الأطفال يتفوقون على الذكاء الاصطناعي: فجوة البيانات تحدّ للنماذج الكبرى

مقدمة تحليلية

تتطلب نماذج اللغة الكبيرة (LLMs) حالياً مئات آلاف المرات من الكلمات التي يتعرض لها الإنسان لإتقان لغته الأم، مما يشكل تحدياً أساسياً في تطور الذكاء الاصطناعي. بعد أربع سنوات فقط من إطلاق ChatGPT، باتت القدرة على المحادثة الطبيعية مع الأنظمة أمراً مسلماً به، حيث أظهرت نماذج مثل Claude وDeepSeek ونماذج OpenAI’s GPT طلاقة ومرونة مقنعة. ومع ذلك، تبقى فجوة الكفاءة البياناتية بين الأطفال والآلات قائمة، كما يوضح مايكل سي. فرانك، عالم الإدراك بجامعة ستانفورد، مشيراً إلى أن النماذج تحرق "غابات كاملة وتكشط مجموع المعرفة البشرية لإعادة إنشاء إنجاز يحدث في غرف المعيشة لدينا خلال عام واحد".

تتطلب نماذج رائدة مثل Llama 3.1 من Meta، والتي أُطلقت قبل عامين، 15 تريليون توكن في مرحلة ما قبل التدريب، بينما قد تتطلب نماذج الجيل التالي ما يصل إلى 10 أضعاف هذه البيانات، وفقاً لإيثان جوتليب ويلكوكس من جامعة جورجتاون. هذا المسار غير مستدام، حيث يُتوقع أن ينضب "بئر البيانات المتاحة بسهولة" بحلول ثلاثينيات القرن الحالي.

التحليل التقني

تتجلى فجوة الكفاءة البياناتية في التباين الهائل بين متطلبات التدريب البشرية والآلية. يمكن لطفل في سن ما قبل المراهقة نشأ في بيئة لغوية غنية أن يكون قد استمع إلى ما يقارب 100 مليون كلمة. مع إضافة القراءة والكتابة، قد يرتفع هذا العدد إلى حوالي 300 مليون كلمة بحلول سن 20. على النقيض، تتطلب LLMs بيانات هائلة؛ فإذا طُبعت الكلمات المستخدمة لتدريب نموذج LLM حديث على ورق، فإن الكومة الناتجة ستتجاوز محطة الفضاء الدولية، بينما كومة الـ 100 مليون كلمة لطفل ستصل إلى 20 متراً فقط. يعود هذا التحدي إلى تاريخ البحث في اكتساب اللغة، حيث طرح عالم اللغويات نوم تشومسكي من MIT في الخمسينيات نظرية "فقر المحفز"، مجادلاً بأن اللغة معقدة للغاية، وأن تعرض الأطفال لها "محدود" جداً لتعلمها كلياً من التجربة، مما يستدعي وجود معرفة فطرية بالقواعد. هيمنت وجهة نظر تشومسكي، المعروفة بـ"النحو التوليدي"، على اللغويات لعقود في الولايات المتحدة، وأثرت بشكل كبير على الذكاء الاصطناعي في الخمسينيات والستينيات، مدفوعة بتمويل البنتاغون لترجمة الروسية وفهم الإنجليزية.

تطورت الأساليب التقنية؛ فبينما فشلت مقاربة "الذكاء الاصطناعي الرمزي" التي قامت على الترميز الصريح للقواعد اللغوية، والتي أدت إلى "شتاء الذكاء الاصطناعي" في السبعينيات، عادت الشبكات العصبية بقوة في العقد الثاني من الألفية الثالثة. بحلول عامي 2018 و2019، أظهرت نماذج BERT وGPT-2، المبنية على معمارية Transformer وتدربت على مليارات التوكنات، إمكانية التعلم من كميات هائلة من البيانات. في عام 2022، أثبت نجاح ChatGPT التجاري هذه الفرضية للجميع. ومع ذلك، تشير أليسون جوبنيك من جامعة كاليفورنيا في بيركلي إلى أن LLMs "ليست أدمغة"، بل هي "متعلمات إحصائية قوية" تفتقر إلى الخصائص البيولوجية المتطورة في القشرة الدماغية البشرية. لفهم هذه الفجوة، انطلقت مسابقة BabyLM السنوية قبل أربع سنوات، بتنظيم من أليكس واريستادت وليشيم تشوشن وآخرين، لتدريب النماذج على مجموعات بيانات "معقولة نمائياً" تبلغ 100 مليون كلمة (أو 10 ملايين لنموذج الرضع)، مستمدة من قصص الأطفال والمحادثات. أظهرت المسابقة أن مقاربات مثل "تعلم المناهج" (curriculum learning)، التي بدت واعدة في عام 2025، لم تكن فعالة كما هو متوقع. المفاجأة كانت في أداء GPT-BERT، بطل عام 2024، الذي تدرب على حوالي 100 مليون كلمة وتمكن من تجاوز أداء Llama 2 70B – الذي تدرب على ما يقارب 15,000 ضعف هذا القدر من البيانات – في أحد معايير BabyLM، مما يسلط الضوء على أن حجم البيانات ليس العامل الوحيد.

السياق وتأثير السوق

إن سد فجوة الكفاءة البياناتية له تداعيات مباشرة على أبحاث الذكاء الاصطناعي وتطبيقات السوق، خاصة في مجال اللغات الأقل استخداماً. يوضح ديفيد صامويل، باحث التعلم الآلي بجامعة أوسلو وأحد معماريي GPT-BERT، أن اللغات مثل التشيكية والنرويجية، واللغات الأقلية مثل السامي، قد لا يتوفر لها سوى عشرات الملايين من التوكنات للتدريب – وهو ما يعادل تقريباً تعرض الطفل. هذا التحدي يحفز تطوير نماذج لغوية قادرة على العمل بنفس كفاءة النماذج الإنجليزية ببيانات أقل بكثير. في محاولة لتقليد تجربة الطفل، بدأ مايكل فرانك قبل 15 عاماً مشروع SAYCam، بتسجيل ساعتين أسبوعياً من حياة ثلاثة أطفال بين ستة أشهر وعامين ونصف عبر كاميرات مثبتة على الرأس.

في عام 2024، قدم بريندون ليك، عالم الإدراك في برينستون، نموذجاً تدرب على 61 ساعة من بيانات SAYCam الخام، تعلم تحديد الكائنات وربطها بالكلمات دون الحاجة إلى تحيزات مسبقة، لكنه لم ينجح في محاكاة طفل في الثانية من عمره. هذا النقص دفع باحثين مثل يوري هاسون من برينستون، الذي قضى السنوات الخمس الماضية في مشروع لتسجيل أول 1000 يوم من حياة 17 طفلاً بـ 12 ساعة تسجيل يومياً، لإنشاء مجموعات بيانات أوسع. البيانات الناتجة، الموصوفة في ورقة أولية حديثة بتاريخ 2026.03.19.712982v1، تُظهر أن التحدي لا يزال يكمن في كيفية معالجة النماذج للبيانات الحسية المتعددة. فشلت محاولات دمج البيانات البصرية مع النصية في تحسين أداء نماذج BabyLM، مما يقترح أن الأطفال لا يكتسبون اللغة بمجرد المراقبة السلبية.

ترى أليسون جوبنيك أن الأطفال "يستكشفون بنشاط" ويختارون بياناتهم الخاصة، ويبحثون عن تجارب تزيد من "قدرتهم على إحداث تأثير متوقع على العالم". كما تشير إليزابيث بونويتز من هارفارد إلى أن الأطفال لا يكتفون بتحليل الأدلة، بل "يفكرون أيضاً في المعلم" وفي دوافعهم، وهي أبعاد اجتماعية لا تزال غائبة عن تدريب النماذج الحالية. في حين أبدت Meta اهتماماً بالاستلهام من الأطفال، وشاركت في فرع BabyLM متعدد الوسائط، وأعلنت عن معيار جديد لتدريب النماذج على لقطات كاميرات رأس الأطفال بالتعاون مع فرانك، فإن شركات مثل Google DeepMind وOpenAI تلتزم الصمت. هذا يشير إلى أن الجيل القادم من الذكاء الاصطناعي، وليس الجيل الحالي القائم على Transformer، هو من قد يستفيد من دروس علم النفس التنموي، بينما تركز مبادرات مثل NanoGPT Slowrun، التي أطلقتها Q Labs في مارس 2026، على الكفاءة البياناتية بمعزل عن النمذجة البشرية.

رؤية Glitch4Techs

إن فجوة الكفاءة البياناتية هي إخفاق هيكلي أساسي في هندسة الذكاء الاصطناعي الحالية، وليست مجرد تحدٍ لوجستي. رغم النجاحات الواضحة لنماذج مثل ChatGPT، فإنها لا تمثل تقدماً نوعياً في فهم آلية التعلم بقدر ما هي إنجاز في استغلال حجم البيانات الهائل. قدرة GPT-BERT، بطل BabyLM لعام 2024، على التفوق على Llama 2 70B على أحد المعايير باستخدام 15,000 مرة أقل من البيانات، دليل قاطع على أن المقاربة الحالية تعتمد على القوة الغاشمة للبيانات وليس على كفاءة التعلم. هذا التركيز المستمر على تكبير النماذج يتجاهل بشكل صارخ الآليات المعقدة للاستكشاف النشط والتعلم الاجتماعي التي تميز الأطفال، كما يتضح من فشل "تعلم المناهج" في BabyLM.

إن الرهان على أن نماذج الجيل التالي ستحتاج 10 أضعاف البيانات المتاحة حالياً يضمن أن "بئر البيانات" سيجف في ثلاثينيات القرن الحالي، مما يترك الصناعة بلا حلول مستدامة.