة، أو أنها تظهر فقط في اختبارات متخصصة لا يشعر بها المستخدم اليومي.
لكن هذا لا يعني بالضرورة أن التطور توقف. ربما المشكلة أننا نقيس التطور بطريقة ضيقة. في البداية كنا نقيس الذكاء الاصطناعي من خلال جودة الإجابة النصية: هل يكتب جيدًا؟ هل يجيب بسرعة؟ هل يفهم السؤال؟ أما الآن، فالتطور ينتقل إلى مستويات أخرى: القدرة على استخدام الأدوات، تنفيذ مهام طويلة، العمل كوكلاء، البرمجة المعقدة، التفكير متعدد الخطوات، تقليل التكلفة، تحسين الذاكرة، والعمل على أجهزة محلية.
هذا السؤال مفهوم جدًا. في السنوات الأولى، كانت القفزات واضحة وصادمة. فجأة أصبح النموذج يكتب، يترجم، يبرمج، يلخص، ويناقش أفكارًا معقدة. كان الفرق بين جيل وآخر ظاهرًا حتى للمستخدم العادي. أما اليوم، فقد يشعر بعض المستخدمين أن الفروق بين النماذج الجديدة والقديمة لم تعد ضخمة، أو أنها تظهر فقط في اختبارات متخصصة لا يشعر بها المستخدم اليومي.
لكن هذا لا يعني بالضرورة أن التطور توقف. ربما المشكلة أننا نقيس التطور بطريقة ضيقة. في البداية كنا نقيس الذكاء الاصطناعي من خلال جودة الإجابة النصية: هل يكتب جيدًا؟ هل يجيب بسرعة؟ هل يفهم السؤال؟ أما الآن، فالتطور ينتقل إلى مستويات أخرى: القدرة على استخدام الأدوات، تنفيذ مهام طويلة، العمل كوكلاء، البرمجة المعقدة، التفكير متعدد الخطوات، تقليل التكلفة، تحسين الذاكرة، والعمل على أجهزة محلية.
بمعنى آخر، قد لا تكون القفزة القادمة في أن النموذج “يكتب أجمل”، بل في أنه يستطيع تنفيذ مهمة كاملة من البداية إلى النهاية. مثلًا: لا يكتفي بأن يكتب لك كودًا، بل يفهم مشروعك، يعدل الملفات، يختبر النتيجة، ويقترح تحسينات. ولا يكتفي بتلخيص مقال، بل يبني خطة محتوى كاملة ويربطها بسياق موقعك وجمهورك.
صحيح أن هناك نقاشًا جديًا حول حدود المعمارية الحالية لنماذج اللغة الكبيرة، خاصة من حيث الحاجة إلى بيانات ضخمة وطاقة ومعالجات متقدمة. لكن في المقابل، تظهر تحسينات كثيرة داخل نفس الإطار: نماذج أكثر كفاءة، طرق تدريب أفضل، ضغط للنماذج، نماذج متخصصة، ونماذج مفتوحة المصدر تنافس نماذج مغلقة بتكاليف أقل.
تقرير Stanford AI Index لعام 2025 أشار إلى أن الذكاء الاصطناعي أصبح أكثر حضورًا في الاقتصاد والمجتمع والبحث العلمي، وأن التقرير نفسه وسع تغطيته لتشمل تكاليف الاستدلال والعتاد والاتجاهات الصناعية، وهذا يعكس أن المعركة لم تعد فقط حول “من يملك النموذج الأذكى”، بل حول من يستطيع تشغيله بكفاءة ونشره على نطاق واسع.
هنا يجب التمييز بين “سقف الذكاء” و”سقف الاستخدام”. قد تكون النماذج اقتربت من التشبع في بعض مهام الكتابة العامة، لكنها لم تصل إلى سقفها في البرمجة، البحث، الوكلاء، تحليل البيانات، التعليم الشخصي، الطب، القانون، وإدارة الأعمال. كما أن المستخدم العادي قد لا يرى الفرق دائمًا، بينما يراه المبرمج أو الباحث أو الشركة التي تستخدم النموذج في مئات المهام يوميًا.
لذلك، القول إن الذكاء الاصطناعي انتهى يبدو متسرعًا. الأدق أن نقول: انتهت مرحلة الانبهار السهل، وبدأت مرحلة الاختبار الحقيقي. لم يعد كافيًا أن يكتب النموذج فقرة جميلة. المطلوب الآن أن يكون دقيقًا، موثوقًا، قابلًا للدمج، أقل تكلفة، وأكثر قدرة على العمل داخل أنظمة حقيقية.
وربما لهذا السبب أصبح النقاش حول النماذج الصغيرة مهمًا جدًا. فإذا لم تكن القفزة القادمة في الحجم الأكبر، فقد تكون في الذكاء الأرخص، الأسرع، والأكثر تخصصًا.