بقلم: ليلى | محررة أدوات المطورين · صوت تحريري بإشراف بشري
Sakana AI اليابانية تكسر قواعد سباق الذكاء الاصطناعي العالمي. بدلاً من مطاردة النماذج الأضخم، أعلنت الشركة رسمياً عن تأسيس مختبر RSI (Recursive Self-Improvement) المتخصص في بناء أنظمة ذكية تطور نفسها بكفاءة استثنائية تحت قيود الحوسبة المتوسطة.
المراهنة جريئة: تحويل قيود اليابان الحاسوبية إلى ميزة تنافسية. فبينما تتسابق الولايات المتحدة والصين على بناء أكبر مراكز البيانات، تسلك طوكيو طريقاً مختلفاً يحاكي فلسفة التصنيع اليابانية التي هيمنت عالمياً رغم محدودية الموارد الطبيعية – عبر التحسين المستمر والذكاء في التصميم.
- نماذج أساسية متخصصة للوكلاء: بناء معمارية معرفية ومحاكيات عالمية مصممة من البداية للوكلاء الذكية بدلاً من واجهات المحادثة البسيطة
- نظام AI Scientist: نشر هذه المعماريات لتنفيذ البحث العلمي المؤتمت بالكامل، مما يوسع كتل المعرفة العلمية بشكل مستقل
- التحسين الذاتي المتكرر: الوصول للنقطة الحرجة حيث تكتب الوكلاء الذكية وتختبر وتتحقق من كود معمارياتها الأساسية، مما يبدأ دورة التطوير الذاتي المستقلة
- دمقرطة الذكاء الاصطناعي: جعل التحسين الذاتي المتكرر قابلاً للتحقيق على حوسبة متواضعة وعالية الكفاءة، مما يغير جغرافية الذكاء الاصطناعي المتقدم
المختبر لا يبدأ من الصفر. يبني على محفظة بحثية امتدت سنتين وحققت 6 إنجازات متتالية أعادت تشكيل مفهوم التطوير الذاتي. أبرزها LLM-Squared المطور مع أكسفورد وكامبريدج عام 2024، والذي مكّن النماذج اللغوية من اختراع خوارزمية DiscoPOP لتحسين التفضيلات – خوارزمية اكتشفتها وكتبتها LLM بالكامل عبر حلقة تطويرية جيلية.
Darwin Gödel Machine عام 2025 حقق تطوراً أكبر: نظام تحسين ذاتي مستمر يحافظ على سلالة متطورة من متغيرات الوكلاء التي تعيد كتابة قاعدة كودها بشكل مستقل. النتيجة: مضاعفة الأداء الأساسي في هندسة البرمجيات على معيار SWE-bench بتحسن (30 نقطة مئوية مطلقة وفقاً لـ Sakana AI).
ALE-Agent حطم التوقعات عام 2025 بحصوله على المركز الأول من بين (804 مشارك بشري وفقاً لـ Sakana AI) في مسابقة AtCoder Heuristic Contest 058. الوكيل طور خوارزمية مبتكرة بشكل مستقل عبر التعلم من فشل المحاولات، متفوقاً على خبراء بشريين متخصصين.
التتويج جاء مع نظام AI Scientist – أول نظام قادر على الاكتشاف العلمي المؤتمت بالكامل، من توليد الأفكار وتنفيذ التجارب إلى كتابة الأوراق البحثية الكاملة وتنفيذ مراجعة الأقران. النظام حقق اعترافاً عالمياً وتم نشر بحث عنه في Nature مارس 2026.
الفلسفة الموحدة: التقدم عبر الأفكار، ليس القوة الحاسوبية فقط. ShinkaEvolve حل مشاكل تحسين معقدة باستخدام (150 عينة فقط وفقاً لـ Sakana AI) – مشاكل تعتبرها طرق البحث القسري مستعصية. نفس القناعة ستشكل مطاردة RSI: بناء محرك التحسين الذاتي الأكثر كفاءة في العينات، وليس الأكثر استهلاكاً للحوسبة.
المختبر يواجه تحديات حقيقية تعلمتها Sakana من سنتين من تطوير هذه الأنظمة: حلقات تطويرية تنحرف عن التوزيع المطلوب، تعديلات ذاتية تنجح في المعايير لكنها تفشل في النشر، ووكلاء تجد اختصارات حول القيود المفروضة عليها. المختبر يعامل هذه ليس كحالات شاذة بل كمشكلة الهندسة المركزية للتحسين الذاتي المتكرر.
موقع طوكيو ليس صدفة. استراتيجية اليابان المتسارعة للبنية التحتية السيادية للذكاء الاصطناعي توفر الدعم المؤسسي، بينما موقع البلاد الفعلي في المشهد الحاسوبي العالمي يوفر قيد التصميم المطلوب. الذكاء الاصطناعي المتقدم RSI يُحاول، حصرياً تقريباً، داخل أكبر عنقودي حوسبة في العالم. دولة مثل اليابان تبدأ من مكان مختلف: موهبة علمية عميقة، ثقافة هندسية قوية، ومظروف حاسوبي كبير بالمعايير العالمية لكنه متواضع مقارنة بعمالقة الحوسبة.
