لا تستطيع الذكاء الاصطناعي فهم السببية الحقيقية بعد، لكن يمكننا جعلها تحاكيها

كتبت Rudina Seseri (Founder & Managing Partner، Glasswing Ventures) مؤخرًا مقالًا عن الذكاء الاصطناعي "يرتكب الأخطاء بثقة". أشارت إلى أن اللحظة الأكثر خطورة في الذكاء الاصطناعي ليست عندما يقول "لا أعرف"، بل عندما يقدم إجابة خاطئة بيقين مطلق. في المصنع، تكلفة هذه الثقة هي توقف خط إنتاج، أو إتلاف مواد، أو فقدان طلب. الحل الذي اقترحته هو "إجبار النماذج على التأمل" — جعل النموذج يتأمل في مخرجاته.

لكننا نعتقد أن طلب التأمل من النموذج في ذاته أمر غير موثوق به بطبيعته. النموذج القادر على ارتكاب الأخطاء بثقة يمكنه أيضًا أن يتأمل حتى يصل إلى استنتاج خاطئ بنفس الثقة. التأمل يدور دورة إضافية داخل الحالة الداخلية للنموذج دون إدخال أي مرساة خارجية. إنه لا يعرف ما إذا كان محقًا أم مخطئًا؛ إنه يولّد فقط المزيد من النصوص التي تبدو معقولة.

خلال العام الماضي، سلكنا طريقًا مختلفًا داخل CCT CRM. بدلًا من جعل النموذج يتأمل، نمنحه بنية سببية تجبره على العمل وفق المنطق السببي. عندما تتراكم الطبقات الثلاث، يتصرف النظام وكأنه "يفهم السببية" — ليس لأن ذكاء الذكاء الاصطناعي يتطور، بل لأن البنية تتطور. هذا هو نموذج السببية بالذكاء الاصطناعي الذي نبنيه.

الطبقة الأولى: التحقق من القيود — محاكاة الاستدلال السببي بالصيغ الرياضية

تحتوي سيناريوهات MES على العديد من صيغ القيود الصارمة: يجب أن تساوي كمية المواد المدخلة الإنتاج زائد الهدر، ويجب أن يساوي OEE جاهزية × أداء × جودة، ويجب أن يساوي مجموع ساعات العمليات إجمالي ساعات الطلب. هذه ليست أمورًا يحتاج الذكاء الاصطناعي إلى التفكير فيها. إنها قوانين فيزيائية. انتهاكها خطأ ببساطة.

أدرجنا طبقة تحقق من القيود في مسار مخرجات الذكاء الاصطناعي. بعد أن يحسب الذكاء الاصطناعي OEE، يعوّض النظام تلقائيًا عن المؤشرات الفرعية الثلاثة في الصيغة. إذا لم يتحقق التساوي، تُعترض مخرجات الذكاء الاصطناعي قبل أن تصل إلى المستخدم. يعيد النظام معلومات الفشل — الانحراف، الصيغة المنتهكة — إلى الذكاء الاصطناعي كسياق جديد ويطلب منه إعادة الحساب. حتى ثلاث محاولات.

هذا ليس جعل الذكاء الاصطناعي يتأمل. إنه استخدام الصيغ الرياضية للتحقق من إجابات الذكاء الاصطناعي. لا يحتاج الذكاء الاصطناعي إلى فهم سبب كون OEE يساوي حاصل ضرب هذه المؤشرات الثلاثة. يكفي أن يعرف: إذا لم تتحقق الأرقام المحسوبة من الصيغة، فيجب إعادة الحساب. هذه هي الصورة الأولى للنموذج السببي: ليس لأن الذكاء الاصطناعي يفهم السلسلة السببية، بل لأن السلسلة السببية تم ترميزها على شكل قواعد رياضية لا يمكن للذكاء الاصطناعي تجاوزها.

الطبقة الثانية: التعلم التجريبي — تحويل كل خطأ إلى نسبة سببية

يُمسك التحقق من القيود بالأخطاء الرياضية. لكن عندما يقول المستخدم "هذا خطأ"، يكون الخطأ قد حدث بالفعل، وغالبًا ما لا يكون المشكلة رياضية — بل فهم الذكاء الاصطناعي للسياق بشكل خاطئ، أو استخدامه بيانات خاطئة، أو تجاهله لمعلومات حاسمة.

جوهر هذه الطبقة ليس "تذكر الخطأ"، بل "تذكر العلاقة السببية". لا يسجل النظام "كان هذا خطأً"؛ بل يسجل: في أي سيناريو، وما السبب الذي أدى إلى هذا الخطأ، وما الإجراء الصحيح.

يلاحظ الذكاء الاصطناعي مشاعر المستخدم السلبية — ليس عبر نموذج تحليل العواطف، بل عبر أبسط الإشارات: المستخدم يقول "لا" أو "خطأ" أو "ليس هذا المقصود"، أو يعدّل رسالة بريد إلكتروني أنشأها الذكاء الاصطناعي ثم يحفظها. عندما يلاحظ النظام هذه الإشارات، لا يجادل الذكاء الاصطناعي. بل يسأل: "لاحظت أنك ربما غير راضٍ عن إجابتي. هل يمكنك إخباري بالتحديد ما الخطأ؟ سأسجله لكي لا أكرر نفس الخطأ في المرة القادمة."

يُسجّل كل تصحيح بشكل منظم. تشمل الحقول: سيناريو التفعيل، مدخلات المستخدم، المخرج الخاطئ للذكاء الاصطناعي، ملخص التعليق، تصنيف الخطأ، تحليل السبب الجذري. والأهم من ذلك — مصدر السبب الجذري: هل كان هذا التحليل من الذكاء الاصطناعي نفسه، أم أشار إليه المستخدم صراحةً.

في المحادثات اللاحقة، يسترجع النظام تلقائيًا التجارب ذات الصلة ويضخها في منطقة القراءة ذات الأولوية. عند الرد على أسئلة مماثلة، يبدأ الذكاء الاصطناعي بشكل استباقي: "لقد ارتكبت خطأ X سابقًا عند التعامل مع هذا النوع من المشاكل، لذا أجريت فحص Y أولاً هذه المرة."

هذه هي الصورة الثانية للنموذج السببي: ليس لأن الذكاء الاصطناعي يفهم سبب ارتكابه للخطأ، بل لأن كل خطأ مُوسوم بوسم سببي، وفي المرة القادمة يجب على الذكاء الاصطناعي قراءة الوسم قبل التصرف.

الطبقة الثالثة: توجيه النماذج — ترك السببية تختار الحل الأمثل

لنفس نوع السؤال، ترتكب النماذج الكبيرة المختلفة أخطاء بمعدلات مختلفة. هذا ليس ترتيبًا مجردًا لقدرات النموذج؛ بل هو حقيقة قابلة للقياس في سيناريوهات عمل محددة.

ندير أسئلة من نفس النوع الدلالي عبر GPT و DeepSeek و GLM و Doubao. بعد كل إجابة، يحدّث النظام تلقائيًا تقييم ذلك النموذج في ذلك السيناريو بناءً على تعليق المستخدم. قبول المستخدم للإجابة، انتهاء المحادثة بشكل طبيعي، التعبير الإيجابي — إيجابي. تصحيح المستخدم، تعديل المخرج، التعبير السلبي — سلبي.

تحصل النماذج ذات التقييمات الأعلى على وزن استدعاء أكبر. يحتفظ النموذج ذو التقييم الأدنى أيضًا بفرصة استكشاف بنسبة 5% — لأن النماذج تتطور، والنموذج الذي يؤدي بشكل ضعيف اليوم قد يتفوق في الإصدار التالي. النظام لا يدرب نموذجًا أفضل؛ بل يختار النموذج الأقل احتمالًا لارتكاب الأخطاء.

هذه هي الصورة الثالثة للنموذج السببي: ليس لأن الذكاء الاصطناعي يفهم أي نموذج أفضل، بل لأن النظام بنى سلسلة سببية "اختيار النموذج → معدل الخطأ" من بيانات التعليق، ويتقارب تلقائيًا نحو معدلات خطأ أقل.

الطبقات الثلاث مجتمعة: نظام هندسي يحاكي السببية

إذا نظرنا إلى كل طبقة على حدة، فلا واحدة منها تمثل استدلالًا سببيًا حقيقيًا. التحقق من القيود هو صيغ رياضية، والتعلم التجريبي هو استرجاع من قاعدة بيانات، وتوجيه النماذج هو تقييم إحصائي.

لكن عندما تتراكم الطبقات الثلاث، يتصرف النظام على النحو التالي:

يُخطئ الذكاء الاصطناعي في حساب رقم → تعترضه الصيغة → يعيد الحساب → يُعاد فقط بعد النجاح. لا يرى المستخدمون أبدًا مخرجًا ينتهك القوانين الفيزيائية.

يفهم الذكاء الاصطناعي السياق بشكل خاطئ → يصحح المستخدم → يتم هيكلة الخطأ وتوسيمه بوسوم سببية → في المرة القادمة، يتم تحميل التجربة أولًا في نفس السيناريو → يصرّح الذكاء الاصطناعي بشكل استباقي: "لقد ارتكبت هذا الخطأ من قبل، لذا أجريت هذا الفحص أولاً". لا يتكرر نفس الخطأ مرتين.

في نفس السيناريو، ترتكب النماذج المختلفة أخطاء بمعدلات مختلفة → تُعدّل بيانات التعليق أوزان التوجيه تلقائيًا → يتم استدعاء النماذج ذات معدلات الخطأ الأقل بشكل أكثر تكرارًا. يتجنب النظام تلقائيًا النماذج المعرضة للأخطاء.

هذا ليس تطورًا في ذكاء الذكاء الاصطناعي. إنه تطور في البنية.

الخلاصة

جعل الذكاء الاصطناعي يفهم السببية حقيقةً — أن يعرف أن "فعل A يؤدي إلى B، وعدم فعل A يعني أن B لن يحدث" — لا يزال مستحيلًا في البيئة التقنية الحالية. لكن جعل الذكاء الاصطناعي يحاكي الاستدلال السببي هو مشكلة هندسية يمكن حلها اليوم.

الطريقة ليست تدريب نموذج أفضل، بل بناء مجموعة من القيود لا يمكن للنموذج انتهاكها، ونظام ذاكرة لا يمكنه نسيانه، ومنطق اختيار لا يمكنه التهرب منه.

لقد فعلنا ذلك. ثلاثة مؤسسين، بدون تمويل، وأربعة عملاء مدفوعين. الموظفون الرقميون ليسوا رؤية على شريحة PowerPoint — إنهم أكواد، وقواعد بيانات، وحلقة مغلقة من ثلاث طبقات تعمل اليوم.