18 نموذجاً للذكاء الاصطناعي في سباق بحثي ذاتي بالكامل، ونموذج Kimi K3 المفتوح يكاد يلحق بنموذج Claude الرائد

أجرت مختبرات Prime Intellect تجربة غير مألوفة: أُطلقت 18 نموذجاً لغوياً متقدماً — من Fable 5 وGPT-5.6 Sol إلى النموذج المفتوح Kimi K3 — في جولات بحثية ذاتية لا يتدخل فيها الإنسان إطلاقاً. وكانت الخلاصة مدوية: نموذج صيني مفتوح مزوّد بطبقة وكلاء رخيصة اقترب كثيراً من أقوى نموذج رائد لدى Anthropic. نستعرض ما حدث ولماذا يهم هذا كل من يتابع تطور الذكاء الاصطناعي.

جوهر السباق: درّب النموذج بأقل عدد من الخطوات

جاءت المهمة من مشروع nanoGPT الشهير لأندريه كارباتي. المطلوب تدريب نموذج صغير بحجم 124 مليون معامل حتى يصل إلى خسارة (loss) قدرها 3.28 بأقل عدد ممكن من خطوات التدريب. الوصفة الابتدائية تصل خلال 3290 خطوة، بينما أفضل ما حققه البشر هو 2600 خطوة.

يتسلّم الوكيل مستودع الكود ودليلاً قصيراً للقواعد وهدفاً واحداً. وبعدها يعمل وحده: يعدّل المُحسِّن، ويجري التجارب، ويميّز التحسّن الحقيقي عن الضجيج العشوائي، ويقرر ما التالي الذي يجربه. العتاد ثماني بطاقات H200، وكل شيء محبوس داخل بيئة معزولة بلا إنترنت حتى لا يلقي النموذج نظرة على إجابات جاهزة. جرى إجمالاً 153 تشغيلاً ذاتياً كاملاً، وأطولها استمر أكثر من ثمانية أيام.

من انتهى أين؟

حقّق Fable 5 من Anthropic الأبعد بواقع 2726 خطوة، فغطّى نحو 82% من الفجوة بين الوصفة الأساسية والرقم القياسي البشري. أما النموذج الرائد Claude Opus 5 فأنهى عند 2920 خطوة.

ثم جاءت المفاجأة. النموذج المفتوح Kimi K3 من شركة Moonshot AI، وهو يعمل عبر طبقة الوكلاء المتعددين Prime Agent Harness، توقف عند 2930 خطوة: عشر خطوات فقط خلف النموذج الرائد الأعلى تكلفة لكل رمز. بينما أنهى GPT-5.6 Sol عند 3042 خطوة، أي خلف النموذج المفتوح.

الطريف أن أحداً لم يبتكر شيئاً جديداً

لم تُنتج أي من الجولات الـ153 طريقةً جديدةً فعلاً. كل ما نجح — تسويات ذكية وجداول لمعدل التعلم ومتوسطات الأوزان — موصوف في الأوراق العلمية منذ سنوات. وتقاربت جميع النماذج على الحقيبة نفسها من الأفكار تقريباً.

كان الفارق في التنفيذ. النماذج الأقوى لا تدفن فرضية بعد محاولة سيئة واحدة: تغيّر بذرة العشوائية وتعيد القياسات وتعود للأفكار القديمة حين تتغير الظروف، وتميّز التقدم الحقيقي عن الضجيج بعناية أكبر. كما أنها تبني أدواتها بنفسها: كتبت Kimi K3 دوالاً خاصة لمقارنة منحنيات الخسارة وأسّست مختبراً رقمياً مصغّراً تحققت فيه من طريقة Newton–Schulz على حالات بسيطة قبل نقلها إلى التدريب الفعلي.

لماذا يضرب هذا سيناريو «ذكاء اصطناعي يحسّن ذكاء اصطناعي»؟

تقول الحكاية الكلاسيكية للتحسين الذاتي العود: أذكى نموذج مغلق يبدأ بتطوير نفسه ويبتعد بلا رجعة ويترك الجميع خلفه. لكن هذه التجربة تهز تلك الصورة. حين تنفد الأفكار سريعاً، لا يفوز الأذكى بل من حلقة «اقترح — اختبر — ارفض» لديه أرخص وأسرع. النماذج المفتوحة بقيادة طبقة وكلاء جيدة تجري محاولات أكثر مقابل كل دولار، وهذا يتبيّن أنه أهم من نقطة إضافية في جدول الاختبارات.

أين المكمن؟

وبإنصاف: المهمة هنا واحدة وضيقة جداً. سكربت تدريب واحد ومقياس واحد واضح ومعيار نجاح صريح، بينما العلم الحقيقي أعقد بكثير. ولم تظهر طرائق جديدة أيضاً، فالحديث ما يزال عن أتمتة روتين الباحث لا عن استبداله. كما أن النتيجة تعتمد بشدة على الطبقة نفسها: نموذج Kimi K3 ذاته دون طبقة الوكلاء يركض أسوأ بكثير.

أسئلة شائعة

ما هي طبقة الوكلاء (Harness)؟

طبقة تحيط بالنموذج: أدوات، وبيئة تنفيذ للكود، وذاكرة للخطوات السابقة، ومجدول مهام. النموذج ذاته لا يتغير لكن عمله يصير أسهل — كإنسان جلس إلى مكتب مجهز بالأدوات الصحيحة.

هل يمكن للمستخدمين العاديين تجربة Kimi K3؟

نعم، أوزان النموذج مفتوحة. يمكنك الدردشة معه عبر دردشة NeuralSpace وتجربة سيناريوهات الوكلاء في قسم البرمجة.

هل سيكتب الذكاء الاصطناعي ورقاً علمية بنفسه قريباً؟

ليس بهذه السرعة. الوكلاء الذاتيون ينجحون حيث يوجد مقياس دقيق وتغذية راجعة سريعة، أما الفرضيات والذوق وطرح الأسئلة الصحيحة فما تزال منطقة بشرية. لكن البنية التحتية حول النماذج هي الأسرع تطوراً الآن، ويستحق هذا الاتجاه المتابعة.