الذكاء الاصطناعي أكبر من مجرد كتابة الأبحاث وتعديل النصوص.. متى ننتقل من تنظيم الاستخدام إلى صناعة المستقبل؟
قراءة نقدية في اختزال الذكاء الاصطناعي داخل الجامعات المصرية في التدقيق اللغوي وكشف الانتحال وضوابط النشر، بينما يعيد العالم تشكيل العلوم والهندسة والطب والصناعة والاقتصاد باستخدام أنظمة ذكية قادرة على الاكتشاف والتصميم واتخاذ القرار
- الذكاء الاصطناعي أكبر من مجرد كتابة الأبحاث وتعديل النصوص
- متى ننتقل من تنظيم الاستخدام إلى صناعة المستقبل؟
- قراءة نقدية في اختزال الذكاء الاصطناعي داخل الجامعات المصرية في التدقيق اللغوي وكشف الانتحال وضوابط النشر، بينما يعيد العالم تشكيل العلوم والهندسة والطب والصناعة والاقتصاد باستخدام أنظمة ذكية قادرة على الاكتشاف والتصميم واتخاذ القرار
- أستاذ هندسة الحاسبات والذكاء الاصطناعي
الذكاء الاصطناعي أكبر من مجرد كتابة الأبحاث وتعديل النصوص.. متى ننتقل من تنظيم الاستخدام إلى صناعة المستقبل؟
قراءة نقدية في اختزال الذكاء الاصطناعي داخل الجامعات المصرية في التدقيق اللغوي وكشف الانتحال وضوابط النشر، بينما يعيد العالم تشكيل العلوم والهندسة والطب والصناعة والاقتصاد باستخدام أنظمة ذكية قادرة على الاكتشاف والتصميم واتخاذ القرار
بقلم: الأستاذ الدكتور وائل بدوي
أستاذ هندسة الحاسبات والذكاء الاصطناعي
كلية الهندسة – الجامعة المصرية الروسية
حين يدور الحديث عن الذكاء الاصطناعي في بعض الأوساط الجامعية، نجد أنفسنا أمام مجموعة متكررة من الأسئلة: هل يجوز للباحث استخدامه في كتابة الأبحاث؟ هل يجب الإفصاح عن استخدامه؟ كيف نكتشف النصوص التي أنتجتها الآلة؟ وهل يمكن أن يتسبب في مراجع وهمية أو نتائج علمية غير حقيقية؟
هذه الأسئلة مشروعة، بل ضرورية لحماية النزاهة الأكاديمية ومصداقية البحث العلمي. لكنها تكشف في الوقت نفسه عن مشكلة أعمق تتعلق بالطريقة التي ننظر بها إلى الذكاء الاصطناعي، وحدود فهمنا لدوره في التحول العلمي والتكنولوجي الجاري.
فبينما تنشغل بعض المؤسسات بوضع ضوابط لاستخدام أدوات الذكاء الاصطناعي في كتابة النصوص وتحريرها، تتقدم مراكز بحثية وجامعات وشركات تكنولوجية نحو تطبيقات أكثر عمقًا، تشمل اكتشاف الأدوية، وتصميم المواد الجديدة، والتحكم في الأنظمة الصناعية، وتطوير الروبوتات، وتسريع المحاكاة العلمية، وبناء التوائم الرقمية، وتحليل الجينوم، وإدارة شبكات الطاقة، واكتشاف الثغرات الأمنية، وتحسين العمليات الهندسية المعقدة.
إن اختزال الذكاء الاصطناعي في كتابة الأبحاث يشبه اختزال اختراع الكهرباء في تحسين الإضاءة، أو اختزال الإنترنت في إرسال البريد الإلكتروني.
فالذكاء الاصطناعي ليس مجرد أداة لتحسين اللغة، ولا مجرد نظام للإجابة عن الأسئلة، ولا حتى مجرد تقنية لتوليد النصوص والصور. إنه تحول عميق في طريقة إنتاج المعرفة، وتصميم الأنظمة، وتحليل الظواهر، واتخاذ القرارات، والتفاعل بين الإنسان والآلة.
ومن هنا، فإن السؤال الذي ينبغي أن تطرحه الجامعات المصرية ليس فقط: كيف نمنع إساءة استخدام الذكاء الاصطناعي؟
بل أيضًا: كيف نستخدم الذكاء الاصطناعي لاكتشاف ما لم نكن قادرين على اكتشافه، وتصميم ما لم نكن قادرين على تصميمه، وحل مشكلات عجزت عنها الأساليب التقليدية؟
أولًا: أزمة اختزال الذكاء الاصطناعي في التطبيقات اللغوية
شهد العالم خلال السنوات الأخيرة انتشارًا واسعًا لتطبيقات الذكاء الاصطناعي التوليدي، خصوصًا النماذج اللغوية الكبيرة القادرة على إنتاج النصوص والترجمة والتلخيص والمساعدة في البرمجة وتحليل المستندات.
وقد أدى هذا الانتشار إلى تحول هذه التطبيقات إلى الواجهة الأكثر وضوحًا للذكاء الاصطناعي لدى الجمهور، بل ولدى قطاعات من المجتمع الأكاديمي.
لكن الذكاء الاصطناعي أوسع بكثير من النماذج اللغوية.
فهو يشمل التعلم الآلي، والتعلم العميق، والتعلم المعزز، والرؤية الحاسوبية، والذكاء متعدد الوسائط، والتعلم السببي، والذكاء العصبي الرمزي، والأنظمة متعددة الوكلاء، والذكاء المتجسد، والتعلم الفيدرالي، والنماذج الفيزيائية المدعومة بالبيانات، وغيرها من المجالات التي تمتلك تطبيقات علمية وصناعية واسعة.
وهناك فارق جوهري بين استخدام نموذج لغوي لصياغة فقرة بحثية، واستخدام نموذج تعلم عميق لتحليل صور طبية واكتشاف مؤشرات مرضية يصعب تمييزها بالعين البشرية.
كما أن استخدام الذكاء الاصطناعي لتلخيص مقالة منشورة يختلف جذريًا عن استخدامه لتطوير نموذج رياضي يتنبأ بسلوك منظومة صناعية معقدة أو يساعد على اكتشاف مادة ذات خصائص جديدة.
الأول يتعلق بكفاءة التعامل مع المعلومات الموجودة.
أما الثاني فيتعلق بتوسيع قدراتنا على إنتاج المعرفة نفسها.
وهنا تظهر المشكلة عندما تصبح السياسات الجامعية المتعلقة بالذكاء الاصطناعي محصورة في التعامل مع النصوص، وكأن هذه التكنولوجيا لم تدخل بعد إلى المعامل والمصانع والمستشفيات وشبكات الاتصالات وأنظمة التحكم.
إن تنظيم استخدام الذكاء الاصطناعي في الكتابة العلمية أمر مهم، لكنه لا ينبغي أن يصبح بديلًا عن تطوير القدرة الوطنية على استخدام الذكاء الاصطناعي في الاكتشاف العلمي والابتكار التكنولوجي.
ثانيًا: من الذكاء الاصطناعي الذي يكتب عن العلم إلى الذكاء الاصطناعي الذي يشارك في اكتشافه
أحد أهم التحولات العلمية المعاصرة هو الانتقال من استخدام الذكاء الاصطناعي لمعالجة المعلومات إلى استخدامه ضمن عمليات الاكتشاف العلمي.
ويظهر ذلك بوضوح في مجالات مثل الكيمياء وعلوم المواد والبيولوجيا الجزيئية.
ففي عام 2024، مُنحت جائزة نوبل في الكيمياء لأعمال تتعلق بتصميم البروتينات والتنبؤ ببنيتها باستخدام الحوسبة والذكاء الاصطناعي، وهو مثال بارز على انتقال هذه التكنولوجيا من التطبيقات الرقمية التقليدية إلى قلب العلوم الطبيعية.
لقد أظهرت أنظمة مثل AlphaFold أن التعلم العميق يستطيع تقديم مساهمة علمية كبيرة في التنبؤ بالبنية ثلاثية الأبعاد للبروتينات، وهي مشكلة ظلت لعقود من التحديات الأساسية في البيولوجيا الجزيئية.
لكن من المهم عدم المبالغة في تفسير هذا الإنجاز.
فالتنبؤ ببنية البروتين لا يعني بالضرورة فهم جميع وظائفه البيولوجية، ولا يلغي الحاجة إلى التحقق التجريبي، ولا يجعل النموذج بديلًا عن العلماء.
القيمة الحقيقية تكمن في قدرته على تقليل مساحة البحث، وتوجيه التجارب، وتقديم فرضيات أكثر دقة.
وهذا هو النموذج الذي ينبغي أن نفكر فيه داخل الجامعات المصرية.
بدلًا من الاكتفاء بتعليم الباحث كيف يستخدم الذكاء الاصطناعي لكتابة مراجعة أدبية، لماذا لا نعلمه كيف يستخدمه لاكتشاف أنماط جديدة في البيانات العلمية؟
ولماذا لا نطور معامل تجمع بين الذكاء الاصطناعي والتجارب الفيزيائية والكيميائية والبيولوجية؟
ولماذا لا نربط الباحثين في علوم الحاسب بالباحثين في الطب والهندسة والزراعة والطاقة والبيئة؟
إن المستقبل لن يكون للجامعات التي تستخدم الذكاء الاصطناعي لتسريع كتابة الأوراق العلمية فقط، بل للجامعات التي تستخدمه لتطوير أسئلة علمية جديدة والإجابة عنها بأدلة قابلة للتحقق.
ثالثًا: الذكاء الاصطناعي في الطب.. من قراءة التقارير إلى اكتشاف الأمراض
في المجال الطبي، تتجاوز تطبيقات الذكاء الاصطناعي مسألة كتابة التقارير أو تلخيص الملفات الطبية.
فالرؤية الحاسوبية تستطيع المساعدة في تحليل صور الأشعة والرنين المغناطيسي والتصوير المقطعي والصور المجهرية، بينما يمكن لنماذج التعلم الآلي تحليل الإشارات الحيوية والسجلات السريرية لدعم التنبؤ بالمخاطر الصحية.
كما يمكن استخدام الذكاء الاصطناعي في اكتشاف الأدوية، وتحليل التفاعلات الجزيئية، وتطوير أنظمة لدعم القرار الطبي.
لكن هذه التطبيقات تفرض تحديات أكثر تعقيدًا من مجرد الإفصاح عن استخدام أداة لغوية.
فالنموذج الطبي يجب أن يخضع لتقييم دقيق للحساسية والنوعية، ومعدلات الأخطاء، والتحيز بين الفئات السكانية، والقدرة على التعميم على مستشفيات وأجهزة مختلفة.
كما يجب تقييم أثر استخدامه على سلامة المرضى وسير العمل السريري، وليس الاكتفاء بإظهار دقة مرتفعة على مجموعة بيانات محدودة.
وقد يحقق نموذج نتائج ممتازة داخل مختبر بحثي، ثم يتراجع أداؤه عند استخدامه في بيئة طبية مختلفة بسبب تغير خصائص المرضى أو أجهزة التصوير أو بروتوكولات جمع البيانات.
وهذا يوضح أن التحدي الحقيقي في الذكاء الاصطناعي الطبي ليس فقط تطوير الخوارزمية، بل بناء منظومة تحقق واعتماد ومتابعة مستمرة.
وبالنسبة إلى مصر، فإن الفرصة كبيرة لتطوير حلول تخدم الاحتياجات الصحية المحلية، بشرط إتاحة البيانات بصورة قانونية وأخلاقية، وتعزيز التعاون بين كليات الطب والهندسة والحاسبات، وتطوير بروتوكولات تحقق سريري مناسبة.
إن استخدام الذكاء الاصطناعي لكتابة تقرير طبي قد يوفر الوقت، لكن استخدامه بصورة موثوقة لاكتشاف مرض في مرحلة مبكرة قد يغير حياة إنسان.
وهذا هو الفارق بين تحسين الإجراءات وإحداث تحول علمي حقيقي.
رابعًا: الذكاء الاصطناعي الصناعي.. هل نريد مصانع تستخدم الخوارزميات أم خوارزميات تصنع مصانع المستقبل؟
تواجه الصناعة العالمية تحولًا متسارعًا نحو الأنظمة الذكية، حيث أصبحت البيانات الصناعية عنصرًا أساسيًا في تحسين الإنتاج والجودة والصيانة وإدارة الموارد.
وتشمل تطبيقات الذكاء الاصطناعي الصناعي التنبؤ بالأعطال قبل وقوعها، والكشف الآلي عن عيوب التصنيع، وتحسين استهلاك الطاقة، وتخطيط الإنتاج، وإدارة سلاسل الإمداد، وتطوير أنظمة تحكم تتكيف مع تغير ظروف التشغيل.
ومن أكثر الاتجاهات أهمية في هذا المجال التوائم الرقمية، وهي نماذج رقمية ترتبط بمنظومات مادية حقيقية من خلال البيانات والمحاكاة والتحليل.
ويمكن للتوأم الرقمي أن يساعد المهندسين على اختبار سيناريوهات التشغيل والصيانة والتحسين قبل تنفيذها على المعدات الفعلية.
لكن وجود نموذج رقمي ثلاثي الأبعاد لمصنع لا يعني بالضرورة امتلاك توأم رقمي متكامل.
فالتوأم الرقمي الحقيقي يحتاج إلى نماذج موثوقة، وبيانات تشغيلية، وآليات تحديث، وحدود واضحة لدقة التنبؤ، وإجراءات للتحقق من القرارات قبل تطبيقها.
وعندما يُدمج الذكاء الاصطناعي مع التوائم الرقمية، يصبح بالإمكان تطوير أنظمة تساعد على تحسين الأداء الصناعي بصورة مستمرة.
غير أن هذه الأنظمة تثير تحديات تتعلق بالأمان السيبراني، والسلامة التشغيلية، والاعتماد المفرط على التوصيات الآلية.
فإذا أخطأ نموذج لغوي في صياغة فقرة، يمكن تصحيح الخطأ بسهولة نسبيًا.
أما إذا أصدر نظام ذكي توصية تشغيلية غير آمنة لمنشأة صناعية، فقد تكون العواقب مادية وبشرية.
ولذلك، فإن الحوكمة في الذكاء الاصطناعي الصناعي يجب أن تتجاوز قواعد الإفصاح إلى ضمانات السلامة والاختبار والتحقق والمساءلة.
وهنا ينبغي أن تتجه الجامعات المصرية نحو إنشاء معامل بحثية تجمع بين الذكاء الاصطناعي وهندسة التحكم والأنظمة المدمجة والروبوتات والتصنيع المتقدم.
فمستقبل الصناعة لا يتطلب فقط خريجًا يعرف كيفية استخدام تطبيقات الذكاء الاصطناعي، بل مهندسًا يستطيع تصميم الأنظمة الذكية والتحقق من أدائها وسلامتها.
خامسًا: الذكاء الاصطناعي المتجسد.. عندما يخرج الذكاء من شاشة الحاسوب إلى العالم الحقيقي
من المجالات التي تستحق اهتمامًا أكاديميًا أكبر الذكاء الاصطناعي المتجسد، الذي يربط الخوارزميات بالأجسام المادية والروبوتات وأجهزة الاستشعار والمحركات.
فالذكاء الاصطناعي في هذه الحالة لا يقتصر على تحليل المعلومات أو إنتاج الإجابات، بل يصبح جزءًا من منظومة تتفاعل مع البيئة الفيزيائية.
وتشمل التطبيقات الروبوتات الصناعية، والمركبات ذاتية القيادة، والطائرات غير المأهولة، والروبوتات الطبية، وأنظمة المساعدة الذكية، والآلات الزراعية المستقلة.
وتتطلب هذه التطبيقات الجمع بين الرؤية الحاسوبية، والتعلم المعزز، وتخطيط الحركة، والتحكم، والاستشعار، والنمذجة الفيزيائية.
لكن التحدي الأساسي هو أن العالم الحقيقي لا يتصرف دائمًا كما تتوقعه النماذج.
فقد تتغير ظروف الإضاءة، أو تتعطل أجهزة الاستشعار، أو تظهر عوائق غير متوقعة، أو تتدهور جودة البيانات.
ولهذا، فإن تطوير روبوت ذكي لا يعني فقط تدريبه على تنفيذ مهمة داخل بيئة محاكاة، بل إثبات قدرته على العمل بأمان في ظروف واقعية متنوعة.
ومن هنا، فإن أحد المجالات الواعدة للبحث العلمي في مصر يتمثل في تطوير أنظمة ذكاء اصطناعي متجسدة تناسب الاحتياجات المحلية، مثل الروبوتات الزراعية، وأنظمة التفتيش الصناعي، والمركبات الذكية، وأنظمة مراقبة البنية التحتية.
إننا بحاجة إلى الانتقال من تعليم الطلاب كيفية محادثة النماذج الذكية إلى تعليمهم كيفية بناء آلات ذكية قادرة على الإدراك والتخطيط والتفاعل الآمن مع العالم.
سادسًا: الذكاء الاصطناعي الوكيلي.. من تقديم الاقتراحات إلى تنفيذ المهام
يشهد الذكاء الاصطناعي تطورًا نحو أنظمة تعتمد على الوكلاء الأذكياء القادرين على تقسيم الأهداف إلى مهام، واستخدام أدوات خارجية، والتفاعل مع البرمجيات والبيانات، وتنفيذ خطوات متعددة لتحقيق نتيجة محددة.
ويختلف هذا الاتجاه عن الاستخدام التقليدي للنماذج اللغوية.
فبدلًا من أن يطلب المستخدم إجابة عن سؤال، يمكن أن يكلف نظامًا ذكيًا بتحليل مجموعة بيانات، وتشغيل برنامج، ومقارنة نتائج، وإعداد تقرير، مع وجود مستويات مختلفة من الإشراف البشري.
وفي البحث العلمي، قد تساعد الأنظمة الوكيلة على تنظيم سير العمل التجريبي، وإدارة عمليات المحاكاة، واختبار الفرضيات، ومقارنة النماذج.
لكن هذه القدرات لا تعني أن الأنظمة الحالية تمتلك استقلالية علمية كاملة أو حكمًا بشريًا مكافئًا.
فقد ترتكب أخطاء متسلسلة، أو تستخدم أدوات بطريقة غير مناسبة، أو تتخذ خطوات مبنية على افتراضات غير صحيحة.
كما قد تتعرض لهجمات تستهدف التعليمات والبيانات التي تعتمد عليها.
ولذلك، فإن تطوير الذكاء الاصطناعي الوكيلي يجب أن يصاحبه اهتمام بالتحقق من الصلاحيات، وتوثيق الإجراءات، ووضع حدود واضحة للاستقلالية، وإتاحة إمكانية الإيقاف والتراجع عن القرارات.
ومن الخطأ أن نكتفي بتدريس كيفية كتابة الأوامر النصية للنماذج، بينما يتجه البحث العلمي نحو تصميم أنظمة ذكية متعددة المكونات تتفاعل مع البرمجيات والمعدات وقواعد البيانات.
سابعًا: الذكاء الاصطناعي والأمن السيبراني.. سباق بين الدفاع والهجوم
يمثل الأمن السيبراني أحد أكثر المجالات تأثرًا بتطور الذكاء الاصطناعي.
فيمكن استخدام التعلم الآلي لاكتشاف الأنماط غير المعتادة في حركة الشبكات، وتحليل السجلات الأمنية، وتصنيف البرمجيات الخبيثة، ودعم الاستجابة للحوادث.
وفي المقابل، قد تُستخدم تقنيات الذكاء الاصطناعي لتطوير هجمات أكثر تعقيدًا أو تحسين أساليب الخداع الرقمي.
كما أن الأنظمة الذكية نفسها أصبحت هدفًا للهجمات، بما يشمل تسميم بيانات التدريب، والتلاعب بالمدخلات، واستغلال التعليمات، واستخراج المعلومات الحساسة.
وهذا يفرض الحاجة إلى مجال بحثي متكامل يجمع بين الأمن السيبراني والذكاء الاصطناعي الموثوق.
فلا يكفي تطوير نموذج يحقق دقة مرتفعة في اكتشاف الهجمات داخل مجموعة بيانات تجريبية.
بل يجب اختبار أدائه في مواجهة هجمات جديدة، وتغير أنماط البيانات، ومحاولات التلاعب المتعمد.
كما ينبغي قياس معدلات الإنذارات الخاطئة، وتكاليف التشغيل، وزمن الاستجابة، ومدى قابلية تفسير القرارات.
وبالنسبة إلى الجامعات المصرية، فإن هذا المجال يمثل فرصة استراتيجية لتطوير تقنيات وطنية تدعم حماية البنية التحتية الرقمية والقطاعات الحيوية.
لكن تحقيق ذلك يتطلب الانتقال من مشروعات تصنيف البيانات التقليدية إلى أبحاث تجريبية أكثر عمقًا تتضمن نماذج تهديد واقعية واختبارات متكررة وقياسات قابلة للتحقق.
ثامنًا: الذكاء الاصطناعي في الطاقة والمياه والزراعة.. أين أولوياتنا الوطنية؟
من أهم أوجه النقد التي يمكن توجيهها إلى بعض الخطابات الأكاديمية حول الذكاء الاصطناعي أنها تتعامل معه باعتباره موضوعًا تقنيًا منفصلًا عن تحديات التنمية.
لكن القيمة الحقيقية لهذه التكنولوجيا تظهر عندما تُستخدم لمعالجة مشكلات اقتصادية واجتماعية وبيئية محددة.
ففي قطاع الطاقة، يمكن للذكاء الاصطناعي المساعدة في التنبؤ بالطلب، وتحسين إدارة الشبكات، ودعم دمج مصادر الطاقة المتجددة، واكتشاف الأعطال.
وفي قطاع المياه، يمكن استخدامه لتحليل أنماط الاستهلاك، والتنبؤ بالطلب، والكشف عن التسرب، وتحسين تشغيل محطات المعالجة والتحلية.
وفي الزراعة، يمكن توظيف الرؤية الحاسوبية والاستشعار عن بعد وتحليل البيانات لدعم اكتشاف أمراض المحاصيل، وتحسين الري، وتقدير الإنتاجية.
وهذه المجالات ذات أهمية خاصة لمصر في ظل التحديات المرتبطة بالموارد المائية والطاقة والأمن الغذائي.
لكن تطبيق الذكاء الاصطناعي فيها يحتاج إلى بيانات محلية عالية الجودة، ونماذج تراعي الظروف البيئية والمناخية، وتعاون فعلي بين الباحثين والجهات المسؤولة عن التشغيل.
ولا يمكن افتراض أن نموذجًا حقق نتائج جيدة في دولة أخرى سيحقق الأداء نفسه داخل البيئة المصرية.
فالفروق في البنية التحتية والمناخ والموارد وأنماط التشغيل قد تؤثر بصورة جوهرية في النتائج.
ولهذا، فإن بناء مجموعات بيانات وطنية موثوقة، مع احترام متطلبات الخصوصية والأمن، يمثل أولوية لا تقل أهمية عن تطوير الخوارزميات.
إن الجامعة التي تستخدم الذكاء الاصطناعي لتحسين كتابة بحث عن أزمة المياه تحقق فائدة محدودة، أما الجامعة التي تطور نموذجًا موثوقًا يساعد على تحسين إدارة المياه، فهي تسهم بصورة مباشرة في مواجهة الأزمة.
تاسعًا: النماذج العلمية المؤسسة على الفيزياء.. لماذا لا تكفي البيانات وحدها؟
شهد التعلم العميق نجاحات كبيرة في مجالات متعددة، لكنه يواجه تحديات عندما تكون البيانات محدودة أو عندما يجب أن تلتزم النتائج بقوانين فيزيائية معروفة.
ومن هنا برزت اتجاهات تجمع بين التعلم الآلي والنمذجة الفيزيائية، مثل الشبكات العصبية المسترشدة بالفيزياء والنماذج الهجينة.
وتسعى هذه الأساليب إلى دمج المعرفة العلمية السابقة مع قدرات التعلم من البيانات.
فعوضًا عن تدريب نموذج على مجموعة كبيرة من الأمثلة دون قيود، يمكن إدخال معادلات أو شروط فيزيائية ضمن عملية التعلم.
وقد يكون ذلك مفيدًا في بعض تطبيقات انتقال الحرارة، وديناميكا الموائع، والأنظمة الميكانيكية، والطاقة، والمحاكاة الهندسية.
لكن هذه النماذج ليست حلًا سحريًا، وقد تواجه صعوبات في التدريب والدقة والتعميم، خصوصًا في المشكلات المعقدة أو متعددة المقاييس.
ومع ذلك، فإنها تمثل اتجاهًا بحثيًا مهمًا يستحق اهتمام كليات الهندسة والعلوم.
وهنا يظهر سؤال جوهري يتعلق بالمناهج الجامعية.
هل نعد طلاب الذكاء الاصطناعي لفهم الرياضيات والفيزياء والتحكم والتحسين، أم نكتفي بتعليمهم استخدام مكتبات برمجية جاهزة؟
فمن دون أساس علمي قوي، قد يتحول الذكاء الاصطناعي إلى ممارسة تقنية سطحية تعتمد على تشغيل النماذج دون فهم حدودها.
عاشرًا: النماذج الأساسية والذكاء متعدد الوسائط.. مستقبل يتجاوز النص
تتجه أبحاث الذكاء الاصطناعي نحو نماذج قادرة على معالجة أنواع متعددة من البيانات، مثل النصوص والصور والصوت والفيديو والإشارات الحسية.
وتتيح هذه النماذج إمكانات جديدة في المجالات الطبية والصناعية والتعليمية والأمنية.
فقد يجمع نظام طبي بين الصور الشعاعية والسجلات السريرية والبيانات المخبرية.
وقد يجمع نظام صناعي بين الصور الحرارية والاهتزازات وقراءات المستشعرات وسجلات الصيانة.
وقد يجمع نظام لإدارة المدن بين بيانات المرور والطقس والطاقة والبنية التحتية.
وتكمن أهمية هذه النماذج في قدرتها المحتملة على بناء تمثيلات أكثر شمولًا للظواهر المعقدة.
لكن دمج مصادر البيانات لا يضمن تلقائيًا تحسين النتائج.
فقد يؤدي إلى إدخال ضوضاء إضافية، أو تضخيم التحيز، أو زيادة التعقيد الحسابي، أو إخفاء أخطاء يصعب اكتشافها.
ولهذا، فإن تطوير الذكاء متعدد الوسائط يتطلب منهجيات صارمة للتحقق من جودة البيانات، وتقييم مساهمة كل مصدر، وقياس قدرة النموذج على التعميم.
ومن المهم أن تدرك الجامعات أن مستقبل الذكاء الاصطناعي لن يكون محصورًا في المحادثات النصية.
بل سيشمل أنظمة تتعامل مع العالم من خلال صور وأصوات وإشارات وبيانات فيزيائية متزامنة.
الحادي عشر: الذكاء الاصطناعي السببي.. من اكتشاف العلاقات إلى فهم الأسباب
تعتمد كثير من تطبيقات التعلم الآلي على اكتشاف أنماط الارتباط بين المتغيرات.
لكن الارتباط لا يعني السببية.
فقد يستطيع نموذج التنبؤ بحدوث ظاهرة معينة دون أن يفهم العوامل التي تسببها.
وهذا الفرق بالغ الأهمية في الطب والاقتصاد والتعليم والسياسات العامة.
فإذا وجد نموذج علاقة بين متغيرين، فلا يجوز افتراض أن تغيير أحدهما سيؤدي بالضرورة إلى تغيير الآخر.
ومن هنا تأتي أهمية التعلم السببي والاستدلال السببي، اللذين يسعيان إلى تطوير أدوات تساعد على التمييز بين العلاقات الارتباطية والعلاقات السببية، ضمن افتراضات ومنهجيات محددة.
وتتطلب هذه التطبيقات فهمًا عميقًا للإحصاء وتصميم التجارب والنمذجة الرياضية.
وهي مجالات ينبغي تعزيز حضورها في برامج الذكاء الاصطناعي وعلوم البيانات.
فالمجتمع لا يحتاج فقط إلى أنظمة تتنبأ بما قد يحدث، بل إلى أدوات تساعد على فهم لماذا يحدث، وما الذي قد يتغير عند التدخل.
وهذا انتقال مهم من الذكاء الاصطناعي التنبؤي إلى الذكاء الاصطناعي الداعم للفهم العلمي واتخاذ القرار.
الثاني عشر: الذكاء الاصطناعي والبحث العلمي الآلي.. هل نقترب من المختبر الذاتي؟
من الاتجاهات البحثية الواعدة تطوير مختبرات تستخدم الأتمتة والروبوتات والذكاء الاصطناعي لتنفيذ أجزاء من دورة البحث العلمي.
فقد يساعد النظام على اقتراح تجربة، واختيار متغيراتها، وتشغيل أجهزة القياس، وتحليل النتائج، ثم اقتراح تجربة تالية.
ويُعرف هذا الاتجاه في بعض تطبيقاته بالمختبرات ذاتية القيادة.
لكن وصف المختبر بأنه ذاتي القيادة لا يعني غياب دور العلماء أو انتهاء الحاجة إلى الحكم البشري.
فالأنظمة الآلية تحتاج إلى أهداف علمية واضحة، ونماذج مناسبة، وقيود سلامة، وآليات تحقق من النتائج.
كما أن نجاحها يعتمد على طبيعة المجال البحثي ومدى قابلية التجارب للأتمتة.
ومع ذلك، فإن هذه التطبيقات تفتح آفاقًا مهمة في اكتشاف المواد والكيمياء والهندسة.
وقد تصبح القدرة على دمج الذكاء الاصطناعي مع الأجهزة المعملية والروبوتات واحدة من المهارات الأساسية في البحث العلمي خلال السنوات المقبلة.
وهنا ينبغي أن نسأل: هل تستعد معاملنا الجامعية لهذا التحول؟
أم أننا ما زلنا نناقش الذكاء الاصطناعي باعتباره أداة لكتابة المقدمة والخاتمة؟
الثالث عشر: المشكلة ليست في قلة استخدام الذكاء الاصطناعي.. بل في طبيعة استخدامه
قد يبدو أن انتشار أدوات الذكاء الاصطناعي بين الطلاب والباحثين دليل على تقدم الجامعات في التحول الرقمي.
لكن كثافة الاستخدام لا تعني بالضرورة عمق الاستفادة.
فهناك فرق بين جامعة يستخدم طلابها أدوات جاهزة للإجابة عن الأسئلة، وجامعة تطور نماذج جديدة وتختبرها وتنشر نتائجها بصورة قابلة لإعادة الإنتاج.
وهناك فرق بين باحث يعتمد على الذكاء الاصطناعي لتوليد أفكار عامة، وباحث يوظفه لتصميم تجربة علمية واختبار فرضية محددة.
كما أن هناك فرقًا بين مؤسسة تشتري اشتراكات في تطبيقات تجارية، ومؤسسة تبني قدرات بشرية وبحثية تمكنها من تطوير حلول تناسب احتياجاتها.
ولا يعني ذلك أن استخدام الأدوات الجاهزة أمر سلبي.
فقد تكون هذه الأدوات فعالة واقتصادية، وليس من الضروري أن تطور كل جامعة نموذجًا أساسيًا ضخمًا من الصفر.
لكن المشكلة تظهر عندما يصبح استهلاك التكنولوجيا بديلًا عن فهمها أو القدرة على تقييمها وتطوير تطبيقاتها.
إن امتلاك أدوات الذكاء الاصطناعي لا يعني امتلاك القدرة العلمية على الابتكار باستخدامها.
وهذا التمييز ينبغي أن يكون حاضرًا في تقييم الجامعات وبرامجها الأكاديمية.
الرابع عشر: هل نحتاج إلى لجان لضبط الذكاء الاصطناعي أم مراكز لصناعته؟
الإجابة هي أننا نحتاج إلى الاثنين، ولكن بوظائف واضحة ومتكاملة.
فاللجان المعنية بالنزاهة والحوكمة ضرورية لحماية الباحثين والمجتمع من الاستخدامات غير المسؤولة.
لكنها لا تستطيع وحدها بناء منظومة بحثية متقدمة.
وفي المقابل، فإن إنشاء مراكز للذكاء الاصطناعي دون حوكمة مناسبة قد يؤدي إلى تطوير أنظمة غير موثوقة أو غير آمنة.
ولهذا، فإن الجامعات بحاجة إلى منظومة مؤسسية تجمع بين البحث والتطوير والاختبار والتقييم والحوكمة.
ويجب أن تكون مراكز الذكاء الاصطناعي متعددة التخصصات، بحيث لا تقتصر على أقسام علوم الحاسب، بل تضم باحثين من الهندسة والطب والعلوم والزراعة والاقتصاد والعلوم الاجتماعية.
كما ينبغي أن ترتبط هذه المراكز بمشكلات حقيقية قابلة للقياس، وأن تتعاون مع الصناعة والجهات الحكومية والمجتمع.
فالقيمة العلمية لا تتحقق بمجرد الإعلان عن إنشاء مركز جديد، وإنما بما ينتجه من معرفة وأدوات وبيانات ونماذج وتطبيقات موثوقة.
ومن المهم أيضًا أن تكون هناك معايير واضحة لتقييم أثر هذه المراكز، تشمل جودة الأبحاث، وقابلية إعادة الإنتاج، ونقل التكنولوجيا، وتدريب الباحثين، وحجم المشكلات التي تسهم في حلها.
الخامس عشر: من تدريب الباحث على كتابة الأوامر إلى تأهيله لبناء الأنظمة الذكية
انتشرت خلال الفترة الأخيرة دورات تدريبية تركز على ما يعرف بهندسة الأوامر، أو كيفية صياغة التعليمات للنماذج التوليدية.
وهذه مهارة مفيدة، لكنها لا تمثل وحدها أساسًا كافيًا للتخصص في الذكاء الاصطناعي.
فالباحث المتقدم يحتاج إلى فهم النماذج الرياضية والخوارزميات، وأساليب التدريب والتقييم، وجودة البيانات، والتحقق الإحصائي، والأمن والخصوصية، وأخلاقيات الاستخدام.
كما يحتاج إلى القدرة على تصميم التجارب، واختيار خطوط الأساس المناسبة، وتحليل الأخطاء، وتقدير عدم اليقين.
وفي التطبيقات الهندسية، يحتاج أيضًا إلى فهم الأنظمة الفيزيائية وقيود التشغيل والسلامة.
ولذلك، فإن تطوير التعليم الجامعي يجب أن يتجاوز التدريب على الأدوات إلى بناء الكفاءات العلمية والهندسية.
فالأدوات التجارية تتغير بسرعة، وقد تختفي تطبيقات وتظهر أخرى خلال فترة قصيرة.
أما الأسس العلمية والرياضية والمنهجية، فهي التي تمنح الباحث القدرة على التكيف مع الأجيال الجديدة من التكنولوجيا.
إن تعليم الطالب كيف يطرح سؤالًا على الذكاء الاصطناعي مفيد، لكن تعليمه كيف يصمم نظامًا ذكيًا، ويختبره، ويفهم أخطاءه، ويضمن سلامته، هو الاستثمار الحقيقي في المستقبل.
السادس عشر: أين البنية التحتية للبحث العلمي في الذكاء الاصطناعي؟
لا يمكن الحديث عن تطوير الذكاء الاصطناعي المتقدم دون مناقشة متطلبات البنية التحتية.
فبعض التطبيقات تحتاج إلى قدرات حوسبية مرتفعة، ووحدات معالجة متخصصة، ومساحات تخزين، وبيانات موثوقة، وبيئات برمجية قابلة لإعادة الإنتاج.
كما تتطلب فرقًا بحثية تجمع بين الخبرات الرياضية والبرمجية والهندسية والتطبيقية.
لكن ليس كل بحث في الذكاء الاصطناعي بحاجة إلى تدريب نموذج ضخم أو امتلاك مركز بيانات باهظ التكلفة.
فهناك فرص علمية مهمة في تطوير نماذج صغيرة وكفؤة، وتحسين الخوارزميات، والتعلم من البيانات المحدودة، والذكاء الاصطناعي الطرفي، وضغط النماذج، والتحقق من الأنظمة.
ومن ثم، فإن التخطيط السليم للبنية التحتية ينبغي أن يقوم على أولويات بحثية واضحة، لا على المنافسة الشكلية في شراء الأجهزة.
وقد يكون إنشاء منصات حوسبة مشتركة بين الجامعات، مع سياسات عادلة للوصول إليها، أكثر فاعلية من تكرار استثمارات صغيرة غير مترابطة.
كما ينبغي دعم نشر مجموعات البيانات والأدوات البرمجية وفق ضوابط قانونية وأخلاقية، بما يعزز قابلية إعادة الإنتاج والتعاون العلمي.
السابع عشر: خطر التحول إلى مستهلكين دائمين للتكنولوجيا
من القضايا التي تستحق نقاشًا وطنيًا أن الاعتماد الكامل على منصات الذكاء الاصطناعي الأجنبية قد يخلق تحديات تتعلق بالتكلفة والسيادة الرقمية والخصوصية واستدامة الوصول.
فقد تعتمد مؤسسة على خدمة خارجية في عمليات بحثية أو تشغيلية أساسية، ثم تتغير أسعارها أو شروط استخدامها أو قدراتها التقنية.
وقد تكون بعض البيانات غير مناسبة للنقل إلى منصات خارجية لأسباب قانونية أو أمنية.
ولا يعني ذلك ضرورة الانعزال عن التكنولوجيا العالمية أو محاولة إعادة بناء جميع الأنظمة محليًا.
فالتعاون الدولي والاستفادة من النماذج المفتوحة والتجارية يمثلان جزءًا طبيعيًا من التطور العلمي.
لكن من الضروري بناء قدرات وطنية في التقييم والتكييف والتطوير والتشغيل الآمن.
ويشمل ذلك دعم البحث في اللغة العربية، وتطوير مجموعات بيانات محلية، واختبار النماذج على المشكلات المصرية، وتشجيع الحلول المفتوحة عندما تكون مناسبة.
إن الاستقلال التكنولوجي لا يعني إنتاج كل مكون محليًا، بل امتلاك القدرة على اتخاذ قرارات تقنية واعية، وتجنب الاعتماد غير المدروس على مورد واحد.
الثامن عشر: لا تجعلوا الحوكمة عائقًا أمام البحث العلمي
مع تصاعد الاهتمام بالمخاطر، قد تتجه بعض المؤسسات إلى وضع قواعد شديدة التقييد لاستخدام الذكاء الاصطناعي.
لكن الإفراط في القيود قد يؤدي إلى نتائج عكسية.
فقد يدفع الباحثين إلى استخدام الأدوات دون إفصاح، أو يمنع تطبيقات بحثية مشروعة، أو يؤخر تبني تقنيات يمكن أن تحسن جودة البحث.
ولهذا، فإن الحوكمة يجب أن تكون متناسبة مع مستوى المخاطر.
فالمساعدة اللغوية لا ينبغي أن تخضع للمتطلبات نفسها التي يخضع لها نظام ذكاء اصطناعي يتخذ قرارات طبية أو يتحكم في منشأة صناعية.
كما أن استخدام بيانات عامة لا يثير بالضرورة المخاطر نفسها التي يثيرها استخدام بيانات شخصية حساسة.
ويجب أن تميز السياسات بين البحث الاستكشافي والتطبيقات التشغيلية، وبين المحاكاة والاختبار الواقعي، وبين النماذج التي تقدم توصيات والنماذج التي تنفذ إجراءات بصورة مستقلة.
إن الحوكمة الجيدة لا تقيس نجاحها بعدد الاستخدامات التي منعتها، بل بقدرتها على تمكين الاستخدامات النافعة وتقليل المخاطر بصورة قابلة للتحقق.
من الضوابط إلى الاستراتيجية.. ما الذي ينبغي أن تفعله الجامعات المصرية؟
إذا أردنا الانتقال من مرحلة تنظيم استخدام الذكاء الاصطناعي إلى مرحلة إنتاج المعرفة والتكنولوجيا باستخدامه، فإننا بحاجة إلى تغيير واضح في الأولويات المؤسسية.
ينبغي أن تبدأ الجامعات بتحديد مجموعة من التحديات الوطنية التي يمكن للذكاء الاصطناعي أن يسهم في معالجتها، مثل المياه والطاقة والصحة والزراعة والصناعة والأمن السيبراني.
ثم تُبنى حول هذه التحديات فرق بحثية متعددة التخصصات، تمتلك أهدافًا قابلة للقياس، وبيانات مناسبة، وخططًا واضحة للتحقق التجريبي.
كما يجب إعادة النظر في معايير تقييم البحث العلمي، بحيث لا يكون عدد المنشورات وحده هو المؤشر الحاسم، بل تُؤخذ في الاعتبار أصالة المساهمة، وجودة المنهجية، وقابلية إعادة الإنتاج، والأثر العلمي والتطبيقي.
ومن الضروري كذلك تطوير برامج دراسات عليا تجمع بين الذكاء الاصطناعي والتخصصات التطبيقية، بدلًا من الاكتفاء بإضافة مقرر عام عن الذكاء الاصطناعي إلى كل برنامج أكاديمي.
ويجب أن يترافق ذلك مع حوكمة بحثية واضحة، وتدريب مستمر، وبنية تحتية مشتركة، وشراكات مع الصناعة، ودعم للبيانات المفتوحة عندما تسمح طبيعتها بذلك.
والأهم أن تتحول الجامعات من مجرد مستخدم للتكنولوجيا إلى شريك في تطويرها وتقييمها وتوجيهها لخدمة المجتمع.
الخاتمة: العالم لا ينتظرنا حتى ننتهي من مناقشة كيفية كتابة الأبحاث
إن الاهتمام بضوابط استخدام الذكاء الاصطناعي في البحث العلمي ضرورة لا يمكن التقليل من أهميتها.
فالنزاهة الأكاديمية، وصحة المراجع، وصدق النتائج، وحماية الملكية الفكرية، والشفافية، كلها مبادئ أساسية يجب أن تظل حاضرة في كل مؤسسة بحثية.
لكن المشكلة تبدأ عندما يتحول هذا الجانب إلى الموضوع الوحيد تقريبًا في النقاش الأكاديمي حول الذكاء الاصطناعي.
فبينما نناقش كيف نكتشف النصوص المولدة آليًا، تتطور أنظمة تستخدم الذكاء الاصطناعي لتسريع اكتشاف المركبات الكيميائية.
وبينما نناقش كيفية الإفصاح عن استخدام النماذج اللغوية، تتقدم أبحاث الروبوتات الذكية والأنظمة المستقلة.
وبينما ننشغل بتحديد نسبة المساعدة المقبولة في كتابة البحث، تتطور تقنيات التوائم الرقمية والذكاء متعدد الوسائط والنماذج العلمية المدعومة بالفيزياء.
هذه المقارنة لا تعني أن جميع هذه التقنيات وصلت إلى مرحلة النضج أو أن نجاحها مضمون.
لكنها تكشف اتساع المجال الذي ينبغي أن يشمله اهتمام الجامعات.
إن الخطر الحقيقي ليس أن يستخدم الباحث المصري الذكاء الاصطناعي في كتابة بحثه، بل أن يظل دوره محصورًا في استخدام أدوات الآخرين، بينما ينتقل العالم إلى تطوير أنظمة جديدة لإنتاج المعرفة والتكنولوجيا.
نحتاج إلى النزاهة الأكاديمية، لكننا نحتاج أيضًا إلى الجرأة العلمية.
نحتاج إلى الحوكمة، لكننا نحتاج أيضًا إلى الابتكار.
نحتاج إلى التحقق من المراجع، لكننا نحتاج كذلك إلى إنتاج مراجع علمية جديدة تستحق أن يستشهد بها العالم.
نحتاج إلى حماية البحث العلمي من النتائج المصطنعة، لكننا نحتاج أيضًا إلى بناء معامل وتجارب تنتج نتائج أصيلة.
ونحتاج إلى تعليم الباحث كيف يستخدم الذكاء الاصطناعي بمسؤولية، لكننا نحتاج قبل ذلك وبعده إلى تأهيله لفهمه وتطويره واختباره وتوظيفه في حل المشكلات الحقيقية.
فالجامعة التي تستخدم الذكاء الاصطناعي لكتابة المزيد من الأوراق قد تزيد إنتاجها البحثي، أما الجامعة التي تستخدمه لاكتشاف معرفة جديدة فقد تغير مستقبل العلم.
ولذلك، فإن السؤال الذي ينبغي أن يكون في مقدمة أي نقاش وطني حول الذكاء الاصطناعي في الجامعات هو:
هل نريد أن نكون مستخدمين أكثر انضباطًا للذكاء الاصطناعي، أم منتجين أكثر قدرة على تطويره وتوجيه مستقبله؟
لا تعارض بين الهدفين، بل إن الجمع بينهما هو الطريق الصحيح.
لكن ترتيب الأولويات يصنع الفارق بين مؤسسة تكتفي بالتكيف مع التحول التكنولوجي، ومؤسسة تشارك في قيادته.
إن مستقبل الجامعات المصرية لن يتحدد بمدى قدرتها على تنظيم استخدام الذكاء الاصطناعي في كتابة الأبحاث، بل بمدى قدرتها على تحويل الذكاء الاصطناعي إلى قوة علمية وهندسية واقتصادية تسهم في إنتاج المعرفة وحل مشكلات المجتمع.
فالذكاء الاصطناعي ليس مستقبل الكتابة العلمية وحدها، بل أحد أهم أدوات مستقبل العلم نفسه.
الأستاذ الدكتور وائل بدوي
أستاذ هندسة الحاسبات والذكاء الاصطناعي
كلية الهندسة – الجامعة المصرية الروسية
