هندسة المواد تنتقل من تحسين النتائج إلى تصميم الأسئلة مع الذكاء الاصطناعي

تتجه هندسة المواد المعلوماتية (Materials Informatics) إلى مرحلة لا يقتصر فيها استخدام الذكاء الاصطناعي على تحليل البيانات أو اقتراح تركيبات جديدة، بل يمتد إلى تحديد الأسئلة التي ينبغي طرحها وتصميم دورة البحث نفسها. وتناقش المادة، المنشورة في 9 سبتمبر 2026، هذا التحول من خلال دور النماذج اللغوية الكبيرة (LLM) والوكلاء الذكيين في دورة تطوير المواد.

الفكرة الأساسية ليست أن الذكاء الاصطناعي سيحل محل الباحث، بل أن طريقة توزيع الأدوار بين الإنسان والنظام ستتغير. فبدلاً من تنفيذ تجربة واحدة ثم تحليل نتيجتها، يمكن بناء حلقة متكررة تختار فيها الخوارزمية التجربة التالية اعتماداً على البيانات السابقة، مع إبقاء قرارات التحقق والتدخل ضمن تصميم العملية.

من تحسين النتائج إلى اختيار التجربة التالية

توضح المادة أن استخدام التحسين البايزي في هندسة المواد أصبح يتيح اختيار التجارب التالية بصورة متتابعة. تعتمد الطريقة على النتائج السابقة وعلى عدم اليقين في النموذج، ثم تختار النقطة التي يُتوقع أن تكون أكثر فائدة للبحث. لكن هذا الأسلوب لا يضمن وحده تفسيراً كاملاً للنتائج أو كشف جميع العوامل المؤثرة؛ فهو يهدف أساساً إلى الوصول إلى أفضل قيمة ضمن عدد محدود من التجارب.

وتشير المناقشة إلى أن نجاح التحسين البايزي يعتمد على كيفية تعريف المتغيرات والقيود. فإذا لم تُدرج بعض الشروط أو اعتُبرت خارج نطاق البحث، فقد يتغير مجال توصيات الذكاء الاصطناعي من دون أن يكون ذلك واضحاً للمستخدم. كما أن تحديد الهدف نفسه قد يكون مشكلة بحثية، خصوصاً عندما لا تكون العلاقة بين تركيب المادة وأدائها معروفة بما يكفي.

ما الذي تضيفه النماذج اللغوية الكبيرة؟

يمكن للنماذج اللغوية الكبيرة أن تدخل في تصميم الأسئلة، مثل قراءة السجلات السابقة وتنظيم المعلومات واستخراج الأنماط أو صياغة فرضيات أولية. غير أن المادة تحذر من مساواة هذه القدرة بإنتاج معرفة موثوقة تلقائياً. فالاستنتاج الذي تبنيه النماذج من المعلومات المتاحة قد يكون مختلفاً عن النتيجة التي يريد الباحث الوصول إليها، كما أن مخرجاتها قد تعكس حدود البيانات وطريقة صياغة السؤال.

لهذا السبب، لا يكفي إدخال نموذج لغوي في سير العمل. المطلوب هو بناء آلية تربط السؤال بالبيانات والتجربة ومعيار التحقق، ثم تعيد النتيجة إلى الحلقة البحثية لتحديث السؤال أو اختيار التجربة التالية. بهذه الصيغة يصبح النموذج جزءاً من عملية استكشاف قابلة للمراجعة، وليس مصدراً منفرداً للحكم العلمي.

الإنسان داخل الحلقة أو فوقها

تناقش المادة مفهوم human-on-the-loop بوصفه نموذجاً يراقب فيه الإنسان النظام ويملك صلاحية التدخل عند الحاجة، بدلاً من مشاركته في كل خطوة يدوياً كما في نموذج human-in-the-loop. وترتبط هذه الفكرة بما تسميه المادة في سياق تطوير البرمجيات «هندسة الحلقات» (loop engineering): تحديد موضع الذكاء الاصطناعي في الدورة، وما الذي يراقبه الإنسان، ومتى تُعاد العملية أو تُوقف.

هذا التصور يوسع نطاق التصميم من قدرات النموذج إلى تصميم النظام بأكمله. فالمسألة لا تتعلق فقط بما إذا كان الذكاء الاصطناعي قادراً على اقتراح إجابة، بل أيضاً بمن يراجعها، وكيف تُقاس جودة النتيجة، وما الإجراء الذي يتبعها، ومتى يعود القرار إلى الإنسان. وتذكر المادة أن النقاش حول دور الإنسان في الأتمتة تعزز خلال 2025، بينما برزت في 2026 دعوات إلى التفكير في هندسة الحلقات عند تطوير وكلاء الذكاء الاصطناعي.

لماذا يهم هذا الخبر؟

الأثر العملي لهذا الطرح أن مشاريع هندسة المواد لن تُقاس فقط بدقة النموذج أو بعدد التجارب التي يستطيع تنفيذها. ستحتاج أيضاً إلى تعريف واضح للأهداف، ونطاق المتغيرات، وشروط الاستبعاد، ونقاط المراجعة البشرية. وكلما زادت قدرة النظام على الانتقال من نتيجة إلى تجربة جديدة، أصبحت قابلية تتبع القرارات والتحقق منها أكثر أهمية.

لكن المادة لا تقدم دليلاً على أن الوكلاء أو النماذج اللغوية حلوا هذه القيود. بل تضعها ضمن أسئلة تصميم مفتوحة: كيف تُعرّف نتيجة النجاح؟ كيف تُربط النتيجة بالسلوك التالي؟ ومتى يكون التدخل البشري ضرورياً؟ لذلك فإن القيمة الأساسية للتحول المقترح ليست في أتمتة البحث بالكامل، وإنما في إعادة تصميم دورة البحث بحيث يكون استخدام الذكاء الاصطناعي قابلاً للفحص والتصحيح.