من التعلم الآلي إلى الذكاء العام: خريطة تطور الذكاء الاصطناعي

عندما ننظر إلى الذكاء الاصطناعي اليوم، قد يبدو لنا وكأنه ظهر فجأة مع نماذج المحادثة، وتوليد الصور، والوكلاء الذكيين، لكن الحقيقة أن ما نراه الآن هو نتيجة رحلة طويلة امتدت عبر عقود من البحث في الرياضيات وعلوم الحاسوب والمنطق والإحصاء والشبكات العصبية. بدأت الرحلة بأنظمة محدودة تعتمد على قواعد يكتبها الإنسان، ثم ظهر التعلم الآلي، وبعده التعلم العميق، ثم تطورت نماذج اللغة الكبيرة والأنظمة متعددة الوسائط، وأصبح الحديث أكثر جدية عن الوصول يومًا ما إلى الذكاء الاصطناعي العام AGI.

فهم هذه الخريطة مهم لأن كثيرًا من المصطلحات تختلط على المستخدم العادي. هل التعلم الآلي هو الذكاء الاصطناعي نفسه؟ هل التعلم العميق أكثر ذكاءً؟ هل النماذج التوليدية الحالية تساوي الذكاء العام؟ ولماذا ما يزال الباحثون يستخدمون مصطلح AGI رغم أن بعض النماذج تستطيع بالفعل الكتابة والبرمجة وتحليل الصور؟

الإجابة تحتاج إلى النظر إلى الذكاء الاصطناعي كمسار تطور تقني، لا كتقنية واحدة ظهرت في لحظة معينة. وكل مرحلة في هذا المسار بنت قدراتها على المرحلة السابقة، لكنها أيضًا جاءت بقيود جديدة وأسئلة أصعب.

من التعلم الآلي إلى الذكاء العام خريطة تطور الذكاء الاصطناعي

ما المقصود بخريطة تطور الذكاء الاصطناعي؟

يمكن تصور تطور الذكاء الاصطناعي كسلسلة من الطبقات. في البداية كانت الأنظمة تنفذ قواعد صريحة، ثم تعلمت بعض الأنظمة استخراج الأنماط من البيانات، وبعد ذلك ظهرت شبكات تستطيع التعامل مع الصور واللغة بصورة أكثر تعقيدًا، ثم وصلت النماذج الحديثة إلى مرحلة يمكنها فيها التعامل مع مهام كثيرة من خلال واجهة واحدة.

هذه المراحل لا تعني أن التقنية القديمة اختفت تمامًا. ما زالت أنظمة القواعد والتعلم الآلي التقليدي تستخدم في عدد هائل من التطبيقات. الجديد هو أن كل مرحلة أضافت قدرات أوسع وأكثر مرونة.

التطور لا يعني أن كل جيل يلغي ما قبله

قد يكون نموذج بسيط لتوقع الطلب أفضل من نموذج لغوي ضخم في مهمة محددة. وقد تكون خوارزمية تقليدية أسرع وأرخص وأكثر قابلية للتفسير من شبكة عصبية هائلة.

لذلك فخريطة التطور لا تعني ترتيبًا من "الأسوأ إلى الأفضل"، بل انتقالًا من أنظمة متخصصة جدًا إلى أنظمة أكثر قدرة على التعميم والتعامل مع مهام متعددة.

البداية: الذكاء الاصطناعي القائم على القواعد

قبل انتشار التعلم الآلي، اعتمد جزء كبير من أبحاث وتطبيقات الذكاء الاصطناعي على ما يسمى Rule-Based Systems أو الأنظمة القائمة على القواعد.

في هذا النوع من الأنظمة، يحدد الإنسان مجموعة من القواعد المنطقية، ثم يستخدم النظام هذه القواعد للوصول إلى قرار.

كيف كانت هذه الأنظمة تعمل؟

قد تكون القاعدة على شكل:

إذا حدث الشرط الأول والشرط الثاني، فاختر النتيجة الثالثة.

بهذه الطريقة، يمكن بناء أنظمة تشخيص أو أنظمة خبرة في مجالات محددة.

أين كانت المشكلة؟

المشكلة أن العالم الحقيقي معقد جدًا. كتابة قاعدة لكل احتمال تصبح صعبة بسرعة، خصوصًا عندما تكون البيانات غير منظمة أو متغيرة.

هنا بدأ الباحثون يبحثون عن طريقة تجعل النظام يتعلم من الأمثلة بدل الاعتماد الكامل على القواعد المكتوبة يدويًا.

ظهور التعلم الآلي: عندما بدأت الآلة تتعلم من البيانات

التعلم الآلي Machine Learning مثّل نقلة حقيقية، لأن الهدف أصبح تدريب النظام على اكتشاف الأنماط بنفسه.

بدل أن يقول المبرمج للنظام كيف يفرق بين فئتين، يتم إعطاؤه بيانات تحتوي على أمثلة، ثم يتعلم العلاقة بينها.

لماذا كان هذا التحول مهمًا؟

لأن كثيرًا من المشكلات لا يمكن وصفها بسهولة بقواعد ثابتة.

كيف تكتب قاعدة دقيقة تصف كل أشكال الوجوه؟ أو كل الطرق الممكنة التي يمكن أن يستخدم بها العميل بطاقته البنكية؟ أو كل العوامل التي تؤثر في سعر منزل؟

هنا يصبح التعلم من البيانات أكثر فعالية من كتابة القواعد.

التعلم الآلي جعل التنبؤ والتصنيف أكثر مرونة

أصبح بالإمكان استخدامه في:

• التنبؤ بالمبيعات.

• اكتشاف الاحتيال.

• تصنيف البريد الإلكتروني.

• تحليل سلوك العملاء.

• تقييم المخاطر.

• اكتشاف الأنماط في البيانات.

هذه التطبيقات قد لا تبدو مثيرة مثل توليد الصور، لكنها كانت الأساس الذي فتح الباب أمام المراحل التالية.

التعلم العميق: عندما أصبحت الأنماط أكثر تعقيدًا

مع تطور الحوسبة وزيادة البيانات، عاد الاهتمام بقوة إلى الشبكات العصبية الاصطناعية، وظهر ما نعرفه اليوم باسم التعلم العميق Deep Learning.

الفكرة هنا أن الشبكة تتكون من طبقات كثيرة تستطيع تعلم تمثيلات معقدة تدريجيًا.

لماذا كان التعلم العميق مختلفًا؟

في كثير من تطبيقات التعلم الآلي التقليدي، كان الإنسان يحتاج إلى تحديد الخصائص المهمة يدويًا.

أما في التعلم العميق، فالنموذج يستطيع تعلم كثير من الخصائص بنفسه من البيانات الخام.

إذا كنت تريد تحليل صورة، فلا تحتاج دائمًا إلى تعريف الحواف والأشكال يدويًا. الشبكة يمكن أن تتعلم هذه الطبقات تدريجيًا أثناء التدريب.

الرؤية الحاسوبية كانت من أكبر المستفيدين

سمحت الشبكات العميقة بتحسين كبير في التعرف على الصور، والكشف عن الأجسام، وتصنيف المشاهد.

وأصبح من الممكن بناء أنظمة تتعامل مع بيانات بصرية معقدة بدرجة لم تكن عملية من قبل.

من الصور إلى اللغة: صعود معالجة اللغة الطبيعية

بعد النجاح في الصور، بدأ التطور يتسارع في معالجة اللغة الطبيعية NLP.

اللغة تحدٍ أصعب لأنها تعتمد على السياق، والمعنى، والعلاقات بين الكلمات.

النماذج القديمة كانت محدودة بالسياق

كانت كثير من الأساليب القديمة تتعامل مع الكلمات بطريقة سطحية نسبيًا، أو ضمن نطاق قصير.

لكن اللغة تحتاج إلى فهم العلاقات بين أجزاء قد تكون متباعدة داخل الجملة أو النص.

هنا ظهرت أهمية تمثيل الكلمات والسياق

بدأت النماذج تتعلم تمثيلات رقمية أكثر غنى للكلمات، ثم تطورت هذه التمثيلات لتصبح سياقية، أي أن معنى الكلمة يعتمد على الجملة التي تظهر فيها.

Transformers: النقلة التي أعادت تشكيل الذكاء الاصطناعي اللغوي

بنية Transformers كانت من أهم التطورات التي سمحت ببناء نماذج لغوية قوية.

تعتمد هذه البنية بدرجة كبيرة على آلية Attention، التي تساعد النموذج على تقدير العلاقات بين أجزاء مختلفة من النص.

لماذا كانت Attention مهمة؟

لأنها سمحت للنموذج بالنظر إلى العلاقات بين الكلمات داخل السياق بصورة أكثر فعالية.

بدل معالجة النص كمجرد سلسلة جامدة، أصبح من الممكن تحديد أي أجزاء النص أكثر ارتباطًا ببعضها.

Transformers لم تتوقف عند اللغة

مع الوقت، امتدت الفكرة إلى الصور والصوت والفيديو وأنواع أخرى من البيانات، وأصبحت بنية أساسية في كثير من أنظمة الذكاء الاصطناعي الحديثة.

نماذج اللغة الكبيرة: من إكمال الجملة إلى أداء مهام متعددة

ظهور Large Language Models مثّل خطوة مهمة في انتقال الذكاء الاصطناعي من النماذج المتخصصة إلى أنظمة تستطيع التعامل مع نطاق واسع من المهام.

تم تدريب هذه النماذج على كميات ضخمة من النصوص والبيانات.

لماذا بدت هذه النماذج أكثر عمومية؟

لأنها لم تعد مصممة فقط لمهمة واحدة.

النموذج نفسه قد يستطيع الكتابة، والتلخيص، والترجمة، وشرح الأكواد، وتحليل النصوص، والإجابة عن الأسئلة.

هذا جعل التفاعل معه أكثر مرونة بكثير من الأنظمة القديمة.

هل هذا يعني أنها أصبحت ذكاءً عامًا؟

ليس بالضرورة.

قدرة النموذج على أداء مهام كثيرة لا تعني تلقائيًا أنه يمتلك ذكاءً عامًا بالمفهوم الكامل.

يمكن أن يكون واسع المهارات لكنه لا يزال يواجه قيودًا في الفهم، والاستدلال، والموثوقية، والذاكرة، والتعامل مع الواقع.

الذكاء الاصطناعي التوليدي: من التحليل إلى الإنشاء

مع انتشار Generative AI، لم يعد النظام يكتفي بتصنيف البيانات أو التنبؤ بها، بل أصبح قادرًا على إنشاء نصوص وصور وأصوات وفيديوهات.

لماذا كانت هذه المرحلة مهمة؟

لأنها غيرت طريقة تفاعل الناس مع AI.

في الأنظمة القديمة، كان الذكاء الاصطناعي يعمل غالبًا في الخلفية.

أما الآن، فأصبح المستخدم يتعامل مباشرة مع النموذج، ويطلب منه إنشاء محتوى أو حل مشكلة أو اقتراح أفكار.

الواجهة اللغوية فتحت المجال للجميع

لم يعد استخدام AI يحتاج دائمًا إلى معرفة تقنية عميقة.

يكفي أن تكتب ما تريد بلغة طبيعية، فيحاول النموذج فهم طلبك وتنفيذه.

وهذا ما جعل الذكاء الاصطناعي ينتقل من أدوات متخصصة إلى أدوات عامة الاستخدام.

النماذج متعددة الوسائط: خطوة أقرب لفهم العالم

الإنسان لا يفهم العالم من النص وحده. نحن نرى ونسمع ونتحدث ونربط كل هذه المعلومات معًا.

لهذا ظهر اتجاه Multimodal AI، الذي يسمح للنظام بالتعامل مع النص والصورة والصوت والفيديو في الوقت نفسه.

ما الذي يميز النظام متعدد الوسائط؟

يمكن للنموذج أن يرى صورة، ويقرأ نصًا، ويستمع إلى صوت، ثم يربط هذه الأنواع من المعلومات.

هذا يزيد مرونته في التطبيقات العملية.

لماذا تعتبر هذه الخطوة مهمة نحو أنظمة أكثر عمومية؟

لأن الذكاء البشري يعتمد على دمج مصادر متعددة من المعلومات.

كلما استطاع النظام الربط بين أنواع أكثر من البيانات، أصبح أقرب إلى التعامل مع العالم بصورة أكثر شمولًا.

الوكلاء الذكيون: من الإجابة إلى تنفيذ المهام

المرحلة التالية في التطور هي AI Agents أو الوكلاء الذكيون.

المساعد العادي يجيب عن سؤال.

أما الوكيل، فيمكن أن يحصل على هدف، ثم يخطط وينفذ عدة خطوات لتحقيقه.

كيف يعمل الوكيل الذكي؟

قد يقوم مثلًا بـ:

• تحليل الهدف.

• تقسيمه إلى مهام.

• استخدام أدوات خارجية.

• فحص النتائج.

• تعديل الخطة.

• تنفيذ الخطوات التالية.

هذا يجعل النظام أقرب إلى موظف رقمي ينفذ سلسلة من الأعمال بدل تقديم إجابة واحدة.

الوكلاء يمثلون نقلة في مفهوم AI

القيمة لم تعد في معرفة الإجابة فقط، بل في القدرة على تنفيذ المهمة.

وهذا قد يغير طريقة عمل الشركات والبرمجيات بصورة كبيرة.

ما هو الذكاء الاصطناعي الضيق ANI؟

معظم أنظمة الذكاء الاصطناعي المستخدمة اليوم يمكن تصنيفها بدرجة كبيرة ضمن Artificial Narrow Intelligence أو الذكاء الاصطناعي الضيق.

هذا النوع يكون قويًا في مهمة أو مجموعة من المهام، لكنه لا يمتلك بالضرورة مرونة بشرية عامة.

النظام قد يكون خارقًا في مجال ومحدودًا في آخر

نموذج يمكن أن يهزم أفضل اللاعبين في لعبة معينة لكنه لا يعرف كيف يطبخ.

ونظام طبي قد يحلل الصور لكنه لا يفهم الاقتصاد.

حتى النماذج الواسعة الحالية تظل محدودة بحدود تدريبها وبنيتها وأدواتها.

ما هو الذكاء الاصطناعي العام AGI؟

Artificial General Intelligence هو مفهوم يشير إلى نظام يمتلك قدرات عامة ومرنة تسمح له بالتعلم والفهم والتعامل مع نطاق واسع جدًا من المهام على مستوى قريب من الإنسان أو مماثل له في جوانب متعددة.

لا يوجد تعريف واحد متفق عليه بالكامل، لكن الفكرة الأساسية هي الانتقال من النظام المتخصص إلى نظام يمكنه التعلم والتكيف عبر مجالات كثيرة.

ما الذي قد يميز AGI عن الأنظمة الحالية؟

من الخصائص التي غالبًا ما تُناقش:

• القدرة على التعلم من خبرات قليلة.

• نقل المعرفة بين مجالات مختلفة.

• التخطيط طويل المدى.

• فهم سياق العالم بدرجة أعمق.

• التعامل مع مواقف جديدة لم تُدرج صراحة في التدريب.

• التكيف مع أهداف جديدة.

هذه الخصائص لا تعمل كقائمة رسمية نهائية، لكنها توضح الفكرة العامة.

هل نماذج اللغة الحالية تعتبر AGI؟

هذه مسألة خلافية، والإجابة تعتمد على التعريف المستخدم.

بعض الأنظمة الحديثة تمتلك قدرات واسعة جدًا مقارنة بالأجيال السابقة، لكنها ما تزال تواجه أخطاء في الاستدلال، وعدم الثبات، وصعوبة التعامل مع بعض المهام طويلة المدى.

التعدد في المهارات لا يساوي بالضرورة ذكاءً عامًا كاملًا

أن يتمكن نموذج واحد من الكتابة والترجمة والبرمجة لا يعني تلقائيًا أنه يمتلك فهمًا عامًا مماثلًا للإنسان.

المرونة الحقيقية تحتاج إلى قدرة موثوقة على التكيف والتعلم والاستدلال عبر مواقف جديدة.

ما الفرق بين AGI والذكاء الفائق ASI؟

إذا كان AGI يشير إلى ذكاء عام قريب من القدرات البشرية، فإن Artificial Superintelligence أو ASI يشير إلى تصور لنظام يتجاوز البشر بدرجة كبيرة في معظم المجالات المعرفية.

ASI ما يزال مفهومًا افتراضيًا

حتى الآن لا نتعامل مع ذكاء فائق كواقع متحقق.

هو جزء من الدراسات المستقبلية والنقاشات المتعلقة بالسلامة والحوكمة.

لماذا يناقش الباحثون شيئًا غير موجود بعد؟

لأن بعض التقنيات يمكن أن تصبح مؤثرة جدًا إذا تطورت بسرعة.

التفكير المبكر في السلامة أفضل من محاولة معالجة المخاطر بعد ظهورها.

هل زيادة حجم النماذج وحدها تؤدي إلى AGI؟

هذا سؤال أساسي.

هناك اتجاه يرى أن زيادة البيانات والحوسبة وحجم النماذج يمكن أن تؤدي إلى قدرات أكبر تدريجيًا.

لكن آخرين يرون أن الوصول إلى الذكاء العام قد يحتاج إلى ابتكارات بنيوية جديدة، لا مجرد توسيع النماذج الحالية.

الحجم يحسن القدرة لكنه لا يحل كل شيء

النموذج الأكبر قد يكون أقوى، لكنه قد يظل يواجه مشكلات مثل الهلوسة، والموثوقية، والتخطيط الطويل، وفهم العلاقات السببية.

لذلك قد تكون المرحلة المقبلة مزيجًا من التوسع والابتكار.

هل الذاكرة عنصر ضروري للذكاء العام؟

الإنسان يبني معرفته عبر ذاكرة طويلة المدى ويستفيد من تجاربه السابقة.

كثير من أنظمة AI الحالية تعمل ضمن سياق محدود أو تعتمد على أنظمة خارجية لتخزين المعلومات.

الذاكرة المستمرة قد تغير طريقة عمل الوكلاء

إذا استطاع النظام الاحتفاظ بتجاربه السابقة واستخدامها لاحقًا، فقد يصبح أكثر قدرة على التعلم المستمر.

لكن هذا يفتح أيضًا أسئلة عن الخصوصية والأمان ودقة الذكريات المخزنة.

هل يحتاج AGI إلى فهم العالم المادي؟

هذه قضية أخرى مهمة.

بعض الباحثين يرون أن الذكاء العام قد يحتاج إلى التفاعل مع العالم، وليس فقط التدريب على النصوص.

الروبوتات والذكاء المجسد

مفهوم Embodied AI يركز على أن يكون الذكاء داخل وكيل يتفاعل مع البيئة.

الروبوت يتعلم من الحركة والرؤية واللمس، وليس فقط من البيانات الرقمية.

التجربة قد تضيف نوعًا مختلفًا من الفهم

الإنسان يتعلم أن النار ساخنة من العالم الحقيقي، لا من الجمل فقط.

الأنظمة المجسدة قد تساعد AI على ربط المفاهيم بالتجربة.

ما دور التعلم المستمر في تطور الذكاء الاصطناعي؟

معظم النماذج يتم تدريبها ثم نشرها.

لكن الذكاء العام قد يحتاج إلى Continual Learning، أي القدرة على اكتساب معرفة جديدة دون فقدان القديمة.

نسيان المعرفة القديمة يمثل تحديًا

عندما يتم تدريب بعض النماذج على مهام جديدة، قد تتدهور قدراتها السابقة.

هذه المشكلة تسمى أحيانًا Catastrophic Forgetting.

حلها مهم لبناء أنظمة تتعلم على مدى طويل.

ما أكبر العقبات أمام الذكاء العام؟

لا توجد عقبة واحدة فقط، بل مجموعة من التحديات التقنية والعلمية.

من أبرزها:

• الاستدلال الموثوق.

• التخطيط طويل المدى.

• التعلم من بيانات قليلة.

• فهم العلاقات السببية.

• الذاكرة المستمرة.

• التفاعل مع العالم الحقيقي.

• تقليل الهلوسة.

• ضمان السلامة والتحكم.

كل واحدة من هذه القضايا مجال بحث واسع بحد ذاته.

لماذا يعتبر التعميم جوهر فكرة AGI؟

الإنسان يستطيع استخدام معرفة تعلمها في موقف جديد.

إذا تعلمت مفهوم التوازن أثناء ركوب الدراجة، قد تستفيد منه عند تعلم نشاط آخر.

التعميم يعني أكثر من حفظ الأمثلة

النظام العام يحتاج إلى استخراج المبادئ ونقلها إلى سياقات مختلفة.

هذا أصعب كثيرًا من النجاح في اختبار مشابه لبيانات التدريب.

هل الوصول إلى AGI مسألة وقت فقط؟

لا يمكن تقديم إجابة مؤكدة.

لا يوجد اتفاق علمي نهائي على موعد أو حتى مسار واحد للوصول إلى الذكاء العام.

التوقعات تختلف بشدة

هناك من يرى أن القدرات تتقدم بسرعة، وهناك من يرى أن المشكلات المتبقية أصعب مما تبدو.

لذلك يجب التعامل مع أي موعد حاسم بوصفه توقعًا لا حقيقة علمية.

كيف يمكن أن يغير الذكاء العام العالم إذا تحقق؟

إذا ظهر نظام بقدرات عامة موثوقة، فقد يؤثر في البحث العلمي والتعليم والهندسة والبرمجة والصحة والصناعة.

القدرة على البحث العلمي قد تكون من أهم المجالات

نظام يستطيع قراءة الأبحاث وتحليل البيانات واقتراح فرضيات قد يسرع بعض مراحل الاكتشاف.

لكن القرارات العلمية والاختبارات الواقعية ستظل بحاجة إلى تحقق.

سوق العمل قد يتغير جذريًا

إذا استطاعت الأنظمة تنفيذ مهام معرفية كثيرة بمرونة، فقد تتغير طبيعة الوظائف نفسها.

ولهذا يصبح الاستعداد للتقنية مسألة تعلم وتكيف، لا مجرد متابعة أخبار.

السلامة تصبح أكثر أهمية كلما زادت القدرة

كلما أصبح النظام أكثر قوة واستقلالية، زادت أهمية التأكد من أن أهدافه وسلوكه متوافقان مع ما نريده.

الذكاء وحده ليس الهدف

النظام الذكي لكنه غير موثوق قد يكون أقل فائدة من نظام أضعف لكنه يمكن التحكم فيه.

لهذا تهتم أبحاث AI Safety بقضايا مثل المحاذاة، والتحكم، والشفافية، والتقييم.

من التعلم الآلي إلى AGI: هل الطريق خط مستقيم؟

غالبًا لا.

التطور التقني لا يسير عادة في خط واضح.

قد تظهر تقنيات جديدة تغير الاتجاه، أو نكتشف أن مشكلة معينة تحتاج إلى حل مختلف تمامًا.

الذكاء الاصطناعي يتطور كشبكة من الأفكار

التعلم الآلي، والتعلم العميق، والمحولات، والنماذج التوليدية، والوكلاء، والروبوتات، كلها مسارات تتفاعل مع بعضها.

قد يأتي الذكاء العام من دمج عدة تقنيات، لا من تقنية واحدة فقط.

كيف تفهم خريطة التطور دون تضخيم أو تقليل؟

أفضل طريقة هي التمييز بين ما تحقق فعليًا وما يزال هدفًا بحثيًا.

لدينا اليوم أنظمة قوية في التوليد والتحليل والتفاعل متعدد الوسائط، لكن مصطلح AGI يظل أوسع وأكثر تعقيدًا.

الانبهار لا يجب أن يلغي التفكير النقدي

من السهل رؤية نموذج يكتب كودًا أو يحلل صورة والاعتقاد أننا وصلنا إلى ذكاء بشري كامل.

لكن الاختبارات الحقيقية تظهر أن الأنظمة ما تزال تمتلك نقاط ضعف واضحة.

وفي المقابل، لا ينبغي التقليل من سرعة التقدم

القدرات التي كانت تبدو صعبة جدًا قبل سنوات أصبحت اليوم جزءًا من أدوات متاحة للمستخدم العادي.

لهذا يستحق المجال المتابعة العلمية الهادئة بعيدًا عن التهويل والإنكار معًا.

الخلاصة: تطور الذكاء الاصطناعي هو انتقال من التخصص إلى المرونة

بدأت رحلة الذكاء الاصطناعي بأنظمة تعتمد على قواعد يكتبها الإنسان، ثم ظهر التعلم الآلي الذي جعل النماذج تتعلم من البيانات، وبعده جاء التعلم العميق الذي مكّن الأنظمة من التعامل مع أنماط أكثر تعقيدًا في الصور والصوت واللغة.

ثم غيرت Transformers ونماذج اللغة الكبيرة طريقة التفاعل مع الآلة، وأصبحت النماذج قادرة على تنفيذ مجموعة واسعة من المهام من خلال اللغة الطبيعية. بعد ذلك ظهر الذكاء الاصطناعي التوليدي بصورة واسعة، ثم بدأت الأنظمة متعددة الوسائط والوكلاء الذكيون تدفع المجال نحو مزيد من الاستقلال والمرونة.

لكن رغم هذا التقدم، يظل الذكاء الاصطناعي العام AGI مفهومًا أكبر من مجرد نموذج يستطيع أداء مهام كثيرة. الفكرة ترتبط بقدرة عامة على التعلم، ونقل المعرفة، والتكيف، والتخطيط، والتعامل مع مواقف جديدة بصورة موثوقة.

الطريق من التعلم الآلي إلى AGI ليس طريقًا محسومًا، ولا توجد تقنية واحدة نعرف أنها ستوصلنا إليه بالتأكيد. قد يعتمد المستقبل على نماذج أكبر، أو بنى جديدة، أو دمج الذاكرة والوكلاء والروبوتات والتعلم المستمر، أو مزيج من هذه الاتجاهات.

ما نعرفه يقينًا هو أن الذكاء الاصطناعي انتقل بالفعل من أنظمة ضيقة جدًا إلى أنظمة أكثر عمومية ومرونة، وأن فهم هذه الرحلة يساعدك على التمييز بين الواقع العلمي والضجيج التقني. وكلما فهمت كيف وصلنا من الخوارزميات البسيطة إلى النماذج المتعددة الوسائط، أصبحت الصورة أوضح أمامك حول ما يمكن أن يأتي بعد ذلك.