يكشف تقرير حديث نشرته مجلة «Communications of the ACM» أن الطفرة الراهنة في النماذج اللغوية الكبيرة لم تبدأ مع ظهور ChatGPT وأشباهه، بل تستند إلى عقود من الأبحاث الأساسية في معالجة اللغة الطبيعية، لعب التمويل العلمي طويل الأجل دورًا رئيسيًا في دفعها إلى الأمام.

أعادت القفزات المتسارعة التي حققتها النماذج اللغوية الكبيرة (LLMs) خلال السنوات الأخيرة معالجة اللغة الطبيعية إلى صدارة الاهتمام العالمي؛ بعدما أصبحت تقنياتها جزءًا من تطبيقات تمتد من إنشاء المحتوى والبحث عن المعلومات إلى الترجمة والتعليم وتحليل النصوص.

غير أن تقريرًا نشرته مجلة Communications of the ACM التابعة لجمعية الحوسبة ACM يلفت الانتباه إلى جانب أقل ظهورًا في قصة هذا التطور: الدور الذي أداه تمويل البحوث العلمية الأساسية على مدى عقود في بناء الأسس التي قامت عليها تقنيات الذكاء الاصطناعي اللغوي الحالية.

التقرير، الذي أعدته الباحثة كاثلين ماكيون (Kathleen McKeown) والباحث كريستوفر مانينغ (Christopher D. Manning)، يتتبع أثر الدعم الذي قدمته المؤسسة الوطنية للعلوم في الولايات المتحدة (NSF) لأبحاث معالجة اللغة الطبيعية، ويربط بين هذا الدعم وبين سلسلة من التحولات العلمية التي شهدها المجال خلال أكثر من ثلاثة عقود.

جذور النماذج اللغوية الكبيرة تعود إلى عقود

يشير التقرير إلى أن التطور الذي انتهى إلى النماذج اللغوية الكبيرة المعاصرة بدأ قبل أكثر من 30 عامًا، مع تحول مهم في معالجة اللغة الطبيعية نحو المناهج التجريبية المعتمدة على البيانات.

ومع مرور الوقت، شهد المجال تحولات متتالية في طرق تمثيل اللغة وتحليلها وتعلّم أنماطها، وصولًا إلى التعلم العميق والنماذج اللغوية واسعة النطاق التي تستطيع اليوم توليد النصوص والإجابة عن الأسئلة وتلخيص المعلومات وتنفيذ طيف واسع من المهام اللغوية.

ويمثل ذلك، وفق العرض الذي يقدمه التقرير، تذكيرًا بأن الإنجازات التي تظهر للمستخدم فجأة في صورة منتج أو تطبيق جديد قد تكون النتيجة النهائية لمسار بحثي طويل من التجارب والنظريات والبنى الحاسوبية وتدريب الباحثين، وليس لاختراق تقني منفرد.

من البحث الأساسي إلى تطبيقات تمس المجتمع

ولا يحصر التقرير أثر تمويل أبحاث معالجة اللغة الطبيعية في النماذج اللغوية الكبيرة وحدها، بل يشير إلى تطبيقات ذات أثر تقني واجتماعي في عدد من المجالات، من بينها الصحة النفسية، وإتاحة المعلومات عالميًا، والتعليم، والعلوم الفيزيائية.

وهنا تبرز طبيعة معالجة اللغة الطبيعية باعتبارها مجالًا يتجاوز تطوير روبوتات المحادثة؛ إذ تدخل تقنياتها في أنظمة البحث والترجمة وتحليل الوثائق واستخراج المعلومات وفهم النصوص وتوليدها، وغيرها من التطبيقات التي تعتمد على قدرة الحاسوب على التعامل مع اللغة البشرية.

وتعرّف المؤسسة الوطنية للعلوم تقنيات اللغة البشرية، التي تشمل معالجة اللغة الطبيعية وفهم اللغة الطبيعية، بوصفها أبحاثًا تمكّن الأنظمة الذكية من تحليل النص والكلام البشري وإنتاجهما وترجمتهما والاستجابة إليهما.

التمويل لا يصنع التقنيات وحدها

ويبرز التقرير جانبًا آخر من أثر التمويل البحثي لا يتعلق بالمنتجات والخوارزميات مباشرة، وهو بناء أجيال من الباحثين والمتخصصين.

فبحسب ماكيون ومانينغ، لم يقتصر دعم NSF على المنح المقدمة إلى مشروعات بحثية منفردة، بل شمل أيضًا لقاءات ومبادرات متعددة التخصصات وبرامج أكبر مثل معاهد الذكاء الاصطناعي (AI Institutes). وأسهمت هذه المنظومة في دعم الأبحاث، وفي الوقت نفسه في تدريب طلاب وباحثين انتقل بعضهم لاحقًا إلى قيادة مجموعات بحثية في الجامعات أو العمل في الصناعة وتطوير تقنيات جديدة.

ويرى التقرير أن هذا الأثر البشري قد يكون من أهم الموروثات طويلة المدى لهذا النوع من التمويل؛ لأن المعرفة المتراكمة لا تنتقل فقط عبر الأوراق العلمية والبرمجيات، وإنما عبر الباحثين الذين يحملون الخبرة إلى مختبرات ومؤسسات وأجيال جديدة.

لماذا يختلف تمويل البحث الأساسي؟

تكشف تجربة معالجة اللغة الطبيعية عن إحدى السمات المهمة للبحث العلمي طويل الأجل: يصعب في كثير من الأحيان التنبؤ مسبقًا بالتطبيقات النهائية للبحث الأساسي.

فالتقنيات التي أصبحت اليوم أساسًا لمنتجات واسعة الانتشار مرت بمراحل كان هدفها فيها معالجة أسئلة علمية وتقنية لم تكن مرتبطة بالضرورة بمنتج تجاري مباشر.

ولهذا يركز التقرير على أهمية آليات التمويل التي تسمح باستكشاف أفكار جديدة، وتمويل أبحاث قد تحتاج سنوات قبل أن يظهر أثرها التطبيقي الواسع. ومن هذا المنظور، تصبح العلاقة بين الجامعات والصناعة أكثر تعقيدًا من مجرد انتقال تقنية جاهزة من المختبر إلى السوق؛ إذ توفر البحوث الأكاديمية أيضًا المعرفة الأساسية والأدوات والكوادر التي تستطيع الصناعة البناء عليها لاحقًا.

الذكاء الاصطناعي الحالي حصيلة تراكم لا لحظة واحدة

وتأتي هذه القراءة في وقت أصبحت فيه النماذج اللغوية الكبيرة إحدى أكثر تقنيات الذكاء الاصطناعي حضورًا، سواء في التطبيقات التجارية أو البحث العلمي أو التعليم والعمل المعرفي.

لكن تتبع المسار التاريخي لمعالجة اللغة الطبيعية يكشف أن الطفرة الحالية تشكل حلقة في سلسلة طويلة من التحولات العلمية، شملت الانتقال إلى المناهج الإحصائية والتجريبية، ثم الشبكات العصبية والتعلم العميق، وصولًا إلى نماذج اللغة واسعة النطاق.

ويكتسب هذا المنظور أهمية خاصة عند تقييم مستقبل الذكاء الاصطناعي؛ فالتنافس في هذا المجال لا يرتبط فقط بحجم الحوسبة أو سرعة إطلاق المنتجات، وإنما كذلك بقدرة البيئات العلمية على تمويل البحوث الأساسية، والحفاظ على المؤسسات البحثية، وتدريب المتخصصين، وإتاحة مساحة للأفكار التي لا يُعرف مسبقًا أين ستقود.

ويحذر ماكيون ومانينغ في ختام طرحهما من أن تراجع الدعم المقدم لهذه المنظومة البحثية قد تكون له آثار طويلة المدى في موقع الولايات المتحدة في أبحاث وتقنيات معالجة اللغة الطبيعية، وهو ما يعكس، في جوهره، الرسالة الأوسع للتقرير: التقنيات التي تغير العالم اليوم كثيرًا ما تبدأ بأسئلة بحثية جرى تمويلها قبل أن يعرف أحد على وجه اليقين قيمتها التجارية غدًا.

المصدر: Kathleen McKeown & Christopher D. Manning, Natural Language Processing: How NSF Supports Visionary New Approaches to NLP, Communications of the ACM، نُشر في 23 يونيو 2026، المجلد 69، العدد 8، ص 62–69، DOI: 10.1145/3773294.
الاطلاع على المقال الأصلي في Communications of the ACM