وسم

| المنشور الثالث مئات المخطوطات الرياضية... من يتحقق منها؟ في المنشور الأول قلنا إن الإجابة ليست دليلًا، وفي الثاني ناقشنا حدود أدوات كشف النصوص المولدة بالذكاء الاصطناعي. اليوم ننتقل إلى ميدان يبدو أكثر حسمًا: الرياضيات. حين يعلن الذكاء الاصطناعي أنه توصّل إلى حلول لمسائل ظلت مفتوحة لعقود، • فكيف نعرف أن ما أنتجه صحيح؟ • وهل تكفي حجة تبدو مقنعة... أم نحتاج إلى وسيلة مستقلة للتحقق منها؟ لننظر في ثلاثة تطورات حديثة، وما تكشفه عن الفرق بين إنتاج البرهان والتحقق منه. 1️⃣ مئات المخطوطات... ثم تصحيح وسحب في 6 أكتوبر 2026، نشرت OpenAI مجموعة تضم 722 مخطوطة رياضية مولدة بنموذج داخلي، موزعة على 372 عائلة من النتائج. وفي اليوم التالي، سُحبت ثلاث مخطوطات بعد اكتشاف خطأ في الإشارة ضمن إحدى الحجج الرياضية، امتد أثره إلى عملين اعتمدا على البناء نفسه. كما أُجريت إصلاحات على 14 مخطوطة أخرى. أصبح العدد 719 مخطوطة، ويذكر سجل المشروع أن نحو 42% من النتائج الرئيسية لها صياغات رسمية في نظام Lean. هل يعني ذلك أن بقية النتائج خاطئة؟ لا. فغياب الصياغة الرسمية لا يثبت خطأ النتيجة، كما أن سحب بعض المخطوطات لا يبطل تلقائيًا بقية العمل. لكن الواقعة تكشف درسًا مهمًا: كثرة النتائج لا تعني أن كل نتيجة اجتازت الفحص، واكتشاف خطأ قد يستلزم مراجعة الأعمال التي تعتمد عليه. المصدر الأصلي: github.com/openai/math/blob/mai… 2️⃣ من الحجة المكتوبة إلى البرهان القابل للتحقق الرسمي في 15 أكتوبر 2026، أعلن مختبر شنغهاي للذكاء الاصطناعي عن عمل تعاوني بين باحثين ونموذج Intern-S2 أسهم في إثبات حالة من حدسية Ghys في الهندسة الديناميكية. تثبت الورقة حدسية Ghys في حالة الرتبة المشتركة الواحدة، المعروفة باسم codimension-one، وتشمل الحالة ثلاثية الأبعاد في الفضاء المركب. ولم يتوقف العمل عند كتابة البرهان؛ فقد صاغ فريق من جامعة بكين المبرهنات الرئيسية في نظام Lean للتحقق الرياضي الرسمي، باستخدام إطار SHEAF. وبحسب إعلان الفريق، استغرق العمل نحو خمسة أيام، وبلغ حجم الشيفرة قرابة 550 ألف سطر، مع تشغيل ما يصل إلى 100 وكيل بالتوازي. لكن الدقة تقتضي توضيح أمرين: أولًا: لا تعني النتيجة حل حدسية Ghys في جميع الحالات؛ فالورقة تثبتها في حالة الرتبة المشتركة الواحدة، بينما تبقى الحالات ذات الرتب المشتركة الأعلى مفتوحة عمومًا. ثانيًا: يوضح البحث أن المؤلف استخدم نموذج Intern-S2 للمساعدة في تطوير الأفكار والحجج الرياضية، وأنه تحمّل المسؤولية عن التحقق المستقل من الحجج. كما صيغت النتائج المركزية رسميًا في Lean، مع تحقق بشري من المبرهنة النهائية. إذن نحن أمام تعاون بين الإنسان والذكاء الاصطناعي، تدعمه أدوات للتحقق الرسمي، لا أمام إنجاز مستقل للنموذج وحده. المصادر الأصلية: إعلان مختبر شنغهاي: shlab.org.cn/news/5444307 الورقة البحثية: arxiv.org/abs/2609.37695 الشيفرة الرسمية: github.com/frenzymath/Holomorph… 3️⃣ مسائل رياضية مفتوحة... هل تستطيع الآلة حلها؟ في بحث بعنوان «Advancing Mathematics Research with AI-Driven Formal Proof Search»، درس باحثون قدرة أنظمة الذكاء الاصطناعي على البحث عن براهين رسمية لمسائل رياضية مفتوحة. وبحسب ملخص البحث، حقق النظام الأقوى في الاختبارات النتائج الآتية: • حل 9 مسائل من أصل 353 مسألة مفتوحة من مسائل إردوش جرى اختبارها. • أثبت 44 حدسية من أصل 492 حدسية ضمن مجموعة اختبارات مستمدة من موسوعة المتتاليات الصحيحة على الإنترنت OEIS. هذه مجموعتان منفصلتان من الاختبارات، وليستا مقياسًا عامًا لقدرة النظام على حل جميع المسائل الرياضية المفتوحة. وتكمن أهمية هذا النهج في استخدام Lean للتحقق من البراهين الرسمية، بدل الاكتفاء بحجج مكتوبة بلغة طبيعية قد تبدو مقنعة رغم احتوائها على أخطاء. ومع ذلك، يظل من الضروري التأكد من أن الصياغة الرسمية تمثل المسألة الأصلية بدقة، وأن النتيجة لا تتجاوز ما تسمح به افتراضاتها. المصادر: البحث العلمي: arxiv.org/abs/2605.22763 مستودع النتائج: github.com/google-deepmind/alph… 🔬 ما الفرق بين إنتاج البرهان والتحقق منه؟ لفهم هذه التطورات، ينبغي التمييز بين ثلاثة مستويات: إنتاج البرهان: أن يقترح النظام حجة أو مسارًا لحل مسألة رياضية. التحقق الرسمي: أن تُصاغ الحجة بلغة رياضية دقيقة يستطيع نظام مثل Lean فحص خطواتها وفق قواعده وافتراضاته. المراجعة العلمية: أن يفحص المختصون معنى النتيجة، وصحة صياغة المسألة، والافتراضات المستخدمة، ومدى جدة النتيجة وأهميتها. هذه المستويات يكمل بعضها بعضًا، لكنها ليست شيئًا واحدًا. فالتحقق الرسمي يقدم ضمانًا قويًا بشأن صحة البرهان المرمّز ضمن النظام وافتراضاته، لكنه لا يثبت وحده أن الصياغة المرمّزة تطابق المسألة المقصودة تمامًا، ولا يحسم أهمية النتيجة العلمية. وفي المقابل، ليس كل برهان رياضي غير مكتوب بلغة رسمية برهانًا خاطئًا؛ فالبراهين التقليدية يمكن أن تكون صحيحة ومقبولة بعد الفحص والمراجعة العلمية. الخلاصة يفتح الذكاء الاصطناعي آفاقًا مهمة أمام البحث الرياضي، من اقتراح أفكار جديدة إلى استكشاف مسارات قد يصعب على الباحثين اختبارها يدويًا. لكن لا ينبغي أن نخلط بين كثرة النتائج وصحتها، ولا بين الحجة المقنعة والبرهان الذي اجتاز الفحص. قيمة الإنجاز ليست في أن تنتج الآلة برهانًا فحسب، بل في أن يصبح قابلًا للفحص والنقد وإعادة التحقق. وهذا هو جوهر منهجنا في «الذكاء الاصطناعي تحت المجهر»: 🔬 نتحقق أولًا، ونحلل ثانيًا، ثم نكتب للنشر. #غواص_المعاني أغوص في بحر القراءة... لأعود بدرة.💎 #الذكاء_الاصطناعي_تحت_المجهر #الذكاء_الاصطناعي #الذكاء_الاصطناعي_إلى_أين؟ #الرياضيات #البحث_العلمي

| المنشور الثاني أدوات كشف الذكاء الاصطناعي تحت الاختبار: هل تكشف فعلًا؟ تخيل أن تكتب مقالًا بنفسك، ثم تخبرك أداة كشف أن نصك مولّد بالذكاء الاصطناعي. • هل تكفي هذه النتيجة للحكم عليك؟ في المنشور السابق قلنا إن الإجابة ليست دليلًا. واليوم نختبر فكرة قريبة: • هل نتيجة أداة الكشف دليل قاطع على هوية كاتب النص؟ بدل الاعتماد على الانطباعات، لنرجع إلى دراسات حديثة. 🔍 أولًا: دراسة منشورة في يونيو 2026 نشرت مجلة International Journal for Educational Integrity دراسة قارنت أربع أدوات لكشف النصوص المولّدة بالذكاء الاصطناعي: • GPTZero • Pangram • Copyleaks • Turnitin اختبر الباحثون الأدوات على 160 نصًا أكاديميًا موزعة على أربع فئات: نصوص بشرية... ونصوص مولّدة بالكامل بالذكاء الاصطناعي... ونصوص تجمع بين الكتابة البشرية والآلية... ونصوص مولّدة آليًا ثم عُدّلت لتبدو بشرية. • ماذا وجدوا؟ تفوقت Pangram على الأدوات الأخرى في مجموعة الاختبارات، بينما قلّلت الأدوات الأخرى تقدير المحتوى المولّد آليًا في حالات متعددة، خصوصًا مع النصوص التي أنتجها وضع Deep Research في ChatGPT. بل إن Turnitin أخفقت في كشف النصوص الأربعين المولّدة بالكامل ضمن هذه العينة، إذ أعطتها جميعًا درجات تشير إلى أن المحتوى المولّد لا يتجاوز 20%. لكن هذه النتيجة تخص اختبارًا محددًا، ولا تعني أن الأداة ستفشل بالطريقة نفسها مع جميع النصوص. ويرجّح الباحثون أن من أسباب تفوق Pangram اعتمادها أساليب تدريب تركز على التمييز بين النصوص المتشابهة في الموضوع والأسلوب، وعلى معالجة الحالات الصعبة التي يخطئ النموذج في تصنيفها. لكن لا يمكن الجزم بأن هذه الآليات وحدها تفسر تفوقها. وفي هذه العينة، صنّفت الأدوات النصوص البشرية تصنيفًا صحيحًا بدرجة مرتفعة، مع وجود أخطاء محدودة. وهذه نقطة إيجابية، لكنها لا تلغي حدود الاختبار. 🔍 ثانيًا: • ماذا حدث عند اختبار الأداة على رسائل ماجستير حقيقية؟ طبّق الباحثون أداة Pangram على 1,163 رسالة ماجستير قُدّمت خلال العام الأكاديمي 2024–2025. وضعت الأداة علامة على 529 رسالة، أي 45.5% من العينة، وقدّرت متوسط المحتوى المرتبط بالذكاء الاصطناعي في هذه الرسائل بنحو 34%. لكن انتبهوا إلى التفصيل الأهم: لم تكن هناك حقيقة مرجعية مؤكدة تحدد مقدار استخدام الذكاء الاصطناعي في هذه الرسائل. لذلك لا تثبت النتائج أن 45.5% من الطلاب استخدموه فعلًا، ولا أن أحدًا منهم ارتكب غشًا أكاديميًا. إنها نتائج أداة كشف تحتاج إلى تفسير، وليست إحصاءً مؤكدًا عن سلوك الطلاب. 🔍 ثالثًا: • هل تنجو النصوص من الكشف بعد إعادة صياغتها؟ في بحث قُدّم ضمن أعمال مؤتمر NAACL لعام 2025، اختبر الباحثان قدرة عدة طرق للكشف على مقاومة محاولات إعادة صياغة النصوص المولّدة آليًا. وجدا أن بعض الأساليب التي حققت أداءً أفضل في الكشف تعرضت أيضًا لخسائر أكبر في الأداء عند إعادة الصياغة. تكشف هذه النتيجة مفاضلة مهمة: قد تتفوق طريقة في الكشف في الظروف العادية، لكنها تكون أقل مقاومة لمحاولات تجاوزها. ولا تعني النتيجة أن جميع أدوات الكشف تتأثر بالدرجة نفسها. 🔍 رابعًا: • ماذا نستنتج؟ لا نستطيع أن نقول إن أدوات الكشف عديمة الفائدة، ولا أن نتائجها صحيحة دائمًا. ما نستطيع قوله هو: • تختلف دقة الكشف باختلاف الأداة والنص وظروف الاختبار. • قد تتراجع قدرة بعض الأساليب على الكشف عند إعادة صياغة النصوص. • نجاح الأداة في مجموعة اختبار محددة لا يضمن نجاحها في جميع الحالات. • لا تكفي نتيجة الكشف وحدها لإثبات أن شخصًا بعينه استخدم الذكاء الاصطناعي. وهناك قيد إضافي مهم: الدراسات المذكورة اختبرت نصوصًا باللغة الإنجليزية. لذلك لا يجوز نقل نتائجها أو نسب دقتها إلى النصوص العربية دون اختبارات مستقلة مناسبة. ● الخلاصة أداة الكشف قد تقدم مؤشرًا مفيدًا، لكنها ليست شاهدًا على عملية الكتابة نفسها. إذا قالت الأداة إن نصًا ما مولّد بالذكاء الاصطناعي، فعلينا أن نسأل: • ما الأداة التي استخدمناها؟ • وعلى أي نصوص اختُبرت؟ • وما حدود دقتها؟ • وهل توجد أدلة أخرى تدعم النتيجة؟ فالفارق كبير بين أداة تساعدنا على طرح سؤال، وأداة نعامل نتيجتها وكأنها حكم نهائي. 🔬 في الذكاء الاصطناعي تحت المجهر، لا نبحث عما يؤكد رأينا فقط؛ بل نفحص النتائج المؤيدة والمعارضة، ثم نحكم بقدر ما تسمح به الأدلة. 📚 المصادر الأصلية: دراسة منشورة في مجلة Internationa Journal for Educational Integrity عام 2026: Who wrote this? Evaluating the reliability of AI detection tools in higher education link.springer.com/article/10.10… التصحيح الرسمي للدراسة المنشورة عام 2026: link.springer.com/article/10.10… دراسة عن مقاومة طرق كشف النصوص المولّدة لمحاولات إعادة الصياغة، منشورة ضمن أعمال مؤتمر NAACL لعام 2025: aclanthology.org/2025.naacl-srw… #الذكاء_الاصطناعي_تحت_المجهر #كشف_الذكاء_الاصطناعي #تحقق #علوم #تقنية #غواص_المعاني أغوص في بحر القراءة... لأعود بدرة.💎

المنشور الأول الإجابة ليست دليلًا كيف نعرف أن ما يقوله الذكاء الاصطناعي صحيح؟ في السلسلة السابقة سألنا: إلى أين يتجه الذكاء الاصطناعي؟ في هذه السلسلة نسأل سؤالًا أكثر إلحاحًا: كيف نتحقق مما يقوله؟ النماذج اليوم تنتج إجابات سريعة ومنظمة ومقنعة. لكن الإجابة، مهما بدت واثقة، ليست دليلًا بحد ذاتها. الدليل هو ما يسند الادعاء ويمكن فحصه: مصدر موثوق، أو برهان صالح، أو تجربة موصوفة بما يسمح بإعادة إجرائها حيثما أمكن. خذ مثالًا بسيطًا: قد يقدم نموذج برهانًا رياضيًا متماسكًا في ظاهره، لكنه يتضمن خطوة غير مبررة. وقد يذكر مرجعًا بتفاصيل دقيقة، ثم نكتشف أن المرجع غير موجود أصلًا. المشكلة ليست في الخطأ وحده، بل في أن طريقة عرض الإجابة قد تمنحها ثقة لا تستحقها. وقد تكون الإجابة المقنعة: • صحيحة بالمصادفة، لكن الاستدلال الذي أوصل إليها غير صالح. • صحيحة في حالة محددة، لكنها عُممت على حالات أخرى دون مبرر. • مبنية على مرجع لا يسند الادعاء، أو لا يمكن التحقق منه. فكيف نتحقق؟ 🔹 نعود إلى المصدر الأصلي: الورقة العلمية أو الوثائق الرسمية أو الكود، بدل الاكتفاء بملخص النموذج. 🔹 نستخدم التحقق الرسمي حيث يناسب: ففي الرياضيات والبرمجيات، يمكن لأدوات مثل Lean أن تساعد في فحص براهين صيغت بطريقة رسمية. 🔹 نفحص قابلية إعادة الإنتاج: هل يستطيع باحث آخر الوصول إلى النتيجة نفسها في ظروف موضحة؟ 🔹 نستعين بالمراجعة المتخصصة: خصوصًا في المسائل التي تتطلب خبرة علمية أو مهنية. 🔹 ننتبه إلى تلوث بيانات التدريب: فقد تتأثر نتائج اختبارات النماذج إذا سبق أن ظهرت أسئلتها أو إجاباتها في بيانات التدريب. وهذه مشكلة بحثية في تقييم قدرات النماذج، وليست فحصًا بسيطًا يمكن حسمه في كل محادثة. 🔹 نفصل بين صحة النتيجة وصحة البرهان: الوصول إلى جواب صحيح لا يثبت أن الطريق إليه كان صحيحًا. ولماذا يزداد الأمر صعوبة؟ لأن المحتوى الذي تنتجه الآلات يتزايد بسرعة، ولأن الصياغة العلمية لا تعني بالضرورة أن الكلام صحيح أو قابل للفحص. والأخطر أن نعتاد قبول الإجابات لأن شكلها مقنع، لا لأن أدلتها قوية. القاعدة التي نحتاجها ليست أن نشك في كل إجابة، بل ألا نجعل الثقة بديلًا عن الدليل. اسأل دائمًا: ما المصدر؟ هل يسند هذا الادعاء فعلًا؟ ومن يستطيع فحصه؟ وهل يمكن إعادة إنتاج النتيجة؟ 📚 مصادر للاستزادة والتحقق: • NIST: تقرير عن مخاطر الذكاء الاصطناعي التوليدي، ومنها إنتاج معلومات خاطئة أو مضللة. nvlpubs.nist.gov/nistpubs/ai/NI… • Lean: التوثيق الرسمي لأداة تُستخدم في صياغة البراهين الرياضية والتحقق الرسمي منها. lean-lang.org • الأكاديميات الوطنية الأمريكية: تقرير عن قابلية إعادة إنتاج النتائج العلمية وتكرارها. nap.nationalacademies.org/catal… • بحث علمي حول تلوث اختبارات النماذج اللغوية ببيانات التدريب: aclanthology.org/2024.naacl-lon… 🔬 نتحقق أولًا، ونحلل ثانيًا، ثم نكتب للنشر. #الذكاء_الاصطناعي_تحت_المجهر #الإجابة_ليست_دليلًا #تحقق #علوم #تقنية #غواص_المعاني أغوص في بحر القراءة... لأعود بدرة.💎