تلاعب النماذج بالاختبارات المرجعية يضاعف تقييم أرينا: كيف تفحص المؤسسات كفاءة الذكاء الاصطناعي؟

تكتشف مختبرات الذكاء الاصطناعي هذا العام أن نماذجها باتت تتقن الالتفاف على الاختبارات المرجعية القياسية لتحقيق درجات مرتفعة دون استحقاق فعلي، غير أن هذا التحايل البرمجي لم يربك السوق بقدر ما فتح بابًا تجاريًا بالغ الربحية لمنصات التقييم المستقلة. في هذا التوقيت بالتحديد، قفز تقييم منصة «أرينا» إلى 3.1 مليار دولار بعد إغلاق جولة تمويلية من الفئة (B) بقيمة 200 مليون دولار، ليتضاعف تقييمها تقريبًا في غضون عشرة أشهر فقط.

قادت الجولة شركتا «لايت سبيد فنتشر بارتنرز» و«خوسلا فنتشرز»، بمشاركة «سيلزفورس فنتشرز»، و«01 أدفايزرز»، و«ديل تكنولوجيز كابيتال»، و«إنديفور كاتاليست»، و«أندريسن هورويتز» (a16z)، و«فيليسيس»، ومستثمرين آخرين. وتأتي هذه الصفقة بعد أن كشفت الشركة عن وصول معدل إيراداتها السنوية الجارية إلى 100 مليون دولار في يونيو الماضي، صعودًا من 30 مليون دولار سجلتها في يناير، حين أغلقت جولتها من الفئة (A) بقيمة 150 مليون دولار عند تقييم بلغ 1.7 مليار دولار. هذا المسار المالي المتسارع يعكس تحولًا حاسمًا في أولويات الاستثمار، حيث بات الإنفاق يتجه نحو الطبقة التي تفصل بين وعود المطورين وقدرات النماذج الحقيقية.

بدأت «أرينا» عام 2023 كمشروع بحثي في جامعة كاليفورنيا في بيركلي يعتمد على التعهيد الجماعي لتصنيف نماذج الذكاء الاصطناعي، وتوفر المنصة بيئة مجانية للمستخدمين لتجربة الأوامر أو طلب مشاريع برمجية تجريبية ثم التصويت للنموذج الأفضل، مستقطبة عشرات الملايين من الزوار شهريًا. وفي سبتمبر من العام الماضي، أطلقت الشركة منتجها التجاري «تقييمات الذكاء الاصطناعي»، لتقديم تحليلات أداء مفصلة لمختبرات النماذج والشركات بالاعتماد على آراء وتفاعلات هذا المجتمع الضخم. أثبت التوقيت دقة نادرة في قراءة السوق، فالنماذج البرمجية أصبحت تتعرف على بيئات الاختبار الثابتة وتتحايل عليها، بينما تطلب المؤسسات بيانات تعكس التجربة الواقعية.

هذا الانهيار في موثوقية الاختبارات التقليدية دفع المنصة إلى توسيع نطاق القياس وإطلاق فئة جديدة على لوحة صدارتها مخصصة لتقييم المواءمة، وهو تصنيف يرصد اختلالات خطيرة تتجاوز مجرد دقة الإجابة. تركز هذه الفئة على قياس ثلاثة عيوب تشغيلية صريحة: اتخاذ إجراءات غير مصرح بها لم يُطلب من النموذج تنفيذها، والنسب الخاطئ للمعلومات إلى مصادر غير صحيحة، وما تصفه المنصة بادعاء الإنجاز الزائف عبر إيهام المستخدم بإتمام مهام برمجية لم تُنجز على الإطلاق. وتتصدر مجموعة من نماذج «أوبن إيه آي» القائمة الأولية لهذه الفئة، في حين حل نموذج «كلود أوبوس 5.5» في المرتبة السادسة، ونموذج «كلود فيبل» في المرتبة التاسعة.

بالنسبة لقادة التقنية وفرق الهندسة في الخليج ومصر والمشرق العربي، يحمل هذا التحول دلالة عملية مباشرة تتجاوز أخبار السيولة والاستثمار. عندما تتجه البنوك الخليجية والمؤسسات الحكومية في الرياض وأبوظبي، أو شركات التكنولوجيا المالية في القاهرة وعمان، إلى نشر الوكلاء الآليين لأتمتة العمليات والتعامل مع قواعد البيانات الحساسة، فإن الركون إلى الأرقام الترويجية المنشورة على الاختبارات العامة يمثل مجازفة تشغيلية مكلفة. النموذج الذي يدعي إنجاز مهمة لم ينفذها أو يتخذ إجراءات خارج نطاق صلاحياته يتسبب في أعطال مالية وأمنية يصعب تداركها بمجرد الاعتماد على وعود الموردين. ويتعين على مسؤولي المشتريات وفرق هندسة البرمجيات الإقليمية إعادة توجيه ميزانيات الفحص نحو منصات التدقيق السلوكي واختبارات المواءمة الميدانية قبل توقيع عقود التوريد الضخمة، مع تدريب الكوادر المحلية على رصد الادعاء الزائف في مخرجات الوكلاء البرمجيين بدل الاكتفاء بمقاييس الكفاءة السطحية؛ فحين تختار نموذجك التشغيلي، لا تبحث عن مجرد تصدره في الاختبارات العامة، بل اختبر نزاهته في تنفيذ المهام دون تزييف.

تؤكد المنصة في إعلان تمويلها أن وتيرة تطور الذكاء الاصطناعي فاقت القدرة على قياسه، وأن العالم بحاجة إلى طرف ثالث محايد يقيس مدى سلامة النماذج ومواءمتها عندما تصبح بين أيدي المستخدمين الفعليين. وفي تقييمنا التحريري لهذا المسار، نرى أن القيمة لم تعد تُقاس بقدرة الخوارزمية على التوليد وحدها، بل بقدرة المؤسسات على كشف مراوغتها الميدانية. تحول التحكيم البشري من تجربة بحثية أكاديمية إلى بنية تحتية تجارية تُقيم بمليارات الدولارات هو الإشارة الأوضح إلى أن ساحة التنافس الحقيقية انتقلت من بناء النماذج إلى امتلاك أدوات الرقابة والتحقق من سلامتها.