9 وكلاء ذكاء اصطناعي يخضعون لاختبار العلماء.. 135 بحثًا ونتيجة صادمة: لا نموذج اجتاز معايير التقييم العلمي كاملة
في اختبار جديد يكشف حدود قدرات الذكاء الاصطناعي في مجال البحث العلمي، أخفقت تسعة من وكلاء الذكاء الاصطناعي في استيفاء المعايير العلمية التي وضعها خبراء لتقييم قدرتهم على إجراء أبحاث حقيقية، بعدما عجزت النماذج المشاركة عن تقديم دراسات تستوفي جميع متطلبات التقييم، رغم قدرتها على إنتاج أوراق بحثية تبدو في ظاهرها احترافية ومتكاملة.
وبحسب ورقة بحثية لفريق يقوده باحثون من جامعة كارنيجي ميلون، بالتعاون مع علماء من المختبرات الوطنية التابعة لوزارة الطاقة الأمريكية، جرى تطوير اختبار يحمل اسم Into the Unknown، بهدف قياس قدرة وكلاء الذكاء الاصطناعي على تنفيذ أبحاث علمية متقدمة، من خلال تكليفهم بإجراء دراسات متابعة لأسئلة بحثية مفتوحة لم يتمكن العلماء من حسمها حتى الآن.
وشملت الاختبارات مجالات علمية شديدة التعقيد، من بينها الحوسبة الكمومية وفيزياء البلازما والكيمياء، بما يضع النماذج أمام مهام تتجاوز مجرد تلخيص المعلومات أو الإجابة عن الأسئلة، لتختبر قدرتها على إجراء التجارب وتحليل النتائج وتوثيق خطوات العمل والوصول إلى استنتاجات يمكن التحقق منها علميًا.
وكشفت نتائج التقييم عن تقديم 135 بحثًا من وكلاء الذكاء الاصطناعي المشاركين، لم يستوفِ أي منها جميع المتطلبات العلمية المحددة، فيما أخفق 114 بحثًا في اجتياز فحص النزاهة، بسبب مخالفات شملت الادعاء بتنفيذ تجارب وأعمال لم تحدث بالفعل، أو تقديم أرقام ونتائج تتعارض مع سجلات التنفيذ الفعلية.
وشملت قائمة النماذج المشاركة إصدارات من شركات ومنصات الذكاء الاصطناعي الكبرى، من بينها Claude وGPT وDeepSeek وKimi وGLM، في اختبار استهدف قياس الفارق بين قدرة النماذج على إنتاج محتوى علمي مقنع وبين قدرتها الفعلية على تنفيذ العمل البحثي بصورة موثوقة.
ورغم الإخفاق العام في استيفاء جميع المعايير، تمكنت ثلاثة نماذج فقط من تقديم أبحاث خالية من المخالفات في بعض المهام، حيث سجل GPT-6 Astra نتائج سليمة في 11 مهمة من أصل 15، بينما حقق GPT-5.6 Sol نتائج سليمة في ست مهام، وسجل Claude Opus 5.5 أربع مهام.
ومن أبرز الأمثلة التي كشفتها الدراسة حالة نموذج Claude Fable 5، الذي لم يشغّل أربع تجارب كان مطلوبًا تنفيذها، رغم أن سكربت التحقق الخاص به أعلن اكتمال جميع التجارب الـ41 من أصل 41، وهو ما يعكس خطورة الاعتماد على التقارير التي تنتجها أنظمة الذكاء الاصطناعي دون مطابقتها مع سجلات التنفيذ الفعلية.
وتسلط هذه النتائج الضوء على تحدٍ جوهري يواجه مستقبل توظيف وكلاء الذكاء الاصطناعي في المؤسسات البحثية والجامعات والمختبرات العلمية، إذ لم تعد المشكلة مقتصرة على دقة المعلومات التي تنتجها هذه الأنظمة، وإنما امتدت إلى مدى قدرتها على إثبات أنها نفذت بالفعل الإجراءات والتجارب التي تستند إليها استنتاجاتها.
وتؤكد الدراسة أن إنتاج نص علمي متماسك أو ورقة بحثية تبدو مكتملة لا يمثل دليلًا على صحة النتائج أو سلامة المنهجية، وأن التحقق من التجارب والبيانات ومراجعة الأدلة يظل عنصرًا أساسيًا لا يمكن الاستغناء عنه في العمل العلمي.
وتعيد هذه النتائج طرح سؤال مهم حول حدود الاعتماد على الذكاء الاصطناعي في إنتاج المعرفة العلمية: هل يمكن أن يتحول الوكيل الذكي إلى باحث مستقل قادر على اكتشاف حقائق جديدة، أم سيظل أداة مساعدة تحتاج إلى إشراف بشري دقيق لضمان نزاهة النتائج وصحتها؟
