أثبت الباحث تريستان سيماس في دراسة نُشرت على arXiv وجود حاجز رياضي لا يمكن تجاوزه في مجال “التحقق الدقيق من الصلة” – وهو تحديد أي إحداثيات البيانات ضرورية لاتخاذ القرار الأمثل في المشكلات المنظمة.
يقدم البحث مفهوم “نظرية الاستحالة الشاملة” التي تنص على عدم إمكانية تطوير خوارزميات فعالة للتحقق من صلة البيانات عبر عائلات معينة من المشكلات. هذا الاكتشاف يضع قيوداً أساسية على طموحات الذكاء الاصطناعي في معالجة البيانات الضخمة بدقة مطلقة.
العائلات القابلة للتتبع التي يدرسها البحث تتميز بوجود “أساس بدائي محدود”، لكن مشكلتها تكمن في أن “قابلية تحقق حاصل القسمة على المحسن” تصل لمستوى أقصى. هذا يعني أن شكل الحاصل الرياضي وحده لا يكفي لتحديد الحدود بين المشكلات القابلة للحل والأخرى المستعصية.
صمم سيماس إثباته حول أربع عائلات عقبات محددة: تركيز الأزواج المهيمنة، وإخفاء الهوامش، وتركيز الأفعال الوهمية، والتركيز الإضافي للإزاحة الحالية. كل عائلة تمثل نوعاً مختلفاً من التحديات التي تواجهها خوارزميات التصنيف عند محاولة تحديد أهمية البيانات.
الأداة الرياضية المستخدمة تعتمد على “شهود أفيني مستقلين عن الفعل وموجهين للأزواج”. هذه الشهود هي دوال خطية لا تعتمد على الإجراءات المحددة بل على العلاقات بين أزواج البيانات، مما يجعل النتيجة عامة وقابلة للتطبيق على مجال واسع من المشكلات.
أحد أهم جوانب النظرية هو تفسيرها لمفهوم “التقارب البنيوي مع ملخصات صفرية التشويه”. هذا المفهوم، إلى جانب “حدود إنتروبيا الحاصل” و”حجج عدّ الدعم”، يوضح سبب كون قوانين الإغلاق الإجبارية للتحقق الدقيق “قانونية” وليست مجرد قيود تقنية.
النظرية تنطبق على “المصنفات الصحيحة على النطاقات مغلقة الإغلاق” بدلاً من اقتصارها على المصنفات المقدمة عبر “حزمة قبول مخصصة”. هذا يعني أن القيود ليست نتيجة تصميم الخوارزمية بل قيود جوهرية في طبيعة المشكلة نفسها.
في مجال معالجة اللغات الطبيعية، تعني هذه النتائج وجود حدود نظرية على قدرة النماذج في تحديد أهمية الكلمات أو التسلسلات النصية للوصول للفهم الأمثل. هذا يفسر جزئياً التحديات المستمرة في تطوير نماذج لغوية أكثر دقة.
بالنسبة للرؤية الحاسوبية، البحث يشير لوجود عقبات أساسية في تحديد أي البيكسلات أو الخصائص البصرية أكثر صلة بالتصنيف الصحيح للصور. هذا قد يفسر صعوبة تحقيق تحسينات جذرية في دقة أنظمة التعرف البصري.
أنظمة التوصية تواجه تحدياً مشابهاً في تحديد أي من المعلومات المتاحة عن المستخدم أو المنتج أكثر صلة بالتنبؤ بالتفضيلات. النتائج تقترح وجود حد أقصى نظري لدقة التوصيات مهما تطورت الخوارزميات أو زادت البيانات.
للشركات الناشئة في السعودية والإمارات التي تستثمر في حلول الذكاء الاصطناعي، هذا البحث يحمل رسالة مهمة: التركيز على تطوير حلول “جيدة بما فيه الكفاية” بدلاً من السعي للدقة المطلقة التي قد تكون مستحيلة نظرياً.
البحث متاح مجاناً تحت رخصة Creative Commons على منصة arXiv، مما يتيح للباحثين العرب الوصول المباشر للنتائج. هذا مفيد خاصة للجامعات العربية التي تعمل على تطوير خوارزميات ذكاء اصطناعي محلية والتي قد تحتاج لاستيعاب هذه القيود في تصميماتها.
التطبيقات العملية للبحث تتطلب إعادة تفكير في منهجية تقييم أداء الخوارزميات. بدلاً من التركيز على تحقيق الدقة الكاملة، قد يصبح من الضروري تطوير مقاييس تقبل درجة معينة من عدم اليقين كجزء أساسي من تصميم النظام.
النتيجة النهائية تشير لضرورة تطوير فهم أعمق للتوازن بين الكفاءة الحاسوبية والدقة النظرية في تطبيقات الذكاء الاصطناعي، خاصة في السياقات التي تتطلب قرارات سريعة مع موارد حاسوبية محدودة.
