في العقد الأخير، شهد عالم الذكاء الاصطناعي التوليدي (Generative AI) تحولات غير مسبوقة تتطلب منا إعادة التفكير في كيفية تطويره واستخدامه. مع انتقال النماذج من نماذج تستند إلى أبحاث تجريبية إلى منتجات تجارية ذات حجم ضخم، أصبح الحمل الطاقي يُعنى بإعادة الاستخدام بدلاً من التدريب لمرة واحدة، مما يسهم في تفاقم مشكلة الاستدامة. وهذه التحديات تزداد تعقيداً بسبب نماذج التفكير التي تتطلب موارد حاسوبية هائلة، مما يؤدي إلى زيادة التكاليف بشكل كبير لكل استعلام.

تسعى المشاريع الحالية لتحقيق ذكاء اصطناعي عام من خلال تحسين نماذج ضخمة، إلا أن هذا الاتجاه يصطدم بعوائق فيزيائية صارمة مثل انهيارات الشبكات، استهلاك المياه، والعوائد المتناقصة من زيادة حجم البيانات. وبالرغم من أن النماذج اللغوية الكبيرة (Large Language Models) تُظهر قدرة مذهلة على استرجاع الحقائق، فإنها تكافح في مجالات تتطلب تفكيراً معمقاً، وهو ما قد يعود إلى نقص التجريدات الكافية في بيانات التدريب.

وتظهر النماذج الحالية profundity حقيقية في التفكير فقط في مجالات مثل الرياضيات وبرمجة الحاسوب، حيث توفر التجريدات الموجودة أساساً هيكلياً. ولكن في مجالات أخرى، تعاني هذه النماذج من عدم القدرة على التعميم بشكل جيد. هنا يأتي دور المسار البديل الذي نقترحه، وهو تطوير ذكاء خاص بالمجالات (Domain-Specific Superintelligence - DSS).

نقترح أولاً بناء تجريدات رمزية واضحة مثل خرائط المعرفة (Knowledge Graphs)، والأنطولوجيات (Ontologies)، والمنطق الرسمي (Formal Logic) لتدعيم المناهج الاصطناعية، مما يمكّن نماذج لغوية أصغر من إتقان التفكير الخاص بالمجالات دون الدخول في مشكلة انهيار النموذج التي تعاني منها الأساليب القائمة على البيانات الاصطناعية الكبيرة. بدلاً من إنشاء نموذج عملاق واحد، نتخيل "مجتمعات نماذج DSS": وهي أنظمة ديناميكية حيث تقوم الوكالات التنسيقية بتوجيه المهام إلى واجهات خلفية مختلفة.

تمنح هذه النقلة النوعية استقلالية في القدرات بعيداً عن الحجم، مما يمكّن الذكاء من الانتقال من مراكز البيانات التي تستهلك الطاقة إلى خبراء آمنين في الأجهزة. من خلال مواءمة التقدم الخوارزمي مع القيود الفيزيائية، يمكن لمجتمعات DSS أن تحول الذكاء الاصطناعي التوليدي من عبء بيئي إلى قوة مستدامة تعزز التنمية الاقتصادية.