تدريب

البروتين في الخلية ليس ثابتًا كدمية في واجهة عرض. فذراته تهتز باستمرار، وتتمدد وتنحني — تمامًا كوتر الغيتار المشدود الذي يستمر في الاهتزاز بعد نقرته. لفهم وظيفة البروتين، لا بد من تقدير صلابة الروابط بين أجزائه. يصف الفيزيائيون ذلك عبر مصفوفة المشتقات الثانية للطاقة، لكن يمكن تصورها ببساطة كخريطة «الزنبركات» بين الذرات: حيث يكون الرابط صلبًا وحيث يكون مرنًا.

الألماس ليس مجرد حلي. داخل شبكته البلورية تختبئ عيوب تستشعر المجال المغناطيسي أفضل من كثير من الأجهزة. أحد هذه العيوب هو مركز NV، الذي يعمل كبوصلة مصغرة، لكن إبرته تهتز بسبب الحرارة والضوضاء. لكي تشير البوصلة إلى الاتجاه الصحيح، نحتاج إلى معايرة. عادةً ما تكون هذه عملية يدوية طويلة، وهنا تتعلم الشبكة العصبية بنفسها.

مهندس البروتينات يشبه طاهياً يحاول أن يجعل الطبق لذيذاً ومفيداً ورخيصاً في نفس الوقت. بتغيير مكوّن واحد، يخاطر بإفساد مكوّن آخر. في السابق، كانت المساعدات الحاسوبية تقيّم خصائص البروتينات بشكل منفصل فقط، دون رؤية كيفية ارتباطها ببعضها البعض.

المترجم الفوري ينشغل بأي صوت في القاعة، فتمتد ساعة الاجتماع إلى ساعتين. وكذلك النماذج التأسيسية الجزيئية: فهي تتعلم لغة الجزيئات من مجموعات ضخمة، لكنها تحتاج إلى ضبط لكل محادثة جديدة. Monroe يغير القواعد: فهو لا يتعلم لغة جديدة، بل يجد المعنى المشترك فورًا من خلال أمثلة قليلة.

مفاعل الاندماج النووي هو فرن فائق الحرارة حيث تصل حرارة البلازما إلى ملايين الدرجات. تصنع جدران هذا الفرن من التنجستن، لأنه معدن يصهر بصعوبة كأي معدن آخر. لكن حتى التنجستن لا يتحمل بدون حماية: الجسيمات السريعة من البلازما تقصف السطح وتقتلع الذرات. هذه الذرات المقتلعة تدخل البلازما وتبردها، مثل ملعقة حليب بارد في شاي ساخن.

تشبه الخلية الشمسية البيروفسكايتية رياضية شابة: تظهر أداءً مذهلاً في البداية، لكنها تتعب بسرعة. ففي غضون ثماني ساعات فقط، تنخفض كفاءتها بشكل ملحوظ، رغم عدم وجود عيوب ظاهرة — لا شقوق ولا غبار ولا انفصالات.

يرمي شخصٌ عملة معدنية لـاتخاذ قرار. وهو واقف في مكانه، يرى وجه العملة. يخطو بضع خطوات — ثم يرمي مرة أخرى. يبدو بديهيًا أن المشي لا ينبغي أن يؤثر على نتيجة الرمية. لكن ماذا لو كانت الجولة نفسها تغيّر مدى تكراره لقراره السابق؟ هذا ما اختبره الباحثون تحديدًا. دعوا 90 شخصًا للعب لعبة كمبيوتر: كان عليهم تخمين أيّ من الزرّين يحقق ربحًا أكثر.

تخيل مستودعًا به صناديق من التفاح والكمثرى. التفاح كثير، والكمثرى قليل. ولكن عندما يقول أمين المستودع «فاكهة ذات قشرة ناعمة»، فإننا نتذكر غالبًا الكمثرى النادرة بدلًا من التفاح الشائع. هذا مظهر من مظاهر تأثير المعدل الأساسي العكسي (inverse base-rate effect) — وهو انحياز معرفي مستقر يجعل الدماغ، عند حل الغموض بين الفئات، يبالغ بشكل منهجي في تقدير الخيارات النادرة على حساب الشائعة.

تتنبأ الشبكة العصبية بمستقبل نظام ديناميكي — على سبيل المثال، تطور البلازما في مجال مغناطيسي أو تغير الوجه في فيديو. الأخطاء حتمية، وكلما نظر النموذج إلى الأمام أكثر، زاد تراكمها. التحقق من الإجابة الصحيحة أثناء العمل مستحيل: فهي ببساطة غير موجودة. وجد مؤلفو الدراسة الجديدة حيلة بسيطة ككل شيء عبقري: تدريب نموذج واحد على التحرك في الزمن إلى الأمام وإلى الخلف.

داخل كل خلية تدور لوجستياتها الخاصة: محركات بروتينية صغيرة، مثل سعاة البريد، تنقل الحمولات عبر شبكة من الأنابيب الدقيقة. أحد العمال الرئيسيين هو كينيسين، الذي يمشي باستخدام طاقة ATP (العملة الطاقة الرئيسية للخلية). لفترة طويلة، حاول العلماء تقييمه كما نقيم سيارة: كم استهلك من الوقود، وكم كانت سرعته.

مائة ألف نجم في النواة المزدحمة لعنقود نجمي كروي تتحرك ككرات فولاذية في آلة بينبول عملاقة. كل «دفعة» — لقاء ثقالي بين نظام مزدوج ونجم منفرد — تشعل سلسلة من الأحداث غير المتوقعة. قد يتفرق الزوجان، وقد يُزيح النجم الدخيل أحد الشريكين ويحتل مكانه، وأحياناً يعلق الثلاثة في رقصة هرمية معقدة.

يحتاج الطيار في القتال إلى فهم فوري للهدف ونواياه. تنتظر الأنظمة التقليدية بيانات الرادار الكاملة، تمامًا مثل حارس المرمى الذي لا يتفاعل إلا بعد التسديدة. تعمل الخوارزمية الجديدة كحارس مرمى خبير: من خلال الحركات الأولى للمهاجم، تتنبأ بمناورة الهدف. تجمع الخوارزمية الإشارات المتقطعة وتُحسّن الاستنتاج تدريجيًا.

خوارزمية تحسين الصور تشبه مُلاحًا يقود الصورة الضبابية خطوة بخطوة نحو الوضوح. تزيل الضوضاء والتشوهات بالانتقال من بكسل إلى بكسل وفق خريطة مألوفة. لكن إذا التُقطت الصورة في ظروف غير مألوفة — كتمويه غير معتاد مثلاً — لا تتطابق الخريطة مع التضاريس. يأخذ الملاح منعطفات خاطئة، وبدلاً من صورة نظيفة نحصل على خليط سطوعي فوضوي.

تتصرف إشارات الراديو في الأماكن المغلقة مثل الموجات الصوتية في قاعة الحفلات: إذ تنعكس مرارًا وتكرارًا عن الجدران والأثاث والأسطح الأخرى، فتشكل نمط تداخل فريدًا — وهو بمثابة «لحن» صامت لكل مكان. الهاتف الذكي المزود بجهاز استقبال، وكأنه أذن حساسة، يسجل هذا النمط من خلال تحليل التداخلات وتشوهات الإشارة.

الذكاء الاصطناعي التقليدي ينظر إلى الصور الطبية كما لو كانت أحجية من قطع غير مألوفة — فهو يعتبر أي صورتين غير متطابقتين مختلفتين تمامًا. هذا أشبه بمحاولة التمييز بين توأمين دون معرفة قرابتهما. أما في الطب، فالمرضى المصابون بنفس المرض يبدون متشابهين تقريبًا في صور الرنين المغناطيسي، فيخطئ الخوارزم ويخلط بين "الأقارب".

يقوم الروبوت المتلاعب بالكرات بالتقاط الكرات ورميها بإيقاع دقيق مع الإنسان، مثل نجمين نابضين يرسلان نبضات متزامنة. التلاعب بثلاث كرات هو تسلسل كلاسيكي يخضع لإيقاع واضح، يشبه الدوران المنتظم لمنارة كونية. إن أخللت بالإيقاع، فسيتشتت النمط. تتبع كاميرات الروبوت الضوء المنعكس من الكرة: ومن خلال تغيراته، يحدد القياس الضوئي الموقع فورًا.

الذكاء الاصطناعي الذي يتنبأ بصوتيات قاعة ما يشبه طالباً في امتحان يحفظ الإجابات دون فهم. إذا كانت نقاط الفحص هي نفسها نقاط التدريب، يقوم النموذج ببساطة بحفظ "البصمة" الصوتية لكل موضع – كطالب يتعرف على ورقة الأسئلة من ثنية صغيرة فيها. شَدِّد القواعد – جمِّع البيانات حسب المواقع وأخفِ الدلائل الترددية – وستنهار الدقة من 85% إلى 9–57%.

أنت تقف تحت الدش: تدير الصمام، والماء إما مثلج وإما حارق. الأنابيب تعيش حياتها الخاصة: الضغط يقفز بشكل غير متوقع، وكأنه أوركسترا متقلبة بلا قائد. وحدة التحكم الجديدة هي نظام تكيفي يتعلم في الزمن الحقيقي: دون نموذج مسبق لشبكة الأنابيب، يضبط نفسه مع ديناميكيتها في دقائق معدودة ويُخرج درجة الحرارة بلطف إلى منطقة الراحة، دون أن يتجاوز حدود الأمان ولو مرة واحدة.

قطرة البول تحت المجهر ليست بركة مسطحة، بل حجم متعدد الطبقات. كحزمة من الصفحات الشفافة: إذا نظرت إلى واحدة، تضبب المجاورة. وهكذا ضوء المجهر يُظهر بوضوح طبقة واحدة فقط من العمق. لرؤية جميع الخلايا، كان فني المختبر يلتقط سلسلة من الصور، بتحريك البؤرة يدوياً — مرهق وبطيء. الآن يكفي فيديو قصير (2–14 ثانية) حيث يدير المشغل المقبض ببساطة.

الدماغ يتحدث عبر طقطقات كهربائية قصيرة. في السابق، لتعلم هذه اللغة، كانت هناك حاجة إلى آلاف الأمثلة المترجمة من قبل المجرِّب. طريقة MOJO تسلك مسارًا مختلفًا: كما يحدث عند تعلم لغة عن طريق الانغماس، فهي أولاً 'تستمع' إلى 'تيار الوعي' دون أي تلميحات وتجد بنفسها الأنماط المتكررة.

في قدر الحساء، يكفي مقياسا حرارة لمعرفة درجة الحرارة في كل مكان — إذا عرفنا أن الحرارة تسري في دوائر من القاع. وهكذا في العلم: بقياسات قليلة، ينبغي استعادة الصورة الكاملة لحقل الحرارة. النظام يلتقط جوهر العمليات الحرارية، بضغطها في بضعة أرقام - قواعد. كما يعرف الطبّاخ أن الحساء أشد سخونة في الوسط.

السائق على طريق زلق لا يعرف كيف ستستجيب السيارة لعجلة القيادة، فيتعلم أثناء القيادة تاركاً هامشاً للخطأ. على نحو مماثل، تتصرف خوارزمية التحكم الذكية. فبدلاً من المطالبة بنموذج دقيق، تجمع البيانات بشكل فوري، وتقدّر عدم اليقين والتشويشات الخارجية، وكأن الصندوق الأسود يكشف عن إعداداته تدريجياً.

تقليديًا، تعمل خوارزميات التعلم الآلي في بيئة ثابتة، تمامًا مثل الماء الذي يتدفق في مجرى محفور مسبقًا دون أن يغير شكله. الطريقة الجديدة تقلب هذا النموذج رأسًا على عقب: فهي تسمح للوكيل بأن يتعلم الأفعال ويغير البيئة التي يعيش فيها بشكل هادف في الوقت نفسه. تخيل جدولًا لا ينساب فقط إلى أسفل المنحدر، بل يعمل بنشاط على تآكل التربة الرخوة، شاقًا طريقه بشكل أقصر وأكثر كفاءة.

يتطلب تحضير طبق معقد وصفة دقيقة: اِبدأ بالتقطيع، ثم القلي، وأضف التوابل في الوقت المناسب. التحولات الكيميائية أيضاً تسير وفق وصفات خطوة بخطوة — آليات تعيد فيها ذرات الكربون والهيدروجين ترتيب نفسها بترتيب صارم. في السابق، كانت الشبكات العصبية غالباً ما تختلق خطوات غير موجودة، مثل طباخ خيالي يستبدل الملح بالسكر.

عندما تكتب "سلطة" وتقترح لوحة المفاتيح الذكية "قيصر"، خلف الكواليس تتعلم ملايين الهواتف معًا التنبؤ بالكلمات. إنها لا تتبادل رسائلك، بل فقط تحسينات الخوارزمية المشتركة — مثل مدرب يرسل للرياضيين فقط التغييرات في خطة التدريب: "أضف 5 تمارين ضغط إلى برنامج الأمس".

أخذ العلماء 16 نشاطًا يوميًا — من غسل الأطباق إلى القرفصاء — وحللوا الحركات إلى مكونات أولية، تمامًا كما يحلل المطياف الضوء إلى طيف. بعد مقارنة ثلاث طرق، وجدوا مفتاحًا غير متوقع للتعرف: لقطة متوسطة واحدة تكفي. تسعة مفاصل فقط من بين عشرات المفاصل حملت المعلومات الحاسمة — ولم تؤثر البقية تقريبًا.

توقّع خصائص جزيء جديد يشبه تخمين طعم طبق غير مألوف. يعمل البرنامج كطاهٍ خبير: «يتذوق» جزيئات مماثلة معروفة الخصائص، وبناءً على «مذاقها» يُنقِّح تخمينه. على سبيل المثال، بالنسبة لـ ماء أو ثاني أكسيد الكربون، تجد الخوارزمية نظائر مدروسة وتُصحِّح درجة الغليان أو الذوبانية. لا يكتفي الطاهي بنسخ الجيران، بل يُقيِّم مدى ثقته بتنبؤه الذاتي.

عوّامة في خزان ماء: متحكم مثالي، تستشعر مستوى الماء فتعيد النظام فوراً إلى التوازن دون النظر إلى الماضي. طبق المهندسون هذا المبدأ على الشبكات العصبية. أعادوا كتابة البنية المعيارية بحيث تحل معادلة توازن واحدة بدلاً من سلسلة متتالية من الحسابات. تنبثق إشارة التحكم فوراً — مثل وضعية العوّامة.

التقنية المعقدة — من الطائرات بدون طيار إلى الروبوتات الجراحية — تتصرف أحيانًا كالحصان البري: مليئة بـ فوضى وتقلبات، حيث تثير اللمسة الخفيفة عاصفة. بدلًا من حفظ الصيغ، تراقب الطريقة الجديدة النظام كما يفعل مروض الخيول.

لطالما كان تحديد الأطوار الكمومية أشبه باستجواب شاهد: كان لا بد من الوصول إلى كل زاوية من النظام لانتزاع سره. في عصر ليف لانداو، كان الربط بين الترتيب وكسر التناظر والمعامل المحلي واضحًا وضوح الشمس. لكن اكتشاف الأطوار الطوبولوجية قلب المعادلة: تخفي هذه الحالات ترتيبها في أعماق الترابطات غير المحلية، مثل وصفة لا يمكن قراءتها حتى تتذوق الطبق بأكمله.

التعلم الآلي لم يعد مجرد أداة — بل أصبح مستكشفاً، يستخلص قوانين الطبيعة من البيانات بنفسه. ولكن كيف يتوصل العقل السليكوني إلى الفهم؟ للإطلاع على هذه العملية، لجأ الفيزيائيون إلى نموذج صغير لكنه عميق — شبكة إيزينج، حيث تتراقص اللفات المغزلية تحت إملاء درجة الحرارة.

DFTB هو قطار سريع في عالم الكيمياء الكمومية: أسرع بمئات المرات من DFT التقليدي، لكنه لا يزال على القضبان الإلكترونية. لكن محركه - الاتساق الذاتي التكراري للشحنات - يشبه أحيانًا أوركسترا حيث تبدأ كل آلة بنغمة عشوائية. عندما تكون الشحنات الأولية صفرية، يضطر النظام للتناغم طويلاً: عشرات، بل مئات الدورات، حتى يتحول التنافر في التفاعلات الكهروستاتيكية إلى تناغم.

داخل كل منا تدق ساعات غير مرئية. تتحكم هذه الساعات في إفراز الكورتيزول — الهرمون الذي يساعدنا على الاستيقاظ صباحًا، والتعامل مع القلق، والحفاظ على نشاط جهاز المناعة. في حالة القصور الكظري، تتعطل هذه الساعات: لا يستطيع الجسم إنتاج الكمية اللازمة من الكورتيزول من تلقاء نفسه. وبدون علاج، يشعر الشخص بتعب مستمر، وقد يصبح أي زكام عادي خطرًا على صحته.

الإشارات الثقالية الصادرة عن النجوم الضخمة المحتضرة هي همسات تصل إلينا من أقسى مختبرات الكون. تنبأ أينشتاين بهذه الموجات الثقالية قبل أكثر من قرن، لكننا اليوم، ومع كواشف مثل LIGO، بدأنا نسمعها.

العدسية التجاذبية الميكروية هي أثر كوني مذهل، تنبأ به أينشتاين وطوّره تسفيكي. جسم ضخم، يمر بيننا وبين نجم بعيد، يحني ضوءه كالعدسة، مُحدِثاً تضخيمات وتشوهات مميزة.

البيروفسكايت الهجين هو النجم الصاعد في الخلايا الكهروضوئية: كفاءته تنمو بسرعة حتى لنشعر أننا على أعتاب ثورة شمسية. لكن هذه المواد، التي تشبه فسيفساء متقنة من الذرات، معرضة للخطر بشدة: الرطوبة والحرارة والضوء تحولها بسرعة إلى غبار. بدا في البداية أن وضع جزيئات عضوية مهدئة هو الدواء الشافي - طبقة واقية رقيقة جدًا تحمي السطح. لكن سرعان ما ظهر تناقض: الإفراط في الحماية لا ينقذ، بل يدمر.

في قدرٍ من المرق تسبح جزيئات. بعضها ينسخ نفسه بنفسه، وبعضها يساعد جيرانه، وبعضها الآخر لا يفعل سوى الإعاقة. هذا ليس حساءً، بل نموذج للحياة المبكرة — نظام النسخ المتماثل (replicator system). عادةً ما يُفترض أن قواعد اللعبة محددة مرة واحدة وإلى الأبد: من يتكاثر أسرع، يفوز. لكن مؤلفي الدراسة افترضوا خلاف ذلك — فالقواعد يمكن أن تتغير أيضاً، وإن كان ببطء شديد. قسّموا الزمن إلى تيارين.

تعمل الأنظمة التوصيوية، التي تحدد المنشور الذي ستراه تالياً، على الشبكات العصبية (Neural Networks) العميقة المكونة من آلاف العمليات — الغرافات (graphs) الحسابية المعقدة (مخططات من العمليات على البيانات). هذه الأنظمة عبارة عن الأنظمة الديناميكية حية ومتطورة باستمرار: أي تغيير طفيف في الهيكلية ينتشر كالشلال في جميع أنحاء الغراف.

تخيل تجربة أداء في أوركسترا سيمفونية، حيث من بين مئات المتقدمين، لا يبقى إلا أولئك الذين تصدر آلاتهم صوتًا نقيًا وتصمد أمام التصعيد الهائل. في عالم المواد، تعلمت الحواسيب توليد 'نوتات ذرية' — آلاف البلورات الافتراضية التي تبشر بأن تصبح أساسًا للرقائق الكمومية أو الموصلات الفائقة.

60 فأرًا، 1980 عينة، 234 مريضًا بسرطان الرئة. خلف كل رقم آلاف الجينات. يُقاس نشاطها لفهم المرض. لكن البيانات ليست متجانسة: بالنسبة لمريض واحد يتم تقييم مستوى البروتين (رقم متصل)، وإعطاء تشخيص (نعم/لا)، وتحديد النوع الفرعي للورم (فئة). دمجها في نموذج واحد كجمع درجات الحرارة المئوية مع الكيلومترات. المتخصصون في التعلم الآلي يضبطون أوزان الأخطاء يدويًا لكل مهمة.