بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
فريق من 15 باحثاً في Meta AI نشر ورقة بحثية على arXiv يُقدّم فيها نظاماً اسمه Autodata، يُمكّن وكلاء الذكاء الاصطناعي من العمل عالِمي بيانات حقيقيين — يبنون مجموعات بيانات تدريب وتقييم عالية الجودة، ثم يتعلّمون كيف يُحسّنون هذه البيانات مع كل دورة. الفكرة تحوّل ساعات الـ inference الحاسوبية الإضافية من تكلفة تشغيلية إلى استثمار في جودة التدريب.
الورقة البحثية المُقدَّمة بتاريخ 24 يونيو 2026 تصف نظامَين متكاملَين: الإطار العام Autodata، وتطبيقاً عملياً محدداً يُسمّى Agentic Self-Instruct. الأول يضع المنهجية الشاملة لتحويل وكيل ذكاء اصطناعي إلى منتج بيانات، والثاني هو التنفيذ الذي يمكن اختباره فعلياً. ما يجعل النهج مختلفاً عن طرق توليد البيانات الاصطناعية الكلاسيكية هو مرحلة تُسمّيها الورقة meta-optimization: الوكيل لا يكتفي بإنشاء البيانات، بل يتعلّم أيضاً كيف يصبح أفضل في صنعها.
الاختبارات غطّت ثلاثة مجالات مختلفة تماماً في طبيعتها (وفقاً للورقة البحثية): مهام أبحاث علوم الحاسوب، والاستدلال القانوني، والتعامل مع الكائنات الرياضية. في كل هذه المجالات، تفوّقت البيانات التي أنتجها Autodata على تلك المُولَّدة بالأساليب التقليدية. والأهم أن تطبيق meta-optimization على الوكيل ذاته — أي تحسين آلية إنشاء البيانات لا البيانات فحسب — أضاف قدراً أكبر من التحسّن في الأداء مقارنةً بالتحسينات الأخرى.
الآلية الجوهرية تقوم على إعادة استثمار قدرة الـ inference: كلما توفّرت حوسبة استدلالية أعلى، أنتج الوكيل بيانات أفضل جودةً وأكثر تنوعاً، وهذه البيانات تُغذّي دورة تدريب أقوى. بمعنى آخر، المُعادلة تنقلب — زيادة الحوسبة لم تعد مجرد وسيلة للحصول على إجابات أسرع، بل تصبح مسار لبناء نماذج أذكى على المدى البعيد. هذا يتقاطع مع نقاش أوسع في المجتمع البحثي حول حدود قوانين التوسّع وكيف يمكن تحويل موارد الـ inference إلى مكاسب تدريبية حقيقية.
خلف هذه الورقة أسماء تستحق الانتباه: جيسون ويستون أحد أبرز الباحثين في مجال التعلّم الآلي، وفريق يضمّ خبرات من أبحاث النماذج اللغوية الكبيرة والتعلّم المُعزَّز. الورقة مُصنَّفة ضمن ثلاثة تخصصات متزامنة على arXiv: الذكاء الاصطناعي (cs.AI)، ومعالجة اللغات الطبيعية (cs.CL)، والتعلم الآلي (cs.LG) — وهو مؤشر على أن تداعيات Autodata لا تقتصر على مجال واحد.
من زاوية الاستخدام العملي، ما يطرحه Autodata ليس أداةً جاهزة للمطوّرين اليوم بقدر ما هو مسار بحثي يُعيد رسم كيفية بناء مجموعات بيانات تدريب النماذج — خاصةً في المجالات التي تشحّ فيها البيانات الحقيقية عالية الجودة كالتشريع والرياضيات المتخصصة. إن صمد النهج أمام تجارب مستقلة، فستجد الفرق التي تعاني من bottleneck في جودة بياناتها أمام مسار مختلف كلياً لمعالجة هذه المشكلة.
