في عالم سريع التطور مثل الذكاء الاصطناعي، يتساءل الكثيرون: كيف تتشكل موضوعات هذا المجال؟ هل تنمو بشكل تدريجي أم تتحرك عبر قفزات مفاجئة؟ دراسة جديدة تابعة لجمعية مؤتمرات الذكاء الاصطناعي تُجيب عن هذا السؤال من خلال تحليل 80,814 ورقة بحثية مُقبولة من خمس مؤتمرات مرموقة (ACL، CVPR، ICLR، ICML، NeurIPS) بين عامي 2017 و2025.

تشير النتائج إلى أن الموضوعات الأساسية المتعلقة بالذكاء الاصطناعي تحقق تقدمًا من خلال ما يسمى "انتقالات مرحلية موضوعية (topical phase transitions)"، حيث تبقى هذه الموضوعات في حالة هامشية لسنوات، ثم تشهد قفزات مذهلة عبر المؤتمرات في فترة تتراوح بين سنة وثلاث سنوات. على سبيل المثال، أصبحت نماذج اللغات الضخمة (Large Language Models) الموضوع السائد عبر مختلف الفعاليات بحلول عام 2025، بينما ارتفعت نماذج الانتشار (diffusion models) بشكل مُشابه.

ومن المثير للاهتمام أيضًا أن الأساليب المرتبطة بنماذج اللغات بدأت تتداخل مع رؤية الكمبيوتر من خلال نماذج اللغة-الرؤية (vision-language models). بينما تميز نتيجة التعلم المعزز (reinforcement learning) بالنمو السلس، مما يجعل من الممكن تمييز الانتقالات المرحلية الحقيقية عن النمو العادي.

تشكل هذه الهيكلية المساهمة الأساسية في البحث، حيث تقدم تحليل واسع النطاق حول كيفية إعادة تنظيم بحوث الذكاء الاصطناعي. لكن الدراسة لا تتوقف هنا، بل تساءلت إذا ما كان بالإمكان الكشف عن أي دلائل قبل حدوث تلك الانتقالات. وتم تعريف ما يسمى بـ "توقيع التحذير المبكر (early-warning signature)"، مع أربع معايير ديناميكية للنشر تمت دراستها من بيانات 2017-2021.

تم اختبار هذه المعايير خارج العينة على انتقالات 2023-2025، لتحقق نسبة دقة تبلغ 27% و63% من معدل الاسترجاع، مقارنة بمعدل أساسي يبلغ 13.5%. وإن تم تطبيق هذا التوقيع على البيانات المتعلقة بعام 2025، فإنه يسلط الضوء على مواضيع مثل الذكاء الاصطناعي الوكمي (agentic AI)، النماذج متعددة الوسائط (multimodal LLMs)، والتوليد المدعوم بالاسترجاع (retrieval-augmented generation) كمواضيع تستحق المتابعة خلال الفترة ما بين 2026 و2028.

لمن يريد أن يغوص أكثر في تفاصيل هذه الدراسة، المصدر البرمجي متاح للجميع على GitHub عبر الرابط: [https://github.com/KurbanIntelligenceLab/ai-phase-transitions].

ما رأيكم في هذه الاكتشافات المثيرة؟ شاركونا في التعليقات!