بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
حين تطلب من مولّد صور بالذكاء الاصطناعي رسم شخصية ظهرت بعد تاريخ تدريبه، أو حدثاً جرى الأسبوع الماضي، أو كياناً نادراً في ذيل التوزيع، فإنه لا يعتذر — بل يخترع. هذه ليست ثغرة جانبية، بل هي المشكلة البنيوية التي يوثّقها بحث جديد نُشر على arXiv في يوليو 2026، مقدَّم من فريق مؤلّف من أحد عشر باحثاً بقيادة Haozhe Wang.
نتيجة البحث الأبرز صادمة: أفضل المولّدات المفتوحة في السوق تسجّل بين 21 و28 نقطة من أصل 100 (وفقاً للورقة البحثية على arXiv) على benchmark جديد أسمّاه الفريق SearchGen-Bench — وهو انهيار بفارق 40 نقطة مقارنةً بما تُظهره الاختبارات التقليدية. بمعنى آخر: الاختبارات القائمة تُخفي عمياءً الفشل الأكبر في هذه المنظومة.
لفهم الإشكال، بنى الفريق مجموعة بيانات ضخمة تحمل اسم SearchGen-20K تضمّ 20,839 طلب توليد صورة موزّعة على اثنتي عشرة فئة من حالات الفشل وعبر اثنين وعشرين مجالاً مختلفاً. والمقصود بفئات الفشل: الشخصيات الجديدة، الكيانات الرائجة، الأحداث التي وقعت بعد تاريخ قطع بيانات التدريب، والمعطيات العالمية النادرة التي يصعب ترسيخها في نموذج مدرَّب على بيانات ثابتة. رافق هذه المجموعة مجموعة SearchGen-Corpus-1M، وهي مستودع بحث متعدد الوسائط يُتيح للباحثين تشغيل التجارب offline بشكل قابل للاستنساخ، دون الحاجة إلى استدعاء أدوات بحث خارجية في كل مرة.
الحل الأوّل الذي يتبادر إلى الذهن هو تزويد المولّد بأداة بحث على الإنترنت — وهو ما جرّبه الباحثون فعلاً. لكنّهم اكتشفوا أن البحث الساذج يفشل: النموذج يسترجع معلومات بصريًا ودلاليًا، لكنه لا يُميّز بين ما يحتاجه من السياق الخارجي وما يعرفه أصلاً. النتيجة: ضجيج يُدخل إلى الطلب حين لا حاجة إليه، ويُشوّه المُخرجات بدلاً من تحسينها.
يكمن جوهر الاكتشاف في مفهوم أسمّاه الفريق “حدود المعرفة الخاصة بكل مولّد” — الفاصل بين ما يستطيع النموذج استيعابه من التدريب وما يتعيّن عليه جلبه من السياق الخارجي. هذا الحد ليس ثابتاً ولا يمكن تحديده مسبقاً، لأنه يختلف من نموذج إلى آخر، ويتطوّر مع تغيّر العالم. لكن الباحثين يثبتون أنه قابل للاكتشاف إذا صُمّم التدريب بذكاء.
الإطار الذي اقترحوه لحل هذه المعضلة هو teach-then-search co-training: مرحلة “التعليم” تُعرّف النموذج على حدوده المعرفية، ثم تأتي مرحلة “البحث” لتدريبه على استخدام الأدوات الخارجية حصراً حين يتخطّى الطلب تلك الحدود. حتى النسخة الأبسط من هذه الوصفة التدريبية أنتجت تحسّناً رتيباً متصاعداً، وهو ما يفتح الباب أمام ما يصفه الفريق بـ”التحسين الذاتي التكراري” — أي نموذج يُعيد معايرة حدود معرفته مع كل جولة تدريب.
الأثر العملي لهذا البحث يمتد إلى قلب تطوير وكلاء الذكاء الاصطناعي البصرية. فالمولّدات المستخدمة في أنظمة agentic — سواء لتوليد محتوى مرئي ديناميكي، أو لإنتاج صور مرتبطة بأحداث راهنة، أو حتى لدعم تجارب تعليمية — تحتاج إلى معرفة متى تستعين بمصدر خارجي، لا أن تتصنّع اليقين. وهذا بالضبط ما يُعالجه إطار SearchGen.
أطلق الفريق مجموعة البيانات الكاملة، ومستودع التدريب المشترك، ومستودع البحث كمنظومة متكاملة قابلة لإعادة التشغيل — وهو ما يجعل هذا العمل مرجعاً للباحثين الراغبين في بناء مولّدات بصرية مقيّدة بالمعرفة العالمية الحقيقية، لا بحدود ما ورد في بيانات التدريب.
ما يستحق التأمّل هنا ليس فقط الأرقام، بل الفكرة الجوهرية: نماذج التوليد البصري تُعاني من مشكلة تواضع معرفي معكوس — تعرف متى تُجيد، لكنها لا تعرف متى تجهل. وإن لم يُحلّ هذا الخلل بنيوياً، فإن كل benchmark جديد ستظل تُجتازه على الورق بينما يُفشل النموذج في مواجهة العالم الحقيقي.
