ByteDance تكشف عن قانون تعلم جديد: وكلاء الذكاء الاصطناعي يزدادون ذكاءً بالاستخدام الفعلي

مقدمة تحليلية

كشف فريق ByteDance Seed، ذراع الأبحاث الأساسية لشركة ByteDance الأم لـ TikTok، عن اكتشاف علمي محوري قد يعيد تشكيل مسار تطوير الذكاء الاصطناعي. فقد أظهرت نتائج أبحاثهم أن وكلاء الذكاء الاصطناعي (AI Agents) يمتلكون "قانون تعلم ما بعد النشر" (Post-deployment Scaling Law) فريدًا، حيث تزداد قدراتهم وذكاؤهم بشكل منهجي ومطرد كلما تم استخدامهم وتفاعلوا مع بيئات العالم الحقيقي. هذا القانون الجديد يشير إلى أن سرعة تعلم هؤلاء الوكلاء تتضاعف كل ثلاثة أشهر، وهو ما يمثل تحولًا نوعيًا في فهمنا لكيفية اكتساب الذكاء الاصطناعي للمهارات. يأتي هذا الاكتشاف في وقت حرج تواجه فيه قوانين القياس التقليدية للتدريب المسبق (Pre-training Scaling Laws) — التي كانت القوة الدافعة وراء نماذج مثل GPT-3 — تحديات متزايدة. فمع نضوب مجموعات البيانات عالية الجودة، وارتفاع تكاليف التدريب بشكل فلكي، وتناقص العائد على الاستثمار، أصبح المجتمع العلمي يتساءل عن الاتجاه المستقبلي للذكاء الاصطناعي. تقدم ByteDance Seed إجابة محتملة لهذه المعضلة، محولةً التركيز من مجرد توسيع حجم النموذج إلى الاستفادة من التفاعل المستمر في البيئة التشغيلية الفعلية، مما يفتح آفاقًا جديدة للكفاءة والابتكار في هذا المجال.

التحليل التقني

لطالما اعتمد تطور الذكاء الاصطناعي الحديث على قانون القياس في التدريب المسبق (Pre-training Scaling Law)، الذي ينص على أن زيادة عدد البارامترات وحجم البيانات المستخدمة في التدريب تؤدي إلى نماذج أكثر قوة وذكاءً. إلا أن هذا النهج يواجه الآن عقبات كبيرة تتمثل في: ندرة البيانات عالية الجودة المتاحة للتدريب، الارتفاع الهائل في التكاليف الحسابية اللازمة لتدريب النماذج الأكبر، وتناقص العوائد (diminishing returns) حيث لا يؤدي المزيد من الاستثمار دائمًا إلى تحسن متناسب في الأداء. هذا الوضع دفع بالعديد من الخبراء للتساؤل عن مستقبل تطوير الذكاء الاصطناعي إذا ما وصل هذا المسار إلى طريق مسدود. أجاب فريق ByteDance Seed، وهو فريق الذكاء الاصطناعي الرئيسي في الشركة الأم لـ TikTok، على هذا التساؤل بنشر ورقة بحثية بعنوان "EdgeBench" في 2 يوليو 2026. هذه الدراسة قدمت معيارًا جديدًا يركز على قياس قدرة وكيل الذكاء الاصطناعي على "التعلم" من التفاعل مع بيئات العالم الحقيقي، بدلاً من مجرد قياس ما "يعرفه" الوكيل. يتألف EdgeBench من:

• 134 مهمة واقعية: تم تصميم المهام لتمثيل تحديات حقيقية تتطلب خبرة عالية.
• 6 فئات رئيسية: تشمل هذه الفئات: علوم و Machine Learning، أنظمة وهندسة البرمجيات، التحسين (Optimization)، المعرفة، المهام الرسمية (Formal)، والألعاب.
• مدة عمل طويلة: تستغرق كل مهمة ما بين 12 إلى 72 ساعة عمل متواصلة، وهي مدة أطول بكثير من المعايير التقليدية.
• معيار بشري: تم تسجيل متوسط 57.2 ساعة ليتمكن خبير بشري من إنجاز كل مهمة، وذلك لتقديم نقطة مرجعية للمقارنة.

من أمثلة المهام المعقدة التي يتضمنها EdgeBench: "بناء نموذج جيولوجي" لتحليل تلوث المياه الجوفية وتحسين شبكات المراقبة، و"التنبؤ بعمر البطارية" لتحديد حالة البطارية المتبقية في ظل ظروف استخدام متغيرة، و"تحسين جودة إشارة موجات الجاذبية" لمعالجة التشويش في بيانات LIGO. بعد تحليل أكثر من 38,000 ساعة من منحنيات التعلم لوكلاء الذكاء الاصطناعي من عدة نماذج (مثل Claude Opus 4.8 و GPT 5.5 و GPT 5.4 و GLM 5.1 و DeepSeek V4 Pro)، توصل فريق ByteDance إلى نتائج محورية:

1. منحنى التعلم Log-Sigmoid: لم يكن تحسن أداء وكلاء الذكاء الاصطناعي عشوائيًا، بل اتبع منحنى Log-Sigmoid محددًا ودقيقًا. هذا الشكل يعني أن التعلم يبدأ ببطء، ثم يتسارع، ثم يتباطأ تدريجيًا ليصل إلى مرحلة استقرار. الأهم من ذلك، أن هذا المنحنى كان دقيقًا للغاية، حيث بلغت قيمة R² (معامل التحديد الذي يقيس مدى قدرة النموذج على تفسير التباين في البيانات) 0.998، مما يشير إلى إمكانية التنبؤ الدقيق بمعدل تحسن الوكيل مع مرور الوقت.

2. تضاعف سرعة التعلم كل 3 أشهر: وجد البحث أن وكلاء الذكاء الاصطناعي الذين يعملون في بيئات العالم الحقيقي يضاعفون سرعتهم في التعلم والتحسن كل ثلاثة أشهر. هذا النمط المتكرر والقابل للقياس يؤكد على فعالية التعلم المستمر بعد النشر.

3. التعلم بعد النشر لا يحل محل التدريب المسبق: أوضح الباحثون أن التعلم بعد النشر (Post-deployment Learning) لا يهدف إلى استبدال التدريب المسبق، بل هو بُعد إضافي ومكمل له. فكلما زاد استخدام الوكيل، زادت فرصه في التعلم من الملاحظات والتفاعلات في بيئته الحقيقية.

السياق وتأثير السوق

إن اكتشاف قانون التعلم الجديد هذا له تداعيات عميقة على المشهد الاقتصادي والتنافسي لقطاع الذكاء الاصطناعي. فبينما كانت الميزة التنافسية في السابق تعتمد بشكل كبير على من يمتلك أكبر قدر من وحدات معالجة الرسوميات (GPUs) والبيانات الضخمة لتدريب النماذج العملاقة، فإن هذا القانون يحول التركيز إلى "من يمتلك أفضل أنظمة التوزيع والنشر وأكبر قاعدة مستخدمين". هذا يعني أن الشركات التي يمكنها دمج وكلاء الذكاء الاصطناعي في منتجاتها وخدماتها على نطاق واسع، وبالتالي تمكينهم من التفاعل مع عدد هائل من المستخدمين في العالم الحقيقي، هي التي ستكتسب ميزة تنافسية كبيرة. على سبيل المثال، تتغير ديناميكيات التكلفة والموارد بشكل جذري. ففي حين أن التدريب المسبق يتطلب استثمارات رأسمالية هائلة في البنية التحتية الحاسوبية والبيانات، فإن التعلم بعد النشر يستفيد من وجود بيئة تشغيلية حقيقية وقاعدة مستخدمين نشطة. هذا يؤدي إلى أن التكاليف قد تنخفض مع زيادة حجم استخدام وكلاء الذكاء الاصطناعي وتوسع انتشارهم، بدلاً من الزيادة المستمرة في نموذج التدريب المسبق. هذا التحول يعد خبرًا سارًا للمطورين والشركات التي تستخدم وكلاء الذكاء الاصطناعي، حيث يعني أن دمج الذكاء الاصطناعي في سير العمل الفعلي سيجعل وكلاءهم أكثر ذكاءً وكفاءة بشكل تلقائي ومستمر، دون الحاجة للانتظار لتحديثات النماذج الأساسية من الشركات المصنعة. يمكن تلخيص الفروقات بين النهجين في النقاط التالية:

• آلية العمل: التدريب المسبق يعتمد على زيادة البارامترات والبيانات. التعلم بعد النشر يعتمد على التغذية الراجعة من التفاعل الفعلي.
• الموارد الرئيسية: التدريب المسبق يحتاج إلى وحدات معالجة رسوميات (GPU) ومجموعات بيانات ضخمة. التعلم بعد النشر يتطلب أنظمة توزيع وقاعدة مستخدمين واسعة.
• التكلفة: تكلفة التدريب المسبق تزداد باستمرار. تكلفة التعلم بعد النشر قد تنخفض مع التوسع.
• الميزة التنافسية: التدريب المسبق يفضل الشركات ذات رؤوس الأموال الضخمة. التعلم بعد النشر يفضل الشركات ذات الانتشار الواسع للمستخدمين.

هذا السياق يشير إلى أن شركات مثل ByteDance، التي تمتلك قاعدة مستخدمين عالمية ضخمة عبر تطبيقاتها المتعددة، قد تكون في وضع فريد للاستفادة من هذا القانون الجديد لتحقيق قفزات نوعية في قدرات الذكاء الاصطناعي لديها.

رؤية Glitch4Techs

إن اكتشاف ByteDance لقانون تعلم ما بعد النشر يعد تطورًا مثيرًا وقد يكون له تأثير تحولي على صناعة الذكاء الاصطناعي. ففي عالم يتزايد فيه الطلب على الذكاء الاصطناعي التكيفي والقادر على التعلم المستمر، يقدم هذا القانون رؤية واعدة لمستقبل لا يقتصر فيه التحسين على مراحل التدريب الأولية المكثفة، بل يمتد ليشمل دورة حياة المنتج بأكملها. ومع ذلك، لا بد من النظر إلى هذا الاكتشاف بمنظور نقدي وحذر. أولًا، مصدر البحث هو ByteDance، وهي شركة صينية ذات مصالح خاصة، مما يستدعي الحاجة الملحة للتحقق المستقل من هذه النتائج من قبل مؤسسات بحثية عالمية رائدة مثل DeepMind أو OpenAI. إن تكرار هذه النتائج من قبل أطراف محايدة سيكون حاسمًا لتأكيد صلاحية هذا القانون وقابليته للتطبيق العام. ثانيًا، على الرغم من أن EdgeBench يتضمن 134 مهمة، إلا أن غالبية هذه المهام تتركز في مجالات العلوم والهندسة. يبقى السؤال حول مدى قابلية تعميم هذا القانون على مجالات أخرى شديدة الأهمية والحساسية مثل التمويل، والطب، والقانون. هل يمكن لوكلاء الذكاء الاصطناعي أن يظهروا نفس معدلات التعلم والتكيف في هذه المجالات المعقدة التي تتطلب فهمًا سياقيًا عميقًا وأخلاقيات محددة؟ ثالثًا، يشير منحنى Log-Sigmoid إلى أن هناك مرحلة استقرار في التعلم. فليس من الواضح بعد إلى متى سيستمر هذا القانون في الصمود، أو متى سيبدأ الوكلاء في الوصول إلى سقف معين من الكفاءة، مما يقلل من معدل التعلم الإضافي. رابعًا، حذرت دراسات سابقة من جامعات مثل ستانفورد و MIT من خطر "التكيّف المفرط" (overfitting) لوكلاء الذكاء الاصطناعي مع بيئات معينة تم اختبارهم فيها. هذا يثير تساؤلات حول ما إذا كانت المهارات المكتسبة من بيئة معينة قابلة للنقل والتطبيق في سياقات مختلفة تمامًا. من وجهة نظر Glitch4Techs، إذا تم تأكيد هذا القانون بشكل مستقل، فإنه سيجبر الشركات على إعادة التفكير في استراتيجياتها للذكاء الاصطناعي، مع التركيز بشكل أكبر على نشر وكلاء الذكاء الاصطناعي في بيئات واقعية لتعزيز قدراتهم تلقائيًا. كما أنه يثير مخاوف أمنية محتملة؛ فكلما زاد تعلم الوكلاء من التفاعل في العالم الحقيقي، زاد احتمال تعرضهم للهجمات العدائية (adversarial attacks)، أو تسميم البيانات (data poisoning)، أو تطوير سلوكيات ناشئة غير متوقعة. سيكون من الضروري وضع أطر قوية للمسؤولية والرقابة لضمان أن هذا التعلم المستمر يخدم أهدافًا بناءة وآمنة. في النهاية، هذا التطور قد يعيد تعريف سباق الذكاء الاصطناعي، محولاً إياه من سباق للقوة الحاسوبية المطلقة إلى سباق للوصول إلى المستخدمين وقدرة الوكلاء على التكيف والتعلم المستمر في البيئة الحقيقية.