الذكاء الاصطناعي: التنبؤ، الاستدلال، ومفهوم 'محو التعلم' في الطب

أجريتُ على مدار العامين الماضيين مئات المحادثات حول الذكاء الاصطناعي، مع جهات تنظيمية ومؤسسات مالية ومهندسين ومديرين تنفيذيين وأشخاص متشككين. وما يبرز باستمرار هو حجم الالتباس والغموض المحيط بهذا المجال؛ فالجميع يتحدثون عن الذكاء الاصطناعي وكأنه تقنية واحدة تسير في اتجاه واحد، في حين أن الواقع أكثر تعقيداً وتفصيلاً بكثير؛ كما كتب شون كامكار.

الذكاء الاصطناعي نقطة التقاء التنبؤ والاستدلال

يمثل الذكاء الاصطناعي نقطة التقاء لنظامين مختلفين جوهرياً: أحدهما مصمم للتنبؤ (to predict)، والآخر مصمم للاستدلال (to reason). وستحظى الشركات التي تدرك هذا الفرق وتتعلم كيفية الجمع بينهما بميزة كبيرة، متفوقة بذلك على الشركات التي تتعامل مع الذكاء الاصطناعي كأداة أحادية النمط.

الذكاء الاصطناعي التنبؤي مقابل الذكاء الاصطناعي التوليدي

الذكاء الاصطناعي التنبؤي، كان لسنوات كثيرة يدعم اتخاذ القرارات بصمت ومن وراء الكواليس؛ إذ تتفوق نماذج تعلم الآلة في رصد الأنماط عبر كميات هائلة من البيانات التاريخية. وعلى سبيل المثال، في قطاع الائتمان، تحلل هذه النماذج أحجاماً ضخمة من البيانات التاريخية لتحديد أنماط يعجز أي محلل بشري عملياً عن رصدها وسط ملايين النتائج؛ فهي تتنبأ باحتمالية سداد المبالغ المالية، ومخاطر الاحتيال، وتقلبات المحفظة الاستثمارية، بدقة تفوق بكثير دقة أنظمة التقييم التقليدية التي أُنشئت قبل عقود.

أما الذكاء الاصطناعي التوليدي، فيؤدي وظيفة مختلفة تماماً، فهو يجمع المعلومات، ويتعامل مع الغموض، ويتواصل بلغة بشرية. وبإمكانه شرح أهمية اتجاه معين، وتلخيص النتائج المعقدة، وإبراز المقايضات الاستراتيجية، ومساعدة الأشخاص على التفاعل مع أنظمة كانت تتطلب سابقاً خبرة متخصصة لفهمها. ولا تقتصر وظيفته على التنبؤ فحسب؛ بل تشمل الاستدلال والترجمة (تحويل البيانات إلى مفاهيم مفهومة).

الفرق والدمج بين الاثنين: وأبسط طريقة لفهم هذا الفرق هي التشبيه التالي: يمثل تعلم الآلة «المختبر التشخيصي» الذي يُجري الفحوصات، بينما يمثل الذكاء الاصطناعي التوليدي «الطبيب» الذي يساعد في تفسير النتائج وتحديد الخطوة التالية. لا يستغني أي منهما عن الآخر؛ بل إنهما يتكاملان معاً لإنشاء منظومة أكثر قوة وفعالية.

استخدم نوع الذكاء الاصطناعي المناسب للمهمة

تكتسب هذه التفرقة أهميتها لأن كثيراً من المؤسسات تحاول حالياً إقحام الذكاء الاصطناعي التوليدي في أدوار لم يُصمم أصلاً للقيام بها. فرغم القدرات الهائلة لنماذج اللغة الكبيرة، فإنها ليست أنظمة تنبؤ حتمية (أي لا تعطي نتائج ثابتة ومحددة بدقة رياضية).

إن مطالبة «روبوت محادثة» (chatbot) عمومي الأغراض، باتخاذ قرارات مالية أو تشغيلية مصيرية بشكل مستقل -دون وجود بنية تحتية تحليلية متخصصة تدعمه- تشبه إلى حد ما مطالبة طبيب بتشخيص حالة مريض دون الاستعانة بالمختبرات ولا الفحوصات الطبية ولا قياس المؤشرات الحيوية؛ فالاستدلال الذي يفتقر إلى بيانات موثوقة وراسخة يظل غير جدير بالثقة.

وفي الوقت نفسه، تخلق أنظمة التنبؤ التي تفتقر إلى القابلية للتفسير مشكلة من نوع آخر. ما ألاحظه هو أن المؤسسات باتت قادرة على توليد مخرجات تتسم بدقة متزايدة، ولكنها عصيَّة على الفهم، ولا يفهمها إلا عدد أقل من البشر. وهذا التباين هو ما يشكِّل ملامح المرحلة المقبلة من تبنِّي الذكاء الاصطناعي في مختلف القطاعات.

تطبيقات ميدانية متنوعة

على سبيل المثال، في مجال الرعاية الصحية، يمكن لنماذج التنبؤ تحديد المرضى الأكثر عرضة للمخاطر في وقت أبكر، مقارنة بأساليب الفحص التقليدية. ومع ذلك، لا يزال الأطباء بحاجة إلى أنظمة قادرة على تفسير النتائج، وتلخيص الاعتبارات العلاجية، والتواصل بوضوح مع المرضى. وفي مجال المركبات ذاتية القيادة، تعمل إحدى طبقات الذكاء الاصطناعي باستمرار على رصد المسارات والمشاة والمسافات والعوائق لحظة بلحظة، بينما تتولى طبقة أخرى تحديد كيفية استجابة المركبة للظروف المتغيرة.

ويتكرر هذا النمط في كل مكان: ذكاء تنبؤي مقترن بذكاء استنتاجي (قائم على المنطق والتحليل).

الجمع بين التنبؤ والاستنتاج... والتقدير البشري

تُعد عمليات الإقراض من أوضح الأمثلة على ذلك؛ إذ يجب أن تكون عملية التقييم الائتماني حتمية وقابلة للتكرار -بمعنى أن المُدخلات ذاتها يجب أن تُفضي إلى النتيجة والتفسير نفسيهما في كل مرة- وإلا فلن يكون القرار قابلاً للتبرير أمام الجهات الرقابية ولا المقترضين. وهنا تبرز قوة التعلم الآلي، غير أنه لا يوفر وسيلة لاستكشاف دلالات تلك الأرقام ومعانيها.

وهنا يأتي دور الذكاء الاصطناعي التوليدي لسد هذه الفجوة؛ فهو يتولى تفسير النتائج في سياقها الصحيح، واختبار سيناريوهات افتراضية بديلة (تحليل «ماذا لو؟») على المحافظ الائتمانية، ومحاكاة تأثير تغيير السياسات على قرارات الموافقة. فبدلاً من الاكتفاء بتقييم القروض، يساعد هذا الذكاء المقرضين على فهم مخرجات الأنظمة التي تتولى عملية التقييم الفعلية. ولا يلغي هذا المزيج دور التقدير البشري؛ بل يعزز قيمته؛ إذ يتيح للبشر تخصيص وقت أقل للتحليل الروتيني، وتكريس وقت أكبر للتعامل مع الحالات الاستثنائية، واتخاذ القرارات الاستراتيجية، وممارسة مهام الرقابة والإشراف.

إن المؤسسات التي تحقق أفضل النتائج هي تلك التي لا تستبدل بالبشر أنظمة الذكاء الاصطناعي؛ بل تبني أنظمة تتكامل فيها أشكال الذكاء المختلفة: نماذج إحصائية ترصد الأنماط على نطاق واسع، وأنظمة توليدية تحوِّل التعقيد إلى رؤى قابلة للتطبيق، وعنصر بشري يضيف السياق ويقوم بأدوار الرقابة والتقدير.

قدرات التحليل المتقدمة

على مدى عقود، تركزت القدرات التحليلية المتقدمة داخل كبرى المؤسسات العالمية؛ إذ كانت تلك المؤسسات وحدها تمتلك الموارد المالية اللازمة لتوفير البنية التحتية والخبرات المطلوبة لمعالجة المعلومات على نطاق واسع. غير أن الذكاء الاصطناعي بدأ يُغيِّر هذا الواقع؛ فالمنظمات التي ستجني أكبر قدر من الفوائد لن تكون تلك التي تسعى وراء الأتمتة الكاملة؛ بل تلك التي تدمج بين التنبؤ والاستدلال والتقدير البشري، في منظومات عمل تعزز من فاعلية الأفراد.

تخيّل مريضاً وافق قبل سنوات على استخدام بياناته الطبية في تدريب نظام ذكي يساعد الأطباء في اكتشاف الأمراض. وهكذا دخلت صوره وفحوصه وتاريخه المرضي ضمن آلاف، وربما ملايين، السجلات التي استخدمت لبناء النموذج. ثم غيّر رأيه، وطلب سحب موافقته وحذف بياناته.

في قاعدة البيانات التقليدية يبدو الحل بسيطاً: يُحذف السجل وتنتهي القصة. لكن المشكلة تصبح أكثر تعقيداً عندما يكون النظام قد تعلّم بالفعل من تلك البيانات؛ فأثناء التدريب لا يحتفظ النموذج بالضرورة بسجل المريض كما تفعل قاعدة البيانات، بل تتغير معاملاته الداخلية استناداً إلى الأنماط التي استخلصها. وهكذا يمكن حذف الملف الأصلي، بينما يبقى جزء من أثره الإحصائي فيما تعلّمته الخوارزمية.

عندما لا يكفي زر «الحذف»

هل يمكن حذف ما تعلّمته الآلة أيضاً؟ هذا هو السؤال الذي طرحه باحثون في دراسة تحليلية حديثة نُشرت في 18 يوليو (تموز) 2026، في دورية «إن بي جيه ديجيتال ميديسن» (npj Digital Medicine)، التابعة لمحفظة «نيتشر» (Nature Portfolio)، بعنوان «محو التعلّم الآلي بوصفه ضرورة لحوكمة الذكاء الاصطناعي السريري».

وتناقش الدراسة مفهوم «محو التعلّم الآلي» (Machine Unlearning)، أي محاولة إزالة تأثير بيانات محددة من نموذج سبق تدريبه، من دون الحاجة بالضرورة إلى إعادة تدريبه بالكامل من نقطة الصفر.

وإذا نجحت هذه الفكرة عملياً، فقد تضيف إلى الطب الرقمي قدرة لم تكن جزءاً تقليدياً من تصميم الخوارزميات: ألّا تتعلم فقط، بل أن تعرف أيضاً كيف تنسى.

ما «محو التعلّم»؟

يقوم تدريب أنظمة الذكاء الاصطناعي على استخلاص أنماط وعلاقات إحصائية من كميات كبيرة من البيانات، ثم ترميز ما تعلّمته بصورة موزعة داخل معاملات النموذج، بحيث يستطيع لاحقاً استخدامها في التصنيف أو التنبؤ أو دعم التشخيص.

أما «محو التعلّم» فيحاول السير في الاتجاه المعاكس: إزالة أثر بيانات بعينها بعد أن يكون النموذج قد تعلّم منها بالفعل. والهدف، بدلاً من إعادة التدريب من نقطة الصفر كلما طُلب حذف سجل، هو تعديل النموذج بحيث يصبح سلوكه قريباً قدر الإمكان من نموذج افتراضي لم يتدرب على تلك البيانات أصلاً. ويُعرف هذا النموذج المعاد تدريبه من دون البيانات المطلوب حذفها أحياناً بأنه «المعيار الذهبي» الذي تُقارن به فاعلية عملية المحو.

والفرق هنا جوهري؛ فحذف صورة أشعة أو نتيجة فحص من قاعدة البيانات لا يضمن اختفاء تأثيرها من النموذج الذي سبق أن تدرب عليها؛ لأن أثرها قد يكون توزع بالفعل عبر عدد كبير من معاملاته الداخلية.

ويمكن تشبيه ذلك بتمزيق صفحة من كتاب بعد أن يكون القارئ قد حفظ محتواها: اختفت الصفحة، لكن المعلومة لم تختفِ بالضرورة من الذاكرة.

لماذا يحتاج الطب إلى «النسيان»؟

الحاجة إلى النسيان لا تبدأ أو تنتهي عندما يغيّر مريض رأيه ويسحب موافقته على استخدام بياناته؛ فقد يتبين بعد التدريب أن بعض السجلات احتوت على أخطاء، أو أن صوراً طبية صُنفت بتشخيص غير صحيح، أو أن مجموعة سكانية لم تُمثَّل بصورة متوازنة. وفي حالات أخرى، قد لا تكون المشكلة في البيانات نفسها، بل في أن المعرفة الطبية التي استندت إليها تغيّرت.

وهذه نقطة شديدة الأهمية في الطب؛ فالمعرفة السريرية ليست ثابتة. كما أن توصيات العلاج تتبدل مع ظهور تجارب وأدلة جديدة، وقد تُراجع ممارسات كانت مقبولة عندما جُمعت البيانات التي تعلم منها النظام.

ويستشهد الباحثون بجائحة «كوفيد-19» بوصفها مثالاً واضحاً، حين تغيرت الأدلة والتوصيات العلاجية بسرعة استثنائية؛ فإذا تعلم نموذج طبي من ممارسات ثبت لاحقاً أنها غير مناسبة، فإن مجرد إضافة بيانات أحدث قد لا يجيب دائماً عن سؤال أكثر صعوبة: هل يمكن إزالة أثر المعرفة التي لم نعد نريد للنظام أن يعتمد عليها؟

وهنا يكتسب «محو التعلّم» وظيفة تتجاوز حذف البيانات؛ فقد يصبح أداة لتصحيح الذاكرة السريرية للنموذج عندما يتغير العلم نفسه.

هل يملك المريض حقاً في أن تنساه الخوارزمية؟

تزداد المسألة تعقيداً عندما تنتقل من علوم الحاسوب إلى القانون وحقوق المريض؛ فاللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR) تمنح الأفراد، بموجب المادة 17 وفي ظروف محددة، حق طلب محو بياناتهم الشخصية، وهو ما يُعرف أحياناً بـ«الحق في المحو» أو «الحق في أن يُنسى».

لكن النماذج الذكية تطرح مشكلة لم تكن قواعد البيانات التقليدية مصممة للتعامل معها؛ فإذا دخلت بيانات المريض بالفعل في عملية التدريب، فإن حذف السجل الأصلي لا يجيب بالضرورة عن سؤال آخر: ماذا عن الأثر الذي تركته تلك البيانات داخل النموذج؟

وتشير الدراسة إلى أن مدى انطباق التزامات المحو على معاملات النماذج المدربة، لا يزال مسألة قانونية غير محسومة بالكامل؛ فالمعلومة الأصلية قد لا تبقى محفوظة في موضع محدد يمكن ببساطة العثور عليه وحذفه، وإنما قد يكون تأثيرها موزعاً عبر بنية النموذج.

وهنا تظهر فجوة جديدة بين الحق القانوني في حذف البيانات والقدرة التقنية على جعل الخوارزمية تتصرف كما لو أنها لم تتعلم منها أصلاً. إنها منطقة يلتقي فيها الطب وعلوم الحاسوب والقانون، بينما لا تزال حدود «حق المريض في النسيان الرقمي» قيد التشكل.

النسيان ليس بلا مخاطر

لكن جعل النموذج ينسى ليس عملية بلا ثمن؛ فإزالة أثر مجموعة من البيانات قد تغير سلوكه بطرق تتجاوز المعلومات المستهدفة نفسها، وربما تؤثر في قدرته على التمييز بين الحالات أو في «معايرته»؛ أي مدى تطابق الاحتمالات التي يتنبأ بها مع النتائج التي تحدث فعلياً.

وقد لا يتوزع هذا التأثير بالتساوي؛ فعملية تبدو ناجحة عند قياس الأداء العام قد تترك أثراً أكبر لدى فئة معينة من المرضى، خصوصاً إذا كانت ممثلة أصلاً بعدد محدود من الحالات.

لذلك، يحذر الباحثون من التعامل مع محو التعلّم بوصفه «زر حذف»؛ فبعد أي تعديل جوهري ينبغي إعادة اختبار النموذج، ومقارنة أدائه بالنسخة السابقة، والتحقق من عدم ظهور آثار جانبية غير مقصودة، مع الاحتفاظ بإمكانية الرجوع إلى إصدار سابق إذا فشلت العملية.

ومن هنا تطرح الدراسة مفهوماً مهماً هو «الاستعداد لمحو التعلّم» (Unlearning Readiness): أي أن تُصمم الأنظمة الطبية منذ البداية بحيث يمكن لاحقاً تحديد البيانات المطلوب نسيانها، وإزالة أثرها، ثم التحقق من نجاح العملية وتوثيق ما تغير.

وبذلك يصبح «النسيان» خاصية ينبغي التفكير فيها عند بناء النموذج، لا بعد أن تظهر الحاجة إليها.

من «النموذج الثابت» إلى دورة حياة مستمرة

يغير «محو التعلّم» أيضاً الطريقة التي ننظر بها إلى الأنظمة الطبية بعد اعتمادها؛ فالنموذج لا ينبغي أن يُعامل منتجاً ثابتاً يحصل على الموافقة ثم يبقى على حاله؛ فالبيانات تتغير، والأدلة الطبية تتطور، وقد تُكتشف أخطاء جديدة، أو يسحب مرضى موافقتهم على استخدام معلوماتهم.

لذلك تقترح الدراسة التعامل معه ضمن دورة حياة مستمرة تبدأ بمعرفة مصدر البيانات وإمكانية تتبعها، وتمر بإدارة إصدارات النموذج وتحديد الظروف التي تستدعي إزالة أثر معلومات معينة، ثم اختبار النسخة المعدلة قبل استمرار استخدامها سريرياً.

وهذا يعني أن السؤال عند اعتماد نظام طبي جديد لا ينبغي أن يكون فقط: كيف تعلّم؟ بل أيضاً: هل نعرف كيف نصحح ما تعلّمه إذا اكتشفنا لاحقاً أنه لم يعد صالحاً؟

وتصبح الحوكمة، بهذا المعنى، إدارةً لدورة حياة الذكاء الاصطناعي الطبي، وليست موافقة تنظيمية تُمنح مرة واحدة عند دخوله المستشفى.

السؤال المقبل للذكاء الاصطناعي الطبي

قضينا السنوات الماضية نحاول بناء أنظمة تستطيع التعلم من أكبر قدر ممكن من البيانات. لكن الطب قد يحتاج الآن إلى قدرة مختلفة: أن تعرف الآلة ماذا يجب أن تنسى، ومتى، وكيف تثبت أنها نسيته من دون الإضرار بما تعلمته بصورة صحيحة. وقد كتب الفيلسوف الألماني فريدريش نيتشه قبل أكثر من قرن أن «النسيان ليس مجرد قوة خمول... بل قدرة فاعلة وإيجابية». كان يتحدث عن العقل الإنساني، لا عن الخوارزميات، لكن عبارته تكتسب اليوم معنى تقنياً لم يكن من الممكن تصوره في عصره؛ فبعد سنوات انصب فيها الاهتمام على كيفية تعليم الآلة، قد تبدأ المرحلة المقبلة بالسؤال عن كيفية جعلها تتراجع عما تعلمته عندما يصبح ذلك ضرورياً. وربما لا تُقاس ذاكرة الآلة بما تستطيع الاحتفاظ به فقط، بل بما تستطيع أن تنساه عندما يصبح التذكّر خطأً.

ففي الطب، قد لا يكون النسيان نقيضاً للتعلّم؛ بل أحد شروط استمرار التعلّم بصورة صحيحة.

كشفت نتائج أولية لدراسة وراثية واسعة، أن الأشخاص الذين يحملون اختلافات جينية تجعلهم أكثر ميلاً إلى المذاق الحلو أو الدهني، يميلون فعلاً إلى تناول كميات أكبر من هذه الأطعمة. كما يرتبط هذا الاستعداد الوراثي بزيادة في وزن الجسم، وارتفاع متواضع في خطر الإصابة بالسكري من النوع الثاني.

كبرى الدراسات حول الأساس الجيني لتفضيلات المذاق

وتطرح هذه النتائج تفسيراً محتملاً لسؤال طالما حير الباحثين: لماذا يستطيع بعض الأشخاص مقاومة قطعة الحلوى بسهولة، بينما يجد آخرون أنفسهم أكثر انجذاباً إلى الحلوى والمشروبات السكرية والأطعمة الدسمة؟ وتشير الدراسة إلى أن الإجابة قد تكون مكتوبة في جيناتنا جزئياً.

وتعد الدراسة من كبريات الدراسات التي بحثت حتى الآن في الأساس الجيني لتفضيلات المذاق، واعتمدت على بيانات بنك المملكة المتحدة الحيوي (UK Biobank) الذي يضم معلومات وراثية وصحية وبيانات عن العادات الغذائية لنحو نصف مليون شخص في المملكة المتحدة.

الجينات خلف الرغبة في الطعام

واستخدم فريق البحث -بقيادة جولي جيرفيس، الباحثة في مركز الطب الجينومي بمستشفى ماساتشوستس العام بالولايات المتحدة- طريقة مبتكرة لدراسة العلاقة بين الجينات وتفضيلات الطعام. وقد استعرضت جيرفيس النتائج في مؤتمر «NUTRITION 2026» في الاجتماع السنوي للجمعية الأميركية للتغذية، الذي عقد في الفترة من 25 إلى 28 يوليو (تموز) 2026 في «ناشيونال هاربور» بولاية ماريلاند بالقرب من واشنطن العاصمة. ونُشرت الدراسة في دورية دورية (The American Society for Nutrition) «ASN».

قواعد بيانات حسّية: بدلاً من الاعتماد على سؤال الأشخاص ببساطة عما يحبونه من الأطعمة، جمع الباحثون إجابات استبيانات تفضيلات الطعام مع قواعد بيانات حسِّية تصف خصائص الأطعمة المختلفة مثل الحلاوة والملوحة والدسامة.

درجات جينية للمذاقات: ثم أجروا تحليلات واسعة للجينوم في مجموعة من المشاركين لتحديد الاختلافات الجينية المرتبطة بتفضيل المذاق الحلو أو المالح أو الدهني. وبعد ذلك أنشأوا «درجات جينية» (genetic scores) تعكس مدى الاستعداد الوراثي لدى كل شخص لتفضيل كل نوع من هذه المذاقات.

وفي مجموعة أخرى من المشاركين اختبر الباحثون ما إذا كان هذا الاستعداد الوراثي ينعكس فعلاً على السلوك الغذائي والصحة.

الحلوى قد تبدأ بكمية صغيرة

أظهرت النتائج الأولية أن الأشخاص الذين كانت لديهم قابلية وراثية أكبر لتفضيل المذاق الحلو، تناولوا في المتوسط نحو 7 غرامات إضافية من الأطعمة الحلوة يومياً، بما في ذلك الحلوى والمشروبات السكرية.

وقد تبدو هذه الكمية بسيطة في يوم واحد؛ لكن الباحثين يشيرون إلى أن الفروق الصغيرة في العادات الغذائية يمكن أن تتراكم بمرور الوقت.

والأهم أن ارتفاع الاستعداد الوراثي لتفضيل المذاق الحلو أو الدهني ارتبط أيضاً بزيادة وزن الجسم، وبارتفاع متواضع في خطر الإصابة بالسكري من النوع الثاني.

وبدا أن جزءاً كبيراً من هذا الارتباط يمر عبر استهلاك ما تُعرف بـ«الأطعمة شديدة الاستساغة» (hyperpalatable) مثل المشروبات المحلاة، والأطعمة المقلية، ورقائق البطاطس، وغيرها من الأطعمة التي تجمع عادة بين مستويات مرتفعة من السكر أو الدهون أو الملح.

الجينات ليست قَدَراً غذائياً

يؤكد الباحثون أن النتائج لا تعني أن الشخص محكوم وراثياً بحب الحلوى، أو أنه سيصاب حتماً بالسمنة أو السكري. فالنظام الغذائي والصحة الأيضية يتأثران بمجموعة واسعة من العوامل، تشمل البيئة والعادات الغذائية والنشاط البدني.