أوتوريسيرش من كارباثي يتيح لوكلاء الذكاء الاصطناعي إجراء أبحاث تعلم الآلة بينما تنام

ملخص الأخبار

مارس 2026 (بتوقيت شرق الولايات المتحدة) — أطلق أندريه كارباثي، الباحث المرموق في مجال الذكاء الاصطناعي ومؤسس Eureka Labs، مشروعًا جديدًا مفتوح المصدر يسمى autoresearch على GitHub. يضع المشروع، الذي تم الإعلان عنه في مارس 2026، وكيل ذكاء اصطناعي مسؤولاً عن تشغيل تجارب التعلم الآلي بشكل مستقل على وحدة معالجة رسومات واحدة (GPU) — ليحل محل الباحث البشري فعليًا في الحلقة التجريبية أثناء التشغيل الليلي.

ما هو autoresearch؟

المفهوم بسيط بشكل خادع: امنح وكيل ذكاء اصطناعي بيئة تدريب نموذج لغوي كبير (LLM) صغيرة ولكنها تعمل بكامل طاقتها ودعه يتكرر بشكل مستقل. يقوم الوكيل بتعديل كود التدريب، وتشغيل تجربة مدتها 5 دقائق، والتحقق مما إذا كان الأداء قد تحسن على مقياس التحقق، ثم يحتفظ بالتغيير أو يتجاهله — مكررًا هذه الدورة طوال الليل. بحلول الصباح، يستيقظ المستخدم على سجل كامل للتجارب، وبشكل مثالي، نموذج أفضل بشكل كبير.

يعتمد المشروع على عمل كارباثي السابق، nanochat، وهو تطبيق تدريب نماذج لغوية كبيرة على وحدة معالجة رسومات واحدة. قاعدة الكود بسيطة عمدًا: ثلاثة ملفات فقط مهمة. يعالج prepare.py إعداد البيانات والأدوات المساعدة ولا يلمسه الوكيل أبدًا. train.py هو الملف الوحيد الذي يعدله الوكيل بحرية — معدلاً أي شيء من بنية النموذج والمعلمات الفائقة إلى المُحسِّن وحجم الدفعة. program.md هو ملف تعليمات بتنسيق Markdown كتبه الباحث البشري لتوجيه سلوك الوكيل، ويعمل بشكل فعال كـ "مواصفات منظمة البحث".

ميزانية زمنية ثابتة: التصميم الأساسي الذكي

أحد أبرز قرارات التصميم في autoresearch هو ميزانية زمنية صارمة مدتها 5 دقائق بالساعة لكل تجربة. بغض النظر عما يغيره الوكيل — حجم النموذج، حجم الدفعة، البنية — يستغرق كل تشغيل 5 دقائق بالضبط. ينتج عن هذا حوالي 12 تجربة في الساعة وحوالي 100 تجربة خلال ليلة نوم واحدة.

الفائدة هي أن جميع التشغيلات تصبح قابلة للمقارنة بشكل مباشر، حيث تتنافس على نفس الميزانية الزمنية بدلاً من الحوسبة العائمة. المقايضة هي أن النتائج خاصة بالمنصة: لن يكون التشغيل على NVIDIA H100 قابلاً للمقارنة مع تشغيل على وحدة معالجة رسومات مختلفة. مقياس التقييم هو val_bpb (بتات التحقق لكل بايت)، وهو مقياس مستقل عن حجم المفردات، مما يضمن مقارنات عادلة حتى عندما يغير الوكيل بنية النموذج.

الحد الأدنى من التبعيات، أقصى قدر من الاستقلالية

حافظ كارباثي على احتواء المشروع ذاتيًا دون تبعيات بنية تحتية خارجية تتجاوز PyTorch ومجموعة صغيرة من الحزم الصغيرة. لا يوجد تدريب موزع، ولا نظام تكوين معقد، ولا متطلبات سحابية. وحدة معالجة رسومات NVIDIA واحدة هي كل ما هو مطلوب، مع Python 3.10+ ومدير حزم uv.

للدخول في وضع البحث المستقل، يقوم المستخدمون ببساطة بتوجيه وكيل الذكاء الاصطناعي الذي يختارونه — Claude، Codex، أو أي وكيل آخر — إلى المستودع وإرشاده لقراءة program.md وبدء التجارب. يشير كارباثي إلى أن ملف program.md هو "مهارة خفيفة للغاية" — واجهة نصية بسيطة لبرمجة نية البحث.

استجابة المجتمع والزخم المبكر

منذ إطلاقه، جذب المستودع اهتمامًا مجتمعيًا كبيرًا، وحصل على أكثر من 1800 نجمة و 200 شوكة على GitHub اعتبارًا من أوائل مارس 2026. ظهرت بالفعل العديد من الشوكات التي يقودها المجتمع، بما في ذلك إصدار متوافق مع macOS. شهد المشروع 20 التزامًا وقضايا نشطة تم تقديمها في غضون أيام من الإطلاق، مما يشير إلى اهتمام قوي من المطورين.

لمحة عن مستقبل البحث

رافق كارباثي المشروع بإطار فلسفي ذكي بشكل مميز، حيث كتب: "في يوم من الأيام، كان يتم إجراء أبحاث الذكاء الاصطناعي الرائدة بواسطة أجهزة كمبيوتر بيولوجية بين الأكل والنوم والاستمتاع بأشياء أخرى… لقد ولّى هذا العصر منذ فترة طويلة." على الرغم من أنها دعابة، إلا أن البيان يعكس تحولًا أوسع في كيفية بدء مجتمع الذكاء الاصطناعي في التفكير في خطوط أنابيب البحث الآلية والاكتشاف العلمي المدفوع بالوكلاء.