محكم الأكواد متعدد الوكلاء ينهار إلى 4.4%: بحث في نيورإبس يبتكر آلية لرفض التخمين

تبدأ المشكلة عندما تسند إلى نموذج لغوي مهمة الحكم على صحة كود برمجي كتبه نموذج آخر. في هذه اللحظة، لا يعترف النموذج بغياب الأدلة أو عجزه عن الحسم، بل يقدم حكما قاطعا مدعوما بتبريرات منطقية محكمة لا يمكن تمييزها ظاهريا عن حكم مبني على أدلة حقيقية. هذه المعضلة دفعت فرق التطوير إلى الاعتماد على أطر التحقق متعددة الوكلاء، التي تفكك عملية التقييم إلى ادعاءات مستقلة يمكن فحصها مقابل الأدلة، وهو أسلوب أثبت كفاءته في مهام استرجاع الوثائق، لكنه يواجه انهيارا غير متوقع عند تطبيقه المباشر على مراجعة البرمجيات.

التحقق الآلي يتطلب أدلة مستقلة وتفاضلية بين الحلين المقارنين، وهو شرط يسقط تلقائيا في تقييم الأكواد البرمجية. في ورقة بحثية قُبلت في ورشة عمل «نساء في تعلم الآلة» ضمن مؤتمر NeurIPS 2026، قدم الباحثون سلمى رشدي علي وحسين عساف وزياد قبطي تحليلا تجريبيا معمقا لهذه الفجوة. وأوضح الفريق أن نجاح التحقق في بيئات الاسترجاع يقوم على ركيزتين: استقلالية الدليل عن الإجابة الخاضعة للمراجعة، ووجود فارق حقيقي في الأدلة بين الحلين المتنافسين. وإذا كان الفارق يتحقق تلقائيا في الوثائق المسترجعة، فإنه ينعدم في تحكيم الأكواد، حيث تشترك الحلول البرمجية المتنافسة في معظم الخصائص أو تفتقر إلى مراجع متباينة تفصل بينها.

لاختبار هذا الخلل، قام الباحثون بتشغيل إطار العمل المنشور MARCH دون أي تعديل، عبر 80 قياسا تقاطعيا موزعة على معيارين مرجعيين لتحكيم الأكواد البرمجية. وجاءت النتائج كاشفة لحجم التراجع: أعلن الإطار أن الحلين البرمجيين متساويان في الجودة بنسبة تراوحت بين 78% و95% من المقارنات، مما هوى بدقة التقييم إلى 4.4% فقط، في حين حقق النموذج ذاته دقة بلغت 43.7% عند توجيه السؤال إليه مباشرة دون طبقات الوكلاء الإضافية. وأثبتت التجربة أن تبسيط المسائل البرمجية أو الاستعانة بنموذج تحكيم أكبر حجما لم يسهم في حل هذه المشكلة إطلاقا.

المساهمة العلمية لم تركز على بناء نموذج أعلى دقة، بل على إيجاد طريقة غير مقيدة ببيانات مصنفة تكشف متى يفتقر المحكم إلى أساس لحكمه. استخرج الباحثون قياسين مباشرين من سجلات تشغيل النظام الداخلية لتفسير السلوك دون الحاجة إلى تدريب إضافي أو مسميات مرجعية. وعبر تفعيل بوابة مشروطة تستند إلى أحد هذين القياسين، بات النظام يمتنع ذاتيا عن إصدار أحكام في المقارنات التي يعجز عن تثبيتها بأرضية واضحة. هذا الامتناع الذكي رفع دقة النظام من 20.7% إلى 36.9%، مع مواصلة حسم نصف إجمالي المقارنات بنجاح وبثقة مدعومة بالبيانات.

هذه النتائج تفرض مراجعة صريحة للقرارات التقنية داخل الشركات والمؤسسات في الخليج ومصر والشام، حيث يتسارع الاعتماد على وكلاء الذكاء الاصطناعي لفحص الأكواد وتدقيق الجودة قبل نشرها. الاعتماد غير المشروط على منظومات التحكيم الآلية متعددة الوكلاء يمنح الفرق شعورا زائفا بالأمان، بينما قد تتهاوى الدقة الحقيقية إلى مستويات حرجة تمرر أخطاء غير مرئية إلى الأنظمة الحساسة في القطاعين المالي والحكومي. إذا كنت تقود فريقا برمجيا، فالقرار المطلوب هنا ليس التوسع في شراء نماذج أضخم أو زيادة وكلاء المراجعة، بل بناء مسارات ترشيح تعترف بالجهل، وتلزم النظام برفض البت وإحالة الكود إلى المطور البشري فور غياب الأدلة التفاضلية.

إن نضج الذكاء الاصطناعي في بيئات العمل الحقيقية لا يتحدد بقدرته على التخمين الدائم، بل بقدرته على الصمت حين تنعدم البيانات الكافية. التحكيم البرمجي المسؤول يبدأ من نظام يمتلك شجاعة التراجع عن الحكم، لأن تكلفة تصحيح خلل برمجي أُجيز بيقين زائف تفوق بأضعاف كلفة مراجعته يدويا.