ما الذي لم يره من قبل؟ Talkie-1930 واختبار أينشتاين

Talkie-1930 هو نموذج لغوي يضم 13 مليار معلمة، دُرّب عمدًا على معلومات تعود إلى ما قبل عام 1931. ولا يتمثل هدفه في محاكاة الأدوار التاريخية. بل يريد الباحثون استخدام النموذج لاختبار سؤال أصعب بكثير: إذا لم يرَ الذكاء الاصطناعي الإجابة المعروفة أثناء التدريب المسبق، فهل يستطيع مع ذلك الاستدلال للوصول إلى أمر اكتشفه البشر لاحقًا؟

وهذا يجعل Talkie ذا صلة استثنائية بالنقاش حول الاستدلال مقابل الحفظ. ربما صادفت النماذج الحديثة أسئلة المعايير أو حلولها أو أوراقًا بحثية أو مستودعات GitHub أو شروحات أثناء التدريب. وينشئ النموذج التاريخي تجربة أنظف من خلال وضع الإجابة على الجانب الآخر من حد زمني.

ما هو Talkie-1930؟

Talkie هو عائلة من نماذج اللغة «القديمة» طوّرها نيك ليفين وديفيد دوفينو وأليك رادفورد. وقد قدّم الفريق Talkie-1930 في عام 2026 باستخدام مجموعة نصوص يُفترض أنها لا تحتوي إلا على معلومات منشورة قبل عام 1931.

درّب الباحثون أيضًا توأمًا حديثًا باستخدام البنية نفسها وحوسبة تدريب مماثلة، ولكن ببيانات FineWeb الحديثة. وهذا يجعل Talkie مفيدًا لدراسة ليس فقط ما يعرفه النموذج، بل أيضًا مدى تأثر قدراته ببيئة معلوماته.

وهذا يكمّل السؤال الأوسع حول النماذج المفتوحة مقابل الذكاء الاصطناعي المتطور: إذ تعتمد قدرات النموذج على ما هو أكثر من عدد المعلمات وحده.

لماذا ندرّب ذكاءً اصطناعيًا لا يعرف شيئًا بعد عام 1930؟

السبب الرئيسي هو التقييم المقاوم للتلوث.

عندما يحل نموذج حديث مسألة شهيرة، لا يستطيع الباحثون دائمًا معرفة ما إذا كان قد:

• اشتقّ الإجابة؛
• جمع بين مفاهيم ذات صلة؛
• تذكّر مثالًا مشابهًا؛
• رأى المعيار أثناء التدريب؛
• صادف شرحًا أو تطبيقًا لها عبر الإنترنت.

يتيح الحد الزمني لـ Talkie للباحثين اختيار مهام تنتمي إجاباتها فعلًا إلى مستقبل النموذج.

فقد أُنشئت لغة بايثون، على سبيل المثال، بعد عام 1930 بعقود. وقد ظهرت ورقة تورنغ الرائدة حول قابلية الحوسبة في عام 1936. كما أن التصوير الجاف والعديد من الاختراعات الهندسية اللاحقة تقع أيضًا بعد هذا الحد الزمني.

يناقش فريق Talkie هذه الاختراعات اللاحقة لحد المعرفة بوصفها تجارب مستقبلية محتملة. وهذا مهم: إنها أهداف اختبار، وليست اكتشافات أعاد Talkie إنتاجها بالفعل.

هل تعلّم Talkie لغة Python حقًا من دون رؤية Python في التدريب المسبق؟

ولاختبار التعميم، عرض الباحثون على نماذج قديمة عدة برامج Python داخل السياق، ثم طلبوا منها حل مهام جديدة على نمط HumanEval.

تقدم النتائج بعض الأدلة على التعلم داخل السياق عبر حد معرفي حقيقي، لكنها تظل متواضعة.

يفيد الباحثون بأن البرامج الناجحة كانت عمومًا حلولًا بسيطة من سطر واحد أو تعديلات صغيرة على أمثلة موجودة بالفعل في السياق. ([Talkie](https://talkie-lm.com/introducing-talkie))

يتضمن المثال الأكثر تداولًا شفرةَ استبدال دوراني. بعد رؤية دالة ترميز، أنتج النموذج عملية فك ترميز عكسية بعكس العلاقة الحسابية ذات الصلة.

وهذا أكثر إثارة للاهتمام مما يبدو، تحديدًا لأن الادعاء محدود.

استخدم النموذج أمثلةً لتنفيذ تحويل صغير وصحيح في لغة غائبة عن بيانات تدريبه المسبق المقصودة.

ما اختبار أينشتاين للذكاء الاصطناعي؟

ويمكن دفع الفكرة نفسها إلى مدى أبعد بكثير.

ناقش الرئيس التنفيذي لشركة DeepMind، ديميس هاسابيس، «اختبار أينشتاين» الذي يتلقى فيه الذكاء الاصطناعي المعرفة المتاحة فقط قبل اكتشاف علمي كبير، ثم يُسأل عمّا إذا كان يستطيع الوصول بصورة مستقلة إلى الاختراق اللاحق.

تسأل النسخة الأشهر عمّا إذا كان نموذج دُرّب فقط على المعرفة المتاحة قبل نظرية أينشتاين النسبية العامة يمكنه اشتقاق النظرية من دون أن يطّلع عليها قط.

يصف تحقيق نشرته Nature في سبتمبر 2026 تجربةَ عدة باحثين حاليًا على نماذج لغوية تاريخية وطرائق مماثلة تفرض حدًا زمنيًا للمعرفة.

هذا أصعب بكثير من تقديم اختبار في النسبية إلى نموذج حديث.

يتطلب الاكتشاف العلمي أكثر من حل المعادلات. فقد يتطلب إدراك أن افتراضًا مقبولًا خاطئ، وبناء إطار مفاهيمي أفضل.

هل اجتاز أي ذكاء اصطناعي اختبار أينشتاين؟

لا.

أنتجت التجارب الحالية شذرات مثيرة للاهتمام من التعميم والحدس العلمي، لكن لم تُظهر أي إعادة اكتشاف مقنعة على مستوى أينشتاين.

تصف مراجعة Nature النتائج المبكرة بأنها تكشف قيودًا مهمة في الذكاء الاصطناعي الحالي بقدر ما تكشف عن نقاط قوته. وغالبًا ما تستطيع النماذج العمل بفاعلية بمجرد صياغة المشكلة، لكن تكوين الفرضية الجديدة الصحيحة يظل أصعب بكثير. ([Nature](https://www.nature.com/articles/d41586-026-02804-x))

هذا التمييز أساسي، لأن الذكاء الاصطناعي يستطيع توليد آلاف الفرضيات المعقولة من دون أن يعرف أيّها يستحق مزيدًا من البحث.

الاختبار الأقوى ليس ما إذا كان النموذج يستطيع إنتاج نظرية معروفة بعد تقديم تلميحات كافية، بل ما إذا كان يستطيع تحديد تناقض، واقتراح تفسير جديد مفيد حقًا، والقيام بذلك من دون تسرب الإجابة اللاحقة إلى بيانات تدريبه.

هل Talkie-1930 خالٍ حقًا من المعرفة الحديثة؟

ليس تمامًا.

يفيد فريق Talkie علنًا بوجود تسرب زمني. فعلى الرغم من حدّ عام 1930 المقصود، يبدو أن النموذج ذي 13B يعرف بعض المعلومات عن أحداث لاحقة، بما في ذلك رئاسة روزفلت، والصفقة الجديدة، والحرب العالمية الثانية، والأمم المتحدة، وألمانيا بعد الحرب.

يحدد الباحثون عدة طرق يمكن أن تتسرب بها المعلومات المستقبلية إلى مجموعات بيانات تبدو تاريخية:

• تواريخ نشر غير صحيحة؛
• مقدمات حديثة أُضيفت إلى كتب قديمة؛
• حواشٍ وتعليقات توضيحية لاحقة؛
• وثائق مصنفة تصنيفًا خاطئًا؛
• رقمنة المواد وأخطاء التعرف الضوئي على الحروف.

هذا القيد جوهري.

إذا ادّعى أحد التجارب أن نموذجًا اكتشف شيئًا لم يره من قبل بشكل مستقل، فعلى الباحثين أولًا تقديم دليل قوي على أن الإجابة كانت غائبة فعلًا.

بالنسبة إلى الذكاء الاصطناعي التاريخي، يُعد مصدر البيانات جزءًا من المعيار المرجعي.

معرفة Talkie تاريخية، لكن تدريبه اللاحق ليس تاريخيًا بالكامل

ثمة قيد دقيق آخر.

دُرّب النموذج الأساسي على بيانات تاريخية، لكن إنشاء مساعد مفيد يتبع التعليمات يتطلب بيانات ما بعد التدريب لم تكن موجودة في عام 1930.

ولّد الباحثون أمثلة تعليمات من مواد مرجعية تاريخية، لكنهم أفادوا أيضًا باستخدام نماذج Claude الحديثة خلال المراحل اللاحقة، بما في ذلك Claude Sonnet 4.6 كمحكّم وClaude Opus 4.6 في توليد المحادثات الاصطناعية. ([Talkie](https://talkie-lm.com/introducing-talkie))

ينشئ هذا شكلين مختلفين من التلوث لا ينبغي الخلط بينهما:

لذلك يمكن أن يمتلك Talkie معرفة قديمة في معظمها من دون أن يتصرف تمامًا مثل نظام ذكي افتراضي بُني عام 1930.

لماذا يُعد الذكاء الاصطناعي التاريخي أيضًا تجربةً في جودة البيانات؟

تواجه نماذج اللغة التاريخية مشكلة تتجنبها إلى حد كبير نماذج الويب الحديثة: إذ لم تكن معظم مواد تدريبها رقمية منذ البداية.

يجب أولًا تحويل الكتب والصحف وبراءات الاختراع والدوريات من الصفحات الممسوحة ضوئيًا إلى نص.

يفيد فريق Talkie بأن النص التاريخي الذي خضع للتعرف الضوئي على الحروف بالطريقة التقليدية لم يوفّر سوى نحو 30% من كفاءة التعلم التي وفّرتها النسخ التي أعدّها البشر، وذلك في تجربة مضبوطة. وقد رفع التنظيف البسيط هذه النسبة إلى نحو 70%. ([Talkie](https://talkie-lm.com/introducing-talkie))

يكشف هذا عن درس أوسع: لا تعني زيادة الرموز تلقائيًا الحصول على بيانات تدريب أكثر فائدة.

وهذا أحد الأسباب التي تجعل معالجة الذكاء الاصطناعي المحلية لمجموعات البيانات الخاصة مهمة في أعمال الأرشفة. يمكن معالجة التعرف الضوئي على الحروف والفهرسة والتضمينات والمجموعات النصية التجريبية بالقرب من المواد المصدر المخزنة، بدلًا من الاضطرار إلى تمرير كل مستند عبر خدمة بعيدة.

هل يمكنك تشغيل Talkie-1930 محليًا؟

نعم.

يوفّر مستودع Talkie الرسمي أوزانًا عامة وكودًا للاستدلال بموجب ترخيص Apache 2.0.

يتضمن إعداد BF16 المرجعي حاليًا:

هذا ليس نموذجًا صغيرًا لوحدة المعالجة المركزية، لكنه يمثل عبء عمل واقعيًا للبحث على محطة عمل أو خادم ذكاء اصطناعي منزلي.

للنشر المحلي، لا يُعد حجم نقطة التحقق سوى نقطة البداية. تستهلك ذاكرة وقت التشغيل والسياق وذاكرة التخزين المؤقت ومكوّنات النموذج الأخرى الموارد أيضًا، ولهذا السبب فإن بصمة ذاكرة النموذج أهم من مجرد مقارنة أحجام الملفات.

بعد تنزيله، يمكن أيضًا استخدام Talkie دون واجهة برمجة تطبيقات استدلال احتكارية. وهذا يجعل الاحتفاظ بإصدارات النماذج الدقيقة أسهل، ويجعل إعادة إنتاج التجارب أكثر سهولة.

ينبغي للإعداد القابل لإعادة الإنتاج بالكامل أن يُبقي ملفات النماذج، ومجزئات الرموز، ومجموعات البيانات، والتبعيات المطلوبة متاحة محليًا، بدلًا من افتراض الوصول الدائم إلى خدمات خارجية. وهذا هو المبدأ نفسه الذي تقوم عليه سير عمل للذكاء الاصطناعي المحلي القادر على العمل دون اتصال.

فيمَ تُستخدم نماذج اللغة التاريخية فعليًا؟

لا تكمن قيمة Talkie طويلة الأمد في التظاهر بالدردشة مع شخص من عام 1930.

استخدم الباحثون بالفعل نحو 5,000 وصفًا تاريخيًا للأحداث من صحيفة نيويورك تايمز لقياس مدى «مفاجأة» الأحداث المستقبلية لنموذج دُرّب على معلومات سابقة. وهذا ليس تنبؤًا بالمعنى الخيالي العلمي، لكنه يوفر طريقة جديدة لدراسة آفاق التنبؤ. ([Talkie](https://talkie-lm.com/introducing-talkie))

ما الذي يكشفه Talkie عن ذكاء الذكاء الاصطناعي الحديث

يوفر التوأم الحديث لـ Talkie مقارنة مفيدة على نحو استثنائي.

يمكن أن تظل البنية والحوسبة التدريبية متشابهتين، بينما تتغير بيئة المعلومات تغيرًا جذريًا.

يؤدي نموذج البيانات الحديثة أداءً أفضل في العديد من المهام التقليدية. وقد يعود جزء من ذلك إلى البيانات الأنظف. وقد يعود جزء آخر إلى احتواء الويب الحديث على البرمجة، والوثائق التقنية، والأسئلة والأجوبة، والشروحات العلمية، وأشكال عديدة من حل المشكلات المنظم غير الموجودة في مجموعة بيانات تاريخية.

وهذا يثير سؤالًا أعمق:

ما مقدار قدرات الذكاء الاصطناعي الحديث الذي يأتي من بنية النموذج، وما المقدار الذي يأتي من ضغط البنية المتراكمة للإنترنت الحديث؟

يُعد هذا السؤال مهمًا أيضًا عند تقييم النماذج المفتوحة مقارنةً بالذكاء الاصطناعي المتقدم. فلا تكشف درجات الاختبارات المعيارية وحدها عما إذا كانت الاختلافات ناتجة عن البنية، أو البيانات، أو التدريب اللاحق، أو الأدوات، أو مجرد ضخامة نطاق التدريب.

الاختبار الأفضل ليس «هل يستطيع الذكاء الاصطناعي التفكير؟»

سرعان ما تصبح الحجج حول ما إذا كان الذكاء الاصطناعي «يفكر حقًا» فلسفية.

تقدم النماذج التاريخية سؤالًا أكثر قابلية للاختبار:

هل يمكننا بناء تجربة يستحيل فيها تذكّر الإجابة المعروفة - أو يقل احتمال ذلك بدرجة كبيرة على الأقل؟

Talkie-1930 ليس حلًا مثاليًا. إذ تحتوي مجموعته النصية على بعض التسرب الزمني. وتتميز النصوص التاريخية المستخرجة بتقنية OCR بالتشويش. كما يُدخل التدريب اللاحق الحديث تأثيرًا سلوكيًا. ولا يزال النموذج ذو 13B أضعف بكثير من الأنظمة الرائدة الحالية.

لكن يمكن قياس هذه القيود وتحسينها.

ولذلك لا يتمثل الإنجاز المهم في أن Talkie أعاد اكتشاف العلوم الحديثة. فهو لم يفعل ذلك.

وتكمن قيمته في أنه يمنح الباحثين طريقة أنقى لطرح سؤال عما إذا كان نموذج مستقبلي يستطيع مواجهة أدلة قديمة، وتحديد شيء مفقود، وبناء فرضية جديدة، والتوصل إلى استنتاج لم يكن موجودًا بالفعل في عالم تدريبه.

وسيكون ذلك دليلًا أقوى بكثير على التعميم من تحقيق درجة مرتفعة أخرى في معيار مرجعي ناقشها الإنترنت آلاف المرات.