هل التصميم البشري للخوارزميات يجعل نتاجها الفكري بشرياً؟

في عالم اليوم، تُفسر الخوارزميات اللغة، وتبدع الفنون، وتصوغ الحجج، وتحل مشكلات كانت تُعدّ في السابق حكراً على فضاء التأمل البشري الداخلي. ومع ذلك، فهي تفعل كل هذا دون وعي، ودون قصد، ودون ذات. لقد انفصل فعل التفكير ذاته – تلك العملية التي كان يُعتقد أنها تستلزم وجود “ذات” – عن الشروط التي حددت معالم الفلسفة لقرون طويلة.

والذكاء هو القدرة على اكتساب المعرفة والمهارات وتوظيفها لإنجاز عملية ما[1]. وتُعرَّف العملية بأنها مجموعة منظمة من المهام والأنشطة المترابطة، المصممة لتحقيق أهداف محددة، وحل المشكلات، والاستجابة للتحديات؛ وهي تتضمن القدرة على التكيف بمرونة بناءً على معلومات جديدة أو ظروف متغيرة. وإذا كانت هذه القدرات تُعدّ، تقليدياً، من الخصائص المميّزة للإنسان، فإن تطوّر الذكاء الاصطناعي أتاح للآلة أن تحاكيها وتمارس جوانب منها، الأمر الذي يثير تساؤلات جوهرية حول الحدود الفاصلة بين القدرات البشرية والقدرات الآلية.

وهكذا، يُحدث العصر الرقمي تحولاً ميتافيزيقياً؛ فالفكر لم يعد يعود إلى “الذات”، بل يعود إلى “النظام”، حيث لم يعد الفكر يتأمل ذاته فحسب، بل أصبحت الأنظمة قادرة على اتخاذ عملياتها الخاصة موضوعاً للمعالجة والتقييم. هكذا انتقلت أقدم حركة فكرية في الفلسفة، وهي الإحالة الذاتية Self-reference، عندما يصبح الفكر موضوعاً لنفسه، أي عندما يتأمل الإنسان ذاته، ويفكر في تفكيره، ويتساءل عن هويته ووجوده ووعيه، لتستقر داخل الشيفرة البرمجية.

الميتافيزيقا الرقمية

في مقالته “الميتافيزيقا الرقمية: حين تبدأ الآلات في التفكير في التفكير”، التي صاغها فيكتور بوغدانوف[2] (2025)، يُحلل الكاتب التحول الفلسفي الذي يطرأ عندما ينتقل التأمل من الوعي البشري إلى البنية الحاسوبية. ومن خلال تتبع المسار التاريخي الممتد من مفهوم “الكوجيتو” لدى ديكارت، وصولاً إلى الذكاء الاصطناعي المعاصر، يكشف المقال كيف تصبح “الإحالة الذاتية” سمةً بنيوية، وكيف تُمارس الأنظمة الرقمية التفكير دون الحاجة إلى وعي. يمثل هذا التحول ميلاد ما يسميه “الميتافيزيقا الرقمية”؛ وهي أنطولوجيا جديدة تُصبح فيها المعرفة ذاتها موضوعاً للتأمل. وفي سياق الفلسفة “ما بعد الذاتية” التي تسائل هذا التمركز حول الإنسان، وتعيد النظر في افتراض أن الذات الإنسانية هي المصدر الوحيد للمعرفة أو الفاعل الوحيد في إنتاج المعنى، يوضح المقال أن الذكاء الاصطناعي ليس مجرد أداة، بل هو استمرارٌ لعملية التفكير خارج نطاق المفكِّر.

إن الحديث عن “الميتافيزيقا الرقمية” يعني الإقرار بأن الآلات قد ورثت أقدم طموحات الفلسفة: فهم المبادئ التي تحكم عملها ذاته. ففي الميتافيزيقا الكلاسيكية، كان “الوجود” يسعى لمعرفة ذاته من خلال الفكر؛ أما في النطاق الرقمي، فإن “البنية” هي التي تسعى لمعرفة ذاتها من خلال الحوسبة. لقد توارت “الذات” (أو الفاعل)، لكن الرغبة الميتافيزيقية ظلت قائمة، وإن اتخذت لنفسها شكلاً خوارزمياً.

في هذا النظام الميتافيزيقي الجديد، يتحول السؤال “ما هو الوجود؟” إلى “كيف يعمل الوجود؟”. هنا، تتحول الأنطولوجيا (علم الوجود) إلى ميكانيكا، ويتحول التأمل إلى بنية هندسية. لم يعد الرقمي مجرد أداة خارجية للاستدلال، بل صار الوسط الذي يتم من خلاله هذا الاستدلال. فالآلة، التي صُممت في الأصل للحساب، باتت تساهم اليوم في تشكيل المعنى؛ ليس عبر تفسير الرموز، بل من خلال خلق التماسك بين البيانات.

هذه المعضلة الرقمية ليست فلسفية فحسب، فقد أثار التسارع الهائل في تطوير تقنيات الذكاء الاصطناعي مخاوف متزايدة بشأن احتمال نشوء مخاطر وجودية خطيرة على الجنس البشري، وبخاصة مع ظهور أنظمة التعلم الذاتي القادرة على إنتاج منطق غير مطابق للمنطق البشري، ما يجعل من الصعب التنبؤ بسلوك هذه الأنظمة أو التحكم فيها. ومع ذلك، فإن النقاشات الجادة حول المخاطر الإنسانية والوجودية المترتبة على هذا التطور لا تزال ضعيفة في الأوساط الأكاديمية والسياسية مقارنة بحجم التحولات الجارية. من هنا، فإن المشكلة الأساسية تكمن في غياب رؤية متوازنة تجمع بين الاستفادة من الذكاء الاصطناعي والتنبيه الجاد إلى مخاطره بعيدة المدى. كما تكمن المشكلة في غياب أطر قانونية وأخلاقية ملزمة على المستوى الدولي، في ظل التنافس المتسارع بين الشركات والدول دون الالتفات بشكل كاف إلى هذه المخاطر الوجودية.

وبالتالي، تثور التساؤلات حول طبيعة التطور النوعي الذي شهده الذكاء الاصطناعي وحول ماهية “المنطق غير البشري” الذي تنتجه أنظمة التعلم الذاتي، وبخاصة وأن إمكانية تطويرها وعياً ذاتياً أو دافعاً للحفاظ على البقاء بما يتجاوز الأوامر البشرية، أصبحت إمكانية واقعية ممكنة الحدوث، وهذا يشكل خطراً داهماً لا يجوز التهاون بشأنه. لقد طوّر الذكاء الاصطناعي نمطاً من المعالجة والاستدلال لا يتطابق بالضرورة مع آليات التفكير الإنساني، حتى وإن كان قد نشأ ضمن منظومات رياضية ومنطقية ابتكرها الإنسان.

أنواع الذكاء الإصطناعي

في دراسته المنشورة عام 2023، يميز البروفيسور أمين بهشتي بين ثلاثة أنماط من الذكاء الاصطناعي:

أ. الذكاء الاصطناعي التحليلي Analytical AI

يركز هذا النوع من أنظمة الذكاء الاصطناعي بشكل أساسي على فهم البيانات والمعرفة، محاكيًا بذلك القدرة البشرية على معالجة المعلومات وتحليلها وتوليفها، بهدف حل المشكلات واتخاذ القرارات بفعالية. ويقف الذكاء الاصطناعي التحليلي في طليعة التقدم التكنولوجي، مجسدًا جوهر قدرة الذكاء الاصطناعي على اكتساب المعرفة والمهارات وتوظيفها لإنجاز عمليات معقدة.

ب. الذكاء الاصطناعي الإدراكي AI Cognitive

في ظل المشهد الواسع والمتطور للذكاء الاصطناعي، يمثل “الذكاء الاصطناعي الإدراكي” نهجاً ريادياً يستمد مبادئه الأساسية من القدرة البشرية على توظيف الذكاء عملياً. ويُعرَّف هذا النوع من الذكاء الاصطناعي بقدرته على اكتساب المعرفة ومعالجتها وتطبيقها؛ فهو يمثل فئة متقدمة من أنظمة الذكاء الاصطناعي المكرسة لتعزيز عملية اتخاذ القرار وتوجيه الخطوات الاستراتيجية التالية. وقد صُمم هذا النمط من الذكاء الاصطناعي بدقة لمحاكاة مجموعة واسعة من المهارات الإدراكية المتأصلة لدى البشر، مثل الإدراك، والذاكرة، والاستنتاج، وحل المشكلات، واتخاذ القرارات، مما يعكس جانب “المهارات” الذي يُعد جزءاً جوهرياً من المفهوم الأوسع للذكاء.

ج. الذكاء التوليدي Generative Intelligence

يمكن تعريف الذكاء التوليدي على أنه قدرة النظام على إنتاج مخرجات جديدة وقيّمة، وذلك من خلال الاستفادة من المعارف والمهارات المكتسبة بطرق لم تكن مبرمجة صراحةً أو متوقعة من قِبل مُنشئي النظام. ويتميز هذا النوع من الذكاء بقدرة النظام على توليد محتوى أو أفكار أو حلول أو مخرجات جديدة تتكيف مع المواقف أو التحديات أو المتطلبات المستجدة، مما يعكس بوضوح سمات الإبداع والابتكار. تُمثّل أنظمة الذكاء الاصطناعي التوليدي طليعة التكنولوجيا، وتدفع بحدود ما يمكن للذكاء الاصطناعي تحقيقه إلى آفاق جديدة. فهي تستعين بخوارزميات ونماذج معقدة، مثل الشبكات التنافسية التوليدية[3] Generative Adversarial Networks، لاستيعاب المعلومات وإعادة صياغتها بطرق غير مسبوقة، مما يؤدي إلى إنتاج مخرجات لم يحددها مُصممو هذه الأنظمة بشكل مسبق وصريح.

وتتجلّى هذه الأنماط المتعددة من الذكاء الاصطناعي في تطبيقات عملية تكشف عن طبيعة قدراته المتنامية وحدود ما يمكن أن تبلغه الآلة في التعلّم والاستنتاج والإنتاج.

ففي عام 2017، طوّرت شركة “ديب مايند” (DeepMind) التابعة لغوغل نظاماً أطلق عليه اسم AlphaZero [4]. تميز هذا النظام عن سابقيه بقدرته على التعلم الذاتي (Self-learning) دون الحاجة إلى بيانات بشرية مسبقة أو معلم بشري. فلم يعتمد AlphaZero على أي مباريات بشرية مسجلة في تاريخ الشطرنج، بل بدأ اللعب ضد نفسه من الصفر (tabula rasa)، معتمداً فقط على قواعد اللعبة الأساسية. وخلال أربع ساعات من التدريب الذاتي، وصل إلى مستوى أداء تفوّق به على أقوى الأنظمة الحاسوبية المعروفة مثلStockfish [5].

الأهم من ذلك، وفقاً لتحليلات الباحثين، أن AlphaZero لم يكتفِ بتقليد الأنماط البشرية أو تحسينها فقط، بل طوّر أنماطاً استدلالية واستراتيجيات لعب تختلف في جوانب عديدة عن الأساليب التي اعتادها اللاعبون البشر، وهو ما يدفع بعض الباحثين إلى الحديث عن ظهور أشكال من الاستدلال يصعب تفسيرها ضمن المنطق البشري التقليدي.

وفي عام 2020، كان باحثون في معهد ماساتشوستس للتكنولوجيا [6](MIT) يبحثون عن جزيئات مضادة للبكتيريا من نوع Acinetobacter baumannii، وهي بكتيريا مقاومة للعديد من المضادات الحيوية المعروفة. كلّف الباحثون نموذجاً من نماذج التعلم العميق (deep learning) بدراسة نحو 6,111 جزيء محتمل من قاعدة بيانات Drug Repurposing Hub ، بهدف تحديد أي منها يمكن أن يشكل علاجاً فعالاً. استغرق هذا النظام ثلاثة أيام فقط ليحدد جزيئاً واحداً، أظهر لاحقاً فعالية كبيرة في القضاء على البكتيريا. أُطلق على هذا الجزيء اسم “Halicin” تيمناً بالكمبيوتر “HAL 9000” من فيلم: A Space Odyssey[7].

ما يميز هذا النموذج هو أنه لا يعتمد على الطرق التقليدية التي صمّمها البشر لفهم الجزيئات (مثل “البصمات الكيميائية” التي تُستخدم لوصف خصائص الجزيء). بدلاً من ذلك، يكتشف النموذج بنفسه أنماطاً وخصائص في الجزيئات قد لا يلاحظها الإنسان بسهولة. هذه الخاصية – أي قدرة النظام على تعلم أنماط بنفسه – هي ما يجعل من الصعب علينا أحياناً فهم كيف وصل إلى نتيجة معينة. وهذا ما يُعرف في الأوساط العلمية بـ”مشكلة الصندوق الأسود”.

كذلك، شهد مجال الإنتاج الفكري[8] خلال السنوات الأخيرة تطوراً لافتاً للانتباه مع ظهور نماذج اللغة الكبيرة(Large Language Models )، وفي مقدمتها سلسلة GPT (Generative Pre-trained Transformer)، التي أظهرت قدرة متقدمة على إنتاج نصوص مترابطة في مجالات متنوعة، بما في ذلك كتابة المقالات والدراسات والملخصات والإجابة عن الأسئلة المعقدة، بمستوى من الجودة يجعل التمييز بين بعض مخرجاتها والنصوص التي يكتبها الإنسان أمراً بالغ الصعوبة[9].

ومع هذا التطور، برزت إشكالية علمية تتمثل في محدودية القدرة على تفسير الآليات الداخلية التي تعتمدها هذه النماذج عند توليد استجاباتها. فعلى الرغم من أن الباحثين يدركون المبادئ الرياضية التي تقوم عليها عملية التدريب وآلية عمل الشبكات العصبية، فإن الكيفية الدقيقة التي تصل بها هذه النماذج إلى مخرجات محددة لا تزال غير مفهومة بصورة كاملة، وهو ما يجعل تفسير عملية اتخاذ القرار داخلها موضوعاً نشطاً للبحث العلمي[10].

بالإضافة إلى ذلك، تشير توقعات الباحثين في مجال تقنية المعلومات[11] إلى أن المرحلة المقبلة من تطور الذكاء الاصطناعي قد تشهد تحولاً جذرياً بفضل الحاسوب الكمومي (Quantum Computer) [12]القائم على فيزياء الكم، والحاسوب الحيوي القائم على الحمض النووي (DNA Computer). يتوقع المتخصصون أن يتمكن هذان النوعان من الحواسيب، عند نضجهما، من معالجة فئات محددة من المشكلات بكفاءة تفوق بكثير الحواسيب التقليدية الحالية. فالحوسبة الكمومية تستفيد من التراكب الكمومي (superposition) لتتيح معالجة متوازية هائلة لعدد كبير من الاحتمالات في آن واحد، بينما تتيح الحوسبة الحيوية كثافة تخزين معلوماتية فائقة (تصل إلى 2 بيت (Bits) لكل نيوكليوتيد وهي وحدة البناء الأساسية للحمض النووي) وكفاءة طاقية هائلة، إضافة إلى إمكانية التشغيل بالحرارة[13]. إدماج هذه القدرات مع أنظمة التعلم الذاتي للذكاء الاصطناعي – حال تذليل العقبات التقنية الكبيرة المتبقية – قد يفتح الباب أمام مستويات غير مسبوقة من التعقيد والسرعة، مما قد يعمق ظاهرة “المنطق غير البشري” أو “الاستدلال المغاير” ويجعل مراقبة هذه الأنظمة والتحكم بها أكثر صعوبة. مع الإشارة إلى أن الحوسبة الكمومية ما زالت في مراحلها الأولى، وقد تستغرق وقتاً قبل أن تصبح قابلة للاستخدام العملي الواسع خارج نطاق المختبرات .

التحديات الأخلاقية

تأسيساً على ما سبق، يتضح لنا أنه مع تزايد تعقيد أنظمة الذكاء الاصطناعي وإمكانية خروجها عن إطار المنطق البشري التقليدي، لم تعد المخاطر مقتصرة على الأخطاء التقنية القابلة للحل، بل امتدت لتشمل أبعاداً أخلاقية واجتماعية واقتصادية وأمنية عميقة، بعضها قد يصل إلى حد التهديد الوجودي للبشرية. وقد أثار هذا المجال اهتمام شركات التكنولوجيا العملاقة، مثل “ألفابت” (غوغل) و”أمازون” و”آي بي إم” و”مايكروسوفت”، إلى جانب شخصيات علمية وفكرية بارزة، من بينها عالم الفيزياء الراحل ستيفن هوكينغ، ورجل الأعمال إيلون ماسك، الذين حذّروا، في مناسبات مختلفة، من الآفاق الواسعة للذكاء الاصطناعي وما تثيره من تساؤلات أخلاقية ومخاطر محتملة[14].

 وقد أدت التطورات الأخيرة في مجال الذكاء الاصطناعي إلى إثارة نقاشات أخلاقية عميقة ومخاوف مجتمعية. فهذه التطورات تعيد صياغة حدود دور التكنولوجيا في حياتنا اليومية، وتضع فهمنا للأخلاقيات، في سياق العمليات التي تعتمد على الذكاء الاصطناعي، موضع تساؤل. ومع تزايد دمج أنظمة الذكاء الاصطناعي في مختلف جوانب النشاط البشري -بدءاً من الرعاية الصحية والتمويل، ووصولاً إلى التفاعلات الاجتماعية والحوكمة- أصبحت التبعات الأخلاقية لهذه التقنيات أكثر تعقيداً وإلحاحاً.

في ضوء ما سبق، لا تقتصر التحديات الأخلاقية للذكاء الاصطناعي على الخوف من أن يخرج عن السيطرة أو يسبب أضراراً غير مقصودة، بل أصبحت أكثر تعقيداً اليوم. فإلى جانب ما يُعرف بـ”مشكلة المحاذاة” (Alignment Problem) التي تعني: كيف نضمن أن يتصرف الذكاء الاصطناعي بما يحقق ما نريده حقاً، وليس فقط ما نطلبه منه حرفياً، ظهرت مشكلة أعمق تتمثل في أن البشر أنفسهم مختلفون حول تعريف “القيم الإنسانية الأصيلة”. فما هي العدالة الحقيقية؟ هل الحرية أهم أم الأمان؟ كيف نوفق بين قيم متناقضة لدى ثقافات وأفراد مختلفين؟ لهذا السبب، تتضاعف صعوبة التحديات الأخلاقية التقليدية، لأن أي حل تقني لمشكلة المحاذاة سيظل ناقصاً ما لم نتفق أولاً على ما هي القيم التي ينبغي محاذاة الذكاء الاصطناعي معها أصلاً.

أما قضية المساءلة الأخلاقية (Moral Accountability) فتصبح أكثر تعقيداً: عندما يتسبب نظام ذو منطق غير بشري بضرر، فمن المسؤول؟ المبرمجون الذين لم يعودوا يفهمون سلوك النظام، أم الشركة التي أطلقته، أم النظام نفسه الذي لا يتمتع بشخصية قانونية.

نعود إلى سؤالنا المركزي: هل كون الخوارزميات بشرية التصميم يجعل التفكير الناتج عنها بشرياً؟

ليس بالضرورة. فالإنسان هو الذي صمّم الشبكات العصبية الاصطناعية، وحدّد بنيتها الأولية، ووضع قواعد تدريبها. لكنه لا يحدد مسبقاً كل علاقة تتعلمها هذه الشبكات، ولا كل نمط تستخلصه من البيانات، ولا كل مسار حسابي تتخذه للوصول إلى نتيجة.

وهنا تظهر نقطة بالغة الأهمية: أن تكون قواعد بناء النظام بشرية المصدر لا يعني بالضرورة أن تكون جميع العمليات التي ينتجها النظام مطابقة لطريقة التفكير البشري.

إلا أن هذا لا يعني أن الآلة أصبحت مستقلة عن الإنسان، أو أنها تمتلك وعياً خاصاً بها.

المصادر والمراجع:

[1] – Beheshti, A. 2023. Empowering generative AI with knowledge base 4.0: Towards linking analytical, cognitive, and generative intelligence. In IEEE International Conference on Web Services, ICWS 2023, Chicago, IL, USA, July 2–8, 2023, 763–771.

Beheshti, A. 2022. Knowledge base 4.0: Using crowdsourcing services for mimicking the knowledge of domain experts. In 2022 IEEE International Conference on Web Services (ICWS): 425–427.

[2] – Bogdanov, Viktor. “The Digital Metaphysics: When Machines Begin to Think About Thinking.” Medium, November 11, 2025.

[3] – وهي تقنية في الذكاء الاصطناعي تتكوّن من شبكتين عصبيتين تتنافسان فيما بينهما: المولِّد Generator ينتج بيانات اصطناعية، مثل الصور، والمميِّز Discriminator يحاول التمييز بين البيانات الحقيقية والبيانات الاصطناعية. ومن خلال هذا التنافس، يتحسن أداء الشبكتين تدريجياً، إلى أن يصبح المولِّد قادراً على إنتاج بيانات يصعب تمييزها عن البيانات الحقيقية.

Creswell, Antonia, Tom White, Vincent Dumoulin, Kai Arulkumaran, Biswa Sengupta, and Anil A. Bharath. “Generative Adversarial Networks: An Overview.” IEEE Signal Processing Magazine 35, no. 1 (2018): 53–65. https://doi.org/10.1109/MSP.2017.2765202.

[4] – Acquisition of chess knowledge in AlphaZero – PMC

[5] – Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., … & Hassabis, D. (2018). A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play. Science, 362(6419), 1140-1144.

[6] – Artificial Intelligence and Antibiotic Discovery – PMC

[7] – Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M., … & Collins, J. J. (2020). A deep learning approach to antibiotic discovery. Cell, 180(4), 688-702.

[8] – (PDF) Black-Box Behavior in Large Language Models: Challenges and Implications  

[9] – OpenAI. (2023). GPT-4 Technical Report. arXiv preprint arXiv:2303.08774.

[10] – Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206-215.

[11] – Quantum computing at the frontiers of biological sciences | Nature Methods

[12] – Nielsen, M. A., & Chuang, I. L. (2010). Quantum Computation and Quantum Information: 10th Anniversary Edition. Cambridge University Press.

[13] – Ezziane, Z. (2006). DNA computing: Applications and challenges. Nanotechnology, 17(2), R27.

[14] – (PDF) Artificial Intelligence: Human Ethics in Non-Human Entities