هل نبالغ في تقدير الذكاء الاصطناعي؟

يحتدم النقاش حول التأثيرات التي يمكن أن تحدثها الذكاء الاصطناعي (AI) على سوق العمل، مقال بقلم Nicola Costantino، رئيس Politecnico di Bari، حيث شغل منصب أستاذ متفرغ في الهندسة الاقتصادية والإدارية.

خصوصًا لأن البيانات المتاحة في هذا المجال لا تزال جزئية وغالبًا ما تكون متناقضة. ووفقًا لـ ISTAT، أفادت 15.7% من الشركات الصغيرة والمتوسطة و53.1% من الشركات الكبرى في إيطاليا خلال عام 2025 بأنها دمجت AI في عملياتها الإنتاجية، وهي نسب ارتفعت بشكل كبير مقارنة بعام 2024، بنسبة 8% و20.6% على التوالي. ومع ذلك، لا يبدو أن هذا قد أحدث حتى الآن تأثيرًا ملموسًا على المستوى الإجمالي، لا في الناتج المحلي الإجمالي الوطني، الذي ارتفع بنسبة 0.5% فقط مقارنة بالعام السابق، ولا في البطالة، التي انخفضت بالفعل. ويبدو أن التناقض بين التوقعات «المعقولة» والنتائج الفعلية يعيد نفسه مرة أخرى.

حتى آراء أبرز الخبراء بشأن تأثير AI على التوظيف لا تبدو متطابقة تمامًا. فمن جهة، يقول Mark Zuckerberg: «نحن نرى بالفعل مشاريع كانت في السابق تتطلب فرقًا كاملة، ويتم إنجازها الآن بواسطة شخص واحد موهوب يعمل إلى جانب وكلاء AI». ومن جهة أخرى، يقول Andrew Ng، أحد مؤسسي Google Brain: «لقد تم حتى الآن المبالغة في تقدير فقدان الوظائف الناتج عن AI».

توقعات وظيفية لم تتحقق

في عام 2013، حظيت دراسة أجراها C.B. Frey وM.A. Osborne من University of Oxford باهتمام واسع، إذ توقعت أن يؤدي مسار الأتمتة إلى تعريض 47% من الوظائف في الولايات المتحدة لخطر الاستبدال خلال السنوات العشر التالية. ووفقًا لـ World Bank Development Report لعام 2016، ارتفعت النسبة إلى 57% في دول OECD، بل وصلت إلى 77% في الصين، بسبب انخفاض مستوى الأتمتة الأولي في هذه البلدان. وبالطبع، قيل إن انتشار التقنيات الجديدة يؤدي أيضًا إلى ظهور مهن جديدة. ووفقًا لـ Forrester Research، كان من المتوقع خلال السنوات العشر التالية لعام 2015 إنشاء 13.6 مليون وظيفة جديدة في الولايات المتحدة، مقابل فقدان 22.7 مليون وظيفة أكثر تقليدية، أي بصافي سلبي قدره 9.1 ملايين وظيفة. فلماذا لم تتحقق كل هذه التوقعات في الواقع، على الأقل ضمن الإطار الزمني المتوقع؟

في عام 1987، قال Robert Solow، الذي حصل في العام نفسه على جائزة نوبل في الاقتصاد جزئيًا بفضل دراساته حول التأثيرات الإنتاجية للتطور التكنولوجي: «نرى عصر الحواسيب في كل مكان، باستثناء بيانات الإنتاجية»، وربما يرجع ذلك إلى التعقيد الهائل للمتغيرات المتداخلة، ليس فقط من الناحية التكنولوجية، بل أيضًا التنظيمية والاجتماعية. وبالفعل، فإن تاريخ الثورة الصناعية الثالثة والرابعة مليء بنجاحات هائلة وغير متوقعة، مثل الإنترنت، وكذلك بإخفاقات متفاوتة في حجمها. ويمكن أن نتذكر جنون ما سمي بالـ net economy حول عام 2000، مع فقاعة العديد من شركات dot.com التي وصلت إلى تقييمات فلكية قبل حتى اختبار السوق المفترض لمنتجاتها؛ أو الموضة العابرة والمكلفة لأسواق العقارات الافتراضية على Second Life؛ أو، في وقت أقرب، التوقعات الضخمة المتعلقة بالـ metaverse التي ساهم Mark Zuckerberg في تضخيمها، والتي لم تتحقق حتى الآن. وبالتأكيد، مقارنة بهذه الأمثلة، يشكل AI واقعًا أكثر تنظيمًا وترسخًا، وما تزال تُضخ فيه استثمارات هائلة فعلًا.

عوائد الربحية

أكبر خمس شركات في العالم من حيث القيمة السوقية كلها مدرجة في Wall Street: Nvidia وApple وAlphabet (Google) وMicrosoft وAmazon. وجميعها منخرطة بدرجات متفاوتة في مجال AI، بقيمة سوقية إجمالية تتجاوز 18 تريليون دولار، ومن المتوقع أن تستمر في الارتفاع ما دامت هذه الشركات تواصل جمع رؤوس الأموال للاستثمار في بنى تحتية حاسوبية تتزايد ضخامتها باستمرار. وإذا كنا في الماضي معتادين على اعتبار الآثار البيئية لتقنيات ICT محدودة نسبيًا، خصوصًا من حيث استهلاك الطاقة، فإن مراكز البيانات الضخمة اليوم، بل وأكثر منها مراكز بيانات المستقبل، بدأت تؤثر بصورة ملموسة في استهلاك الكهرباء، وكذلك المياه اللازمة للتبريد، في المناطق التي توجد فيها. وقد بلغ الأمر حد البدء في دراسة الجدوى التقنية والاقتصادية لسيناريوهات كانت تبدو حتى وقت قريب من الخيال العلمي، مثل وضع مراكز البيانات في الفضاء لتحسين الاستفادة من الطاقة الشمسية وتبديد الحرارة.

وتعتمد هذه الاستثمارات الضخمة على توقعات، بغض النظر عن مدى مبرراتها، بتحقيق عوائد ربحية ضخمة بالقدر نفسه، من خلال تطوير أدوات الذكاء الاصطناعي العام (AGI) القادرة على فهم المعرفة البشرية وتطبيقها بما يساوي على الأقل، إن لم يتجاوز، قدراتنا المعرفية في أي مجال. فهل ستتحقق هذه العوائد فعلًا؟

إن تحققها يعتمد أساسًا على مجموعة من الافتراضات، المعلنة أو الضمنية، التي ليس من المؤكد أن تتحقق بالكامل. أولًا، أن المسارات التي تتبعها الشركات العملاقة في القطاع، مثل OpenAI، في تطوير AGI هي الأكثر كفاءة، وبالتالي ستؤدي إلى نتائج ربحية مرضية بدرجة كبيرة. ثانيًا، أن نمو قدرات AI، وخصوصًا في مجال Large Language Models (LLM)، غير محدود، لأنها تتغذى يوميًا بإسهامات جديدة، أي معرفة رقمية جديدة، تجعل هذه النماذج أكثر قوة في إطار نمو أُسّي لا تبدو له حدود. ثالثًا، يرى البعض أنه بفضل هذا النمو غير المحدود، فإن AGI مقدر له أن يتطور إلى Artificial Super Intelligence (ASI)، أي ذكاء فائق سيتجاوز الذكاء البشري حتى في الإبداع والحكمة والقدرات التفاعلية.

أزمة Large Language Models

هذه التوقعات، التي يمكن اعتبارها معقولة بالتأكيد، على الأقل في أول نقطتين، لا تزال مع ذلك تواجه شكوكًا جوهرية بالقدر نفسه. هل نحن متأكدون من أن تطوير AGI لا يمكن تحقيقه بطرق أقل تكلفة بكثير؟ إن تجربة DeepSeek، وهو AI صيني تم تطويره باستثمارات أقل بكثير من منافسيه الغربيين ويقدم أداءً مشابهًا لـ ChatGPT، تثير بعض الشكوك في هذا الشأن. تاريخ الثورات الصناعية مليء بأمثلة على قفزات هائلة في الكفاءة، تجاوز فيها المتأخرون المبتكرين الأوائل. وإذا حدث الشيء نفسه في AI، فما مصير العمالقة الصناعيين الحاليين الذين ركزوا استثمارات بمستويات لم يسبق لها مثيل في تاريخ البشرية؟

هل نحن متأكدون من أن نمو المعرفة الرقمية سيستمر بالمعدلات الحالية؟ من المتوقع أنه بحلول عام 2030 ستكون تقريبًا كل المعرفة البشرية متاحة لـ LLM. وبعد ذلك، ستستمر عملية الرقمنة بمعدل الإنتاج «البشري» الفعلي للمعرفة الجديدة، مضافًا إليه ما يسمى الالتهام الذاتي، وهو يحدث بالفعل، ويعني تغذية LLM بوثائق تنتجها LLM نفسها بسرعة تفوق سرعة البشر بدرجة هائلة. ولكن إذا أخذنا في الاعتبار أن LLM لا تنتج الوثائق عبر «التفكير»، بل عبر «الانتقاء» من الوثائق التي سبق أن اكتسبتها، كلمة بعد كلمة، لأكثر التسلسلات الدلالية احتمالًا، فمن المنطقي توقع أنها قد لا تكون قادرة على إنتاج معرفة «جديدة»، بل فقط إعادة تركيب المعرفة التي اكتسبتها سابقًا.

وليس هذا فقط. فالتجارب التي تم تطويرها حتى الآن تبدو وكأنها تشير إلى أن تكرار الالتهام الذاتي يؤدي إلى ما يسمى Model Autophagy Disorder (MADness)، وهو ما يسبب «انهيار» المنتج الحاسوبي، أي فقدانًا تدريجيًا للمعنى. وإذا كان ذلك صحيحًا، فمن المتوقع أن يتباطأ نمو قدرات LLM بدرجة كبيرة خلال سنوات قليلة، لأن المعرفة «الجديدة» التي ستتاح لها لن تأتي بعد ذلك، كما يحدث اليوم، من إدخال كميات ضخمة من البيانات المنتجة في الماضي، مثل تحميل نص كُتب قبل 10 سنوات إلى النموذج، بل فقط من الإنتاج «الأصلي» الجديد للبشر.

هل سيكون من الممكن تطوير الذكاء الفائق؟ في عام 1905 نشر Albert Einstein أربعة أبحاث أحدثت ثورة كاملة في المعرفة الفيزيائية للعالم. وقد توصل إلى هذه النتائج من دون إجراء تجارب جديدة، بل «ببساطة»، إن جاز التعبير، من خلال التفكير في نتائج تجارب ونظريات طورها آخرون. فعلى سبيل المثال، لم يكن مفهوم نسبية الزمن موجودًا من قبل، ومن غير المرجح إلى حد كبير، إن لم يكن مستحيلًا، أن يتمكن LLM تم تزويده بالمعارف نفسها التي كانت متاحة لـ Einstein من توليد هذا المفهوم، مهما كانت الموارد الحاسوبية المتاحة له.

في النهاية، يمكن طرح فرضية معقولة، لا أكثر، وبالتأكيد ليست حقيقة مؤكدة: ربما نحن نبالغ في تقدير أداة جديدة، قوية جدًا وواسعة الانتشار بلا شك، لكنها قد لا تتمكن أبدًا من استبدال الإنسان في الأنشطة الأكثر أهمية من حيث الإبداع. فهل هذا صحيح؟ كتب Niels Bohr، الحائز على جائزة نوبل في الفيزياء عام 1922: «التنبؤ صعب جدًا، خصوصًا عندما يتعلق بالمستقبل».