على مدى عقود، قيس تقدم الذكاء الاصطناعي في الغالب بما يستطيع فعله: كم سؤالاً يجيب عنه؟ وكم صورة يستطيع تفسيرها؟ وما مدى دقته في التنبؤ أو التشخيص؟ لكن سؤالاً مختلفاً بدأ يفرض نفسه على الباحثين: هل يستطيع النظام أن يعرف متى لا تكون لديه إجابة موثوقة؟
المشكلة في الذكاء الاصطناعي ليست أن يخطئ فحسب، بل أن يقدم أحياناً إجابة خاطئة بثقة توحي بأنها صحيحة. وفي المجالات الحساسة كالطب، يصبح الفرق جوهرياً؛ إذ إن النظام الذي يستطيع الإشارة إلى عدم يقينه قد يكون أكثر أماناً من نظام يعطي إجابة حاسمة عندما لا تكون الأدلة كافية.
ولهذا، يحاول اتجاه بحثي متنامٍ تطوير نماذج لا تكتفي بإنتاج الإجابة، بل تستطيع أيضاً تقدير مدى الثقة بها والتعبير عن عدم اليقين عندما تتجاوز المسألة حدود ما تستطيع معرفته بصورة موثوقة. وهنا يتغير السؤال. فبدلاً من أن نسأل فقط: هل يستطيع الذكاء الاصطناعي أن يجيب؟ يصبح السؤال الأكثر إثارة: هل يستطيع أن يعرف حدود ما يعرف... ومتى ينبغي له أن يقول «لا أعلم»؟
من الذكاء إلى «ما وراء المعرفة»
• «ما وراء المعرفة». يطلق علماء الإدراك على قدرة الإنسان على التفكير في تفكيره وتقييم مدى ثقته بما يعرف اسم «الميتا معرفة» (Metacognition)، أو «ما وراء المعرفة». وهي التي تساعدنا على التمييز بين ما نعرفه بثقة، وما نرجحه، وما لا نملك عنه معلومات كافية.
وتظهر أهمية هذه القدرة بوضوح في الطب؛ فالطبيب الخبير لا يتميز بأنه يعرف الإجابة عن كل حالة، بل بأنه يدرك أيضاً متى لا تكفي الأدلة لاتخاذ قرار آمن؛ فيطلب فحصاً إضافياً، أو يعيد النظر في التشخيص، أو يستشير زميلاً قبل اتخاذ قرار قد يؤثر في حياة المريض. فمعرفة حدود اليقين جزء أساسي من الحكم السريري الرشيد.
واليوم، يحاول الباحثون بناء شيء يشبه هذه القدرة وظيفياً داخل أنظمة الذكاء الاصطناعي؛ ليس بأن تصبح الآلة واعية بما تعرفه، بل بأن تستطيع تقدير مدى موثوقية إجابتها، والتعبير عن عدم اليقين عندما لا تملك أساساً كافياً للإجابة بثقة.
وهنا تكمن الفكرة الجديدة: قد لا يكون الجيل الأكثر أماناً من الذكاء الاصطناعي هو الذي يجيب دائماً، بل الذي يستطيع أيضاً أن يتعرف على المواقف التي ينبغي فيها ألا يجيب بثقة.
• تعليم الآلة أن تقول: «لا أعلم». في دراسة بحثية نُشرت في 30 يونيو (حزيران) 2026 على منصة الأبحاث العلمية «arXiv»، طوّر فريق بقيادة الباحثة غابرييل كايلي ماي ليو إطاراً جديداً أطلق عليه «التعلّم المعزَّز بالتغذية الراجعة الميتا معرفية» (Reinforcement Learning with Metacognitive Feedback – RLMF)، بهدف معالجة مشكلة أساسية في النماذج اللغوية: أن تبدو واثقة من إجابتها حتى عندما تكون هذه الإجابة غير موثوقة.
ولا يعلّم هذا النهج الآلة «الوعي» بجهلها بالمعنى الإنساني، بل يدربها على تقدير أدائها بصورة أفضل ومواءمة مستوى الثقة الذي تعبّر عنه مع درجة عدم اليقين. وأظهرت التجارب أن هذا الأسلوب حسّن معايرة الثقة، وتفوّق على أساليب التعلم المعزز التقليدية بما يصل إلى 63 في المائة في بعض المقارنات، من دون التضحية بدقة الإجابات.
ولم يبق السؤال محصوراً في دراسة واحدة؛ ففي 13 يوليو (تموز) 2026، نُشرت على «arXiv» مراجعة بحثية بعنوان Metacognition in LLMs: Foundations، Progress، and Opportunities، تناولت بصورة شاملة ما وصل إليه البحث في «الميتا معرفة» لدى النماذج اللغوية. وخلص الباحثون إلى أن المجال بدأ يطور طرقاً لقياس قدرة النماذج على مراقبة أدائها وتقدير عدم اليقين وتعديل سلوكها، لكن سؤالاً أساسياً ما زال مفتوحاً: متى، وكيف، وإلى أي مدى تستطيع هذه النماذج إظهار سلوك ميتا معرفي فعّال؟ وفي 15 أغسطس (آب) 2026، ظهر على «arXiv» بحث أحدث قدّم إثباتاً أولياً للمفهوم لإطار ميتا معرفي يجعل مجموعة من النماذج تراقب مؤشرات في أدائها، مثل احتمال صحة الإجابة ووجود معلومات متعارضة وتعقيد المشكلة، ثم تستخدم هذه الإشارات لتحديد ما إذا كانت المهمة تستدعي معالجة أكثر تدبراً. ولا يمثل ذلك بعدُ حلاً جاهزاً للاستخدام السريري، لكنه يكشف عن اتجاه البحث: ألا يكون الهدف فقط جعل النموذج أكثر قدرة على الإجابة، بل أكثر قدرة على تمييز الحالات التي لا تكفي فيها إجابته أو تحتاج إلى مزيد من التفكير والمعلومات.
وهنا تكمن أهمية التحول؛ فبدلاً من مكافأة النظام دائماً لأنه قدّم إجابة، قد يصبح أحد معايير جودة الذكاء الاصطناعي مستقبلاً قدرته على التوقف عندما لا تكفي الأدلة، أو طلب معلومات إضافية، أو الإفصاح عن عدم اليقين بدلاً من ملء الفراغ بإجابة واثقة.
• الثقة لا تقل أهمية عن الدقة. في الطب، لا تكفي الإجابة الصحيحة وحدها؛ فجزء أساسي من القرار السريري هو معرفة مدى قوة الأدلة التي تستند إليها، ودرجة الثقة التي تستحقها. فالطبيب الخبير قد يرجّح تشخيصاً معيناً، لكنه لا يتعامل مع كل الاحتمالات بالدرجة نفسها من اليقين. وقد يطلب تصويراً إضافياً أو تحليلاً مخبرياً، أو يستشير زميلاً، عندما يدرك أن المعلومات المتاحة لا تكفي لاتخاذ قرار آمن. وهنا لا يكون التردد ضعفاً في المعرفة، بل جزءاً من سلامة القرار الطبي.
وتواجه أنظمة الذكاء الاصطناعي مشكلة مشابهة، ولكن بصورة مختلفة؛ فقد ينتج النموذج إجابة صحيحة، وقد ينتج في أحيان أخرى معلومة غير صحيحة أو غير مدعومة، فيما يُعرف عادةً بـ«الهلوسة». والمشكلة الأكثر حساسية أن صياغة الإجابة قد تبدو واثقة ومقنعة حتى عندما تكون خاطئة.
ولهذا يميز الباحثون بين دقة الإجابة ومعايرة الثقة (confidence calibration)، فإذا قال النظام إنه واثق بنسبة مرتفعة، فهل تتوافق هذه الثقة فعلاً مع احتمال أن تكون إجابته صحيحة؟ وكلما اتسعت الفجوة بين الثقة والدقة، ازدادت احتمالات أن يثق المستخدم بإجابة لا تستحق هذه الثقة.
وفي الطب، تصبح هذه المسألة أكثر من مشكلة تقنية. فالنظام الآمن لا ينبغي أن يكون جيداً فقط في الحالات التي يعرفها، بل أن يكون قادراً أيضاً على رفع إشارة تحذير عندما تخرج الحالة عن نطاق موثوقيته، أو عندما لا تكفي المعلومات المتاحة لاتخاذ قرار.
الخبرة البشرية أعمق من البيانات
• ما لا تستطيع البيانات أن تعلّمه. لكن معرفة حدود الإجابة تفتح سؤالاً أعمق: هل كل ما يعرفه الإنسان يمكن تحويله أصلاً إلى بيانات وقواعد قابلة للتعلم؟
منذ قرون، انشغل الفلاسفة بطبيعة المعرفة وحدودها. ومن ابن رشد، الذي جعل للعقل والبرهان مكانة مركزية في النظر، إلى الفيلسوف والعالم مايكل بولاني الذي صاغ في القرن العشرين مفهوم «المعرفة الضمنية (Tacit Knowledge)»، واختصر فكرته بعبارته الشهيرة: «نعرف أكثر مما نستطيع أن نقول». فالخبرة المهنية لا تتكون من الكتب والمعلومات الصريحة وحدها. إنها تتشكل أيضاً من آلاف المواقف المتراكمة، ومن ملاحظة أنماط دقيقة قد يصبح الخبير قادراً على التقاطها قبل أن يستطيع شرح الأسباب التي قادته إليها بصورة كاملة.
قد يدخل طفل إلى قسم الطوارئ، وتبدو بعض قياساته الأولية ضمن الحدود المطمئنة، لكن طبيب الأطفال الخبير يلاحظ في مظهره أو سلوكه أو طريقة تنفسه شيئاً يدفعه إلى عدم الاطمئنان. وما نسميه أحياناً «الحدس السريري»، قد لا يكون حدساً غامضاً، بل حصيلة سنوات من التعرض لحالات وأنماط أصبحت جزءاً من الحكم المهني السريع.
وهنا يظهر تحدٍّ مختلف أمام الذكاء الاصطناعي؛ فالخوارزمية تستطيع التعلم من كميات هائلة من البيانات الممثلة رقمياً، لكن الخبرة البشرية تحتوي أيضاً على معرفة سياقية وضمنية يصعب أحياناً تدوينها وقياسها وتحويلها إلى بيانات تدريبية.
ولذلك، قد لا يكون السؤال فقط: كيف نعلّم الآلة مزيداً مما نعرف؟ بل أيضاً: كيف نعلّمها التعامل مع ما لم نستطع نحن أنفسنا تحويله إلى بيانات واضحة؟
• هل تعرف الآلة فعلاً حدود معرفتها؟ الإجابة حتى الآن: ليس بالمعنى الذي يعرف به الإنسان حدود معرفته؛ فالأبحاث الحديثة تشير إلى أن النماذج اللغوية يمكن تدريبها على تقدير درجة عدم اليقين في إجاباتها ومعايرة مستوى الثقة بها بصورة أفضل. لكن ذلك لا يعني أن النموذج أصبح واعياً بما يعرف وما يجهل، ولا أن تقديره لعدم اليقين يماثل إدراك الإنسان لحدود معرفته.
وهنا ينبغي التمييز بين نوعين مختلفين من «عدم المعرفة»؛ الأول عدم يقين يمكن تقديره حسابياً: كأن تكون الأدلة متعارضة، أو تكون احتمالات عدة إجابات متقاربة، أو تواجه الخوارزمية حالة تختلف عما تدربت عليه. وهذا هو المجال الذي تحاول تقنيات المعايرة والميتا معرفة الاصطناعية تحسينه.
أما المستوى الآخر فأكثر تعقيداً: المعرفة التي لم تدخل البيانات أصلاً، أو السياق الذي لم يُمثَّل فيها، أو الخبرة الضمنية التي يصعب تحويلها إلى أرقام وكلمات. وهنا لا تكفي زيادة ثقة النموذج أو خفضها؛ لأن النظام قد لا يمتلك أساساً ما يخبره بأن شيئاً مهماً غائب عن الصورة.
وهذا هو الفارق الجوهري: يمكن للذكاء الاصطناعي أن يصبح أفضل في تقدير عدم يقينه فيما يستطيع معالجته، لكن ذلك لا يعني أنه أصبح قادراً على إدراك جميع حدود المعرفة التي لم تصل إليه. وبصياغة أبسط: قد تتعلم الآلة أن تقول: «لا أعلم» عندما تشك في إجابتها، لكن التحدي الأصعب هو أن تعرف متى ينبغي لها أن تشك أصلاً.
• الإنسان يرى ما قد لا تراه الخوارزميات. من المرجح أن تصبح النماذج المستقبلية أفضل في تقدير عدم اليقين والتعبير عنه، وقد يكون هذا التطور في المجالات الحساسة، وفي مقدمتها الطب، مهماً بقدر تحسين الدقة نفسها. فالنظام الذي يعرف متى يخفض ثقته، أو يطلب معلومات إضافية، أو يحيل القرار إلى الإنسان، قد يكون أكثر أماناً من نظام يسعى إلى تقديم إجابة في كل مرة.
