ستيفن غروسبرغ – 1939 حتى الوقت الحاضر

السيرة

يمثل البروفيسور ستيفن غروسبرغ (Stephen Grossberg) علامة فارقة في تاريخ العلوم العصبية المعرفية والذكاء الاصطناعي والرياضيات التطبيقية؛ إذ يُعد بالإجماع الأب الروحي والمنظر الأساسي لعلم النمذجة الرياضية للإدراك البشري. منذ منتصف خمسينيات القرن العشرين، وضع غروسبرغ اللبنات الأولى لعصر جديد تجاوزت فيه النظريات النفسية حدود الأوصاف السلوكية والظاهراتية المجردة، وانتقلت فيه الدراسات العصبية من حيز التشريح الوصفي إلى آفاق المعادلات الرياضية والأنظمة الديناميكية غير الخطية القادرة على فك شفرة الكيفية التي يولد بها الدماغ الفيزيائي العقل الواعي.

تكمن فرادة المشروع الفكري لغروسبرغ في بنائه الشامل المتسق؛ فلم يكتفِ بصياغة حلول جزئية لمسائل متفرقة كمعالجة الصور أو التحكم الحركي أو التعلم الترابطي، بل أسس نسقاً معرفياً متكاملاً يربط السلوك النفسي بالبنية التشريحية الخلوية عبر وسيط رياضي صارم. وقد توجت أبحاثه الرائدة بابتكار نظريات ونماذج غدت ركائز أساسية في العلم المعاصر، وفي مقدمتها نظرية الرنين التكيفي (Adaptive Resonance Theory – ART)، ومعادلات شنتينغ (Shunting Equations)، ونموذج تكامل المتجهات نحو النهاية (VITE)، ونموذج الرنين المعرفي المتزامن (SMART). إن أعماله تمثل جسراً نظرياً لا غنى عنه لفهم التفاعل المعقد بين البيولوجيا والوعي.

يغطي هذا المرجع الموسوعي المسيرة العلمية لستيفن غروسبرغ منذ ولادته عام 1939 وحتى اللحظة الراهنة، مستعرضاً المحطات التأسيسية لتكوينه الأكاديمي، وتشريح أطروحاته الرياضية والنفسية، وتتبع تطبيقات نماذجه في الروبوتات والذكاء الاصطناعي والإدراك الحسي، ومقارنة مشروعه بالثورة الراهنة للتعلم العميق. إنها قراءة تفكيكية معمقة في إرث عالم كرّس أكثر من ستة عقود من البحث الدؤوب للإجابة عن السؤال الوجودي الأكبر: كيف يصنع الدماغ العقل؟

1. النشأة والخلفية التكوينية والمسار الأكاديمي المبكر

1.1 الجذور والبدايات الأكاديمية في دارتموث وستانفورد

ولد ستيفن غروسبرغ في الحادي والثلاثين من ديسمبر عام 1939 في حي كوينز بمدينة نيويورك، ونشأ في بيئة عائلية وثقافية حفزت شغفه المبكر بالاستقصاء الفلسفي والرياضي. تميزت طفولته وبدايات شبابه بموهبة استثنائية في استيعاب التفكير المنطقي والهندسي، حيث كان مسكوناً برغبة عارمة في فهم آليات الإدراك البشري: كيف يمكن لكتلة بيولوجية هشة داخل الجمجمة أن تفكر، وتتذكر، وتدرك الألوان، وتستشعر الجمال؟ تلقى تعليمه الأولي في مدارس نيويورك العامة، مبرزاً تفوقاً لافتاً في الفيزياء والرياضيات، مما أهله للالتحاق بـ كلية دارتموث (Dartmouth College) في خريف عام 1957 لدراسة الرياضيات والعلوم الطبيعية.

شهدت أروقة دارتموث الانطلاقة المفاهيمية الحقيقية لغروسبرغ؛ ففي سن السابعة عشرة وخلال دراسته لمساق تمهيدي في علم النفس السلوكي، لاحظ غروسبرغ وجود هوة معرفية ساحقة بين الملاحظات السلوكية الوصفية والتحليلات البيولوجية القائمة آنذاك. فبينما كان علم النفس التجريبي يرصد بدقة ردود الأفعال والمثيرات والتعلم الشرطي، كانت تلك الأوصاف تفتقر تماماً إلى لغة رياضية توضح الآلية الحسابية الكامنة وراء تعديل الروابط السلوكية. انكب الشاب الموهوب على كراساته ليصوغ، في شتاء عام 1957-1958، النواة الأولى لما يُعرف اليوم بـ «قوانين التعلم المشبكي التكيفي» و«الشبكات التنافسية»، وهي معادلات تفاضلية غير خطية شكلت الأساس النظري لكل ما تلاها من أبحاث في علم الأعصاب الحسابي.

بعد تخرجه بامتياز من دارتموث، توجه غروسبرغ إلى جامعة ستانفورد (Stanford University) لمتابعة دراساته العليا في الرياضيات التطبيقية. وفرت له ستانفورد بيئة خصبة للاحتكاك المباشر برواد نظرية الاحتمالات، ونظرية التعلم الرياضي، والفيزياء الإحصائية. تعمق غروسبرغ هناك في دراسة التفاعل بين المعادلات التفاضلية العشوائية والعمليات العصبية الحيوية، مستفيداً من الرؤى الفكرية لرواد الفيزياء النظرية وأبحاث الفيزيولوجيا العصبية التجريبية لتعميق منهجه الصارم الذي يرفض الاعتماد على النماذج التقديرية أو القياسات التقريبية، مصراً على أن الدماغ يخضع لقوانين فيزيائية ورياضية حتمية وقابلة للصياغة الدقيقة.

1.2 المرحلة الانتقالية وأطروحة الدكتوراه في جامعة روكفلر

انتقل غروسبرغ بعد محطة ستانفورد إلى جامعة روكفلر (Rockefeller University) في نيويورك، والتي كانت في ستينيات القرن العشرين قلعة رائدة للأبحاث البيولوجية والطبية الحيوية على مستوى العالم. وفرت روكفلر لغروسبرغ حرية فكرية نادرة وتفاعلاً مباشراً مع نخبة من كبار العلماء والرياضيين البيولوجيين. واصل غروسبرغ العمل تحت إشراف نخبة من المفكرين والعلماء في مجال النظم الحيوية، مسخراً أدوات التحليل الرياضي المتقدم لدراسة ديناميكيات التشابك العصبي والتنظيم الذاتي للخلايا العصبية في الأنسجة الحية.

أثمرت أبحاثه المكثفة في روكفلر عن حصوله على درجة الدكتوراه عام 1967، من خلال أطروحة تأسيسية شكلت منعطفاً حاسماً في تاريخ العلوم العصبية المعرفية. تضمنت الأطروحة أول صياغة رياضية شاملة لمعادلات تفاضلية غير خطية توصّف بدقة متناهية التغيرات الوقتية في النفاذية الغشائية والناقلات العصبية عند المشابك، فضلاً عن كيفية تفاعل مجموعات الخلايا العصبية عبر التثبيط المتبادل والاستثارة الذاتية. أثبت غروسبرغ رياضياً أن القوانين النفسية الكلاسيكية، مثل قوانين التعلم البافلوفي ومبادئ علم نفس الجشطالت في التجميع البصري، ليست سوى انعكاسات مباشرة لحلول هذه المعادلات التفاضلية الحاكمة لشبكات الأغشية العصبية.

تمكن غروسبرغ في تلك المرحلة من ردم الهوة التاريخية بين التحليل السلوكي المجرد والبيولوجيا الخلوية المجهرية؛ فقد قدم برهاناً صارماً على أن المبادئ التي تتحكم في السلوك الإنساني ليست منفصلة عن الديناميكا الحيوية للغشاء الخلوي، بل إن كلاً منهما يمثل تجلياً للمبادئ الرياضية ذاتها ولكن على مستويات تنظيمية متباينة. مثلت تلك الأطروحة الإعلان الرسمي عن ولادة الإدراك العصبي الحسابي كفرع معرفي مستقل يجمع بين علم النفس الفسيولوجي والرياضيات غير الخطية وفيزياء النظم المعقدة.

1.3 التأسيس المؤسسي في جامعة بوسطن وإنشاء مركز الأنظمة التكيفية

بعد قضاء بضع سنوات كأستاذ للرياضيات التطبيقية في معهد ماساتشوستس للتكنولوجيا (MIT)، استقر ستيفن غروسبرغ نهائياً في عام 1975 في جامعة بوسطن (Boston University)، لتبدأ مرحلة التأسيس الهيكلي والمؤسسي لمدرسته العلمية. وجد غروسبرغ في جامعة بوسطن الدعم المؤسسي الضروري لبناء بيئة أكاديمية غير تقليدية تكسر الحواجز الصارمة بين الأقسام العلمية، حيث شرع فور انضمامه في وضع خطة طموحة لجمع التخصصات المتفرقة تحت مظلة بحثية وتعليمية موحدة تستهدف تفكيك لغز العقل والدماغ.

توجت جهوده في مطلع ثمانينيات القرن العشرين بتأسيس «مركز الأنظمة التكيفية» (Center for Adaptive Systems – CAS)، والذي غدا بسرعة منارة عالمية تستقطب ألمع العقول من مجالات الرياضيات التطبيقية، وعلم النفس المعرفي، والفيزياء، وهندسة الحواسيب، وعلم الأعصاب التشريحي والفسيولوجي. لم يكن المركز مجرد وحدة أبحاث تقليدية، بل كان مصنعاً فكرياً لصياغة النماذج الرياضية التي تفسر المعالجة البصرية، والتحكم الحركي، والاستجابات العاطفية، واكتساب اللغة. لاحقاً، وفي عام 1991، قاد غروسبرغ خطوة مؤسسية تاريخية بإنشائه «قسم الأنظمة المعرفية والعصبية» (Department of Cognitive and Neural Systems – CNS) في جامعة بوسطن، ليكون أول قسم أكاديمي يمنح درجات الماجستير والدكتوراه المتخصصة بالكامل في علم الأعصاب الحسابي المنهجي.

لعب غروسبرغ عبر هذه المؤسسات دوراً محورياً في تحديد الملامح الإبستمولوجية لعلم النفس العصبي الحسابي؛ فقد أشرف على تدريب وتخريج أجيال متعاقبة من العلماء والباحثين الذين انتشروا في كبريات الجامعات ومراكز الأبحاث العالمية، كما شارك بفاعلية في تنظيم المؤتمرات الدولية التأسيسية التي جمعت بين الرياضيين وعلماء الأحياء، مكرساً مبدأه الخالد القائل بأن أي نموذج معرفي للدماغ لا يمتلك أساساً بيولوجياً وقدرة على التعبير الرياضي الصارم هو مجرد تخمين يفتقر إلى القيمة العلمية الحقيقية.

2. نظرية الرنين التكيفي (ART): الأسس والبنية النظرية

2.1 فلسفة معمارية الرنين التكيفي وحل معضلة التصنيف

تُعد نظرية الرنين التكيفي (Adaptive Resonance Theory)، التي صاغها ستيفن غروسبرغ وطورها لاحقاً بالتعاون مع غيل كاربنتر (Gail Carpenter)، واحدة من أعظم الإنجازات النظرية في تاريخ الذكاء الاصطناعي وعلوم الإدراك. تنطلق النظرية من تساؤل فلسفي وعصبي عميق: كيف يمكن لدماغ بيولوجي أن يتعلم تصنيف المثيرات البيئية الجديدة باستمرار وبكفاءة ذاتية، دون أن يمحو أو يشوه الفئات التي تعلمها مسبقاً؟ رفض غروسبرغ الرؤية التبسيطية للشبكات العصبية ذات التغذية الأمامية (Feedforward Networks)، والتي تتعامل مع المعالجة المعرفية كمسار أحادي الاتجاه ينتقل فيه المثير الحسي من المستقبلات إلى مناطق المعالجة العليا بصورة آلية وسلبية.

تقوم فلسفة معمارية الرنين التكيفي على فكرة جوهرية مؤداها أن الإدراك ليس مجرد تدفق سلبي للبيانات الحسية من الأسفل إلى الأعلى (Bottom-Up Processing)، بل هو حوار تفاعلي مستمر بين المدخلات الحسية الصاعدة والتوقعات المعرفية الهابطة من الأعلى إلى الأسفل (Top-Down Expectations). تتكون الشبكة في أبسط صورها من طبقتين متفاعلتين: طبقة التمثيل الحسي (Input Layer / F1) وطمقة التصنيف المفهومي (Recognition Layer / F2). عندما يدخل مثير حسي جديد إلى F1، يُرسل نمط تنشيط صاعد إلى الطبقة F2، حيث تتنافس الخلايا العصبية هناك عبر التثبيط الجانبي لاختيار الفئة الأكثر تمثيلاً للمثير («الفائز يأخذ كل شيء»).

بمجرد فوز خلية معينة في الطبقة F2، فإنها ترسل على الفور توقعاً تنازلياً هابطاً إلى الطبقة F1، حاملاً النموذج الأولي (Prototype) المخزن في الذاكرة لتلك الفئة. هنا تتجلى عبقرية غروسبرغ في صياغة «قاعدة المطابقة» (Matching Rule): إذا تطابق التوقع الهابط مع المدخل الصاعد بدرجة كافية، يدخل النظام في حالة فيزيائية مستقرة تُسمى «الرنين العصبي» (Adaptive Resonance). في هذه الحالة الرنانة فقط، تتوقف الإشارات عن التشتت، وتُقفل الدائرة التفاعلية، ويحدث التعلم المشبكي؛ حيث يتم تعديل أوزان الروابط العصبية لتضمين التفاصيل الجديدة للمثير دون المساس بالجوهر البنائي للفئة المخزنة. إن الرنين في مفهوم غروسبرغ هو البوابة البيولوجية والحسابية للوعي وتثبيت الذكريات.

2.2 معلمات اليقظة والتحكم في دقة التصنيف المعرفي

تحتوي معمارية الرنين التكيفي على معامل تحكم ديناميكي بالغ الأهمية يُعرف رياضياً ووظيفياً باسم معلمة اليقظة (Vigilance Parameter)، ويُرمز لها بالرمز الإغريقي ($rho$). تمثل هذه المعلمة عتبة المطابقة الصارمة التي يحددها الدماغ أو النظام الحسابي لقبول مثير معين كجزء من فئة معروفة مسبقاً، أو اعتباره مثيراً فريداً يتطلب تخصيص فئة معرفية جديدة كلياً له. تتراوح قيمة معلمة اليقظة بين الصفر والواحد الصحيح، وتعمل كمنظم حساس يوازن بدقة بالغة بين النزعة إلى التعميم المعرفي المجرد والقدرة على التمييز الحاد بين التفاصيل الدقيقة.

عندما تكون قيمة معلمة اليقظة منخفضة، يتسامح النظام مع وجود فروق واختلافات كبيرة بين المدخل الحسي الصاعد والتوقع التنازلي الهابط؛ مما يدفع الشبكة إلى تجميع المثيرات المتنوعة في فئات عامة وشاملة (مثل تصنيف كل كائن ذي أربعة أرجل وفراء كـ «حيوان»). وعلى العكس من ذلك، عندما تُضبط معلمة اليقظة عند مستويات مرتفعة، يصبح النظام شديد الحساسية لأي عدم تطابق طفيف، رافضاً تصنيف الكائن ضمن الفئات المتاحة ما لم يكن مطابقاً بصورة شبه تامة للنموذج الأولي، مما يؤدي إلى إنشاء فئات تصنيفية فرعية ودقيقة للغاية (مثل التمييز الفوري بين سلالات محددة من القطط بناءً على تفاصيل طفيفة في الخطوط اللفظية أو البصرية).

في حالة حدوث عدم تطابق يتجاوز الحد الذي تسمح به معلمة اليقظة، تتدخل آلية حسابية تسمى «نظام التوجيه وإعادة التعيين» (Orienting Subsystem). يُطلق هذا النظام موجة تثبيط عامة وغير محددة تقوم فوراً بإسكات الفئة الفائزة الحالية في الطبقة F2، مما يسمح للطبقة بإعادة التنافس بين الخلايا الأخرى، أو إيقاظ خلايا عصبية جديدة كلياً لم يسبق استخدامها لتتعلم وتستوعب هذا المثير غير المألوف. فسر غروسبرغ هذه الديناميكية سيكولوجياً بأنها تماثل حالات الاستثارة المفاجئة التي تنتاب الكائن الحي عند مواجهة خطر غير متوقع أو مشهد مربك، حيث تتلاشى التوقعات الجاهزة فوراً لصالح استكشاف عميق وتأسيس أطر إدراكية جديدة؛ وهي تقدم أساساً رياضياً متيناً لفهم الفروق الفردية بين البشر في مرونة الانتباه، ومستويات القلق، وسرعة البديهة في معالجة الشذوذ البيئي.

2.3 تطور نماذج الرنين التكيفي عبر العقود (ART 1 إلى Fusion ART)

لم تتوقف نظرية الرنين التكيفي عند حدود النماذج الخطية الأولية، بل شهدت مساراً تطورياً متواصلاً على مدى عقود قاده غروسبرغ وفريقه البحثي لتلبية التحديات الحسابية المتزايدة. كان النموذج التأسيسي الأول هو ART 1، والذي صُمم في منتصف الثمانينيات لمعالجة المدخلات الرقمية الثنائية (Binary Inputs؛ سلاسل الأصفار والآحاد). أثبت هذا النموذج كفاءة خارقة في تمييز الأنماط وتصنيف الحروف والأشكال الخطية، مؤسساً للقوانين الرياضية الصارمة لمعادلات التغذية الراجعة، والتنافس، والاستقرار الديناميكي.

ولما كان الواقع الحسي البيولوجي يتسم بإشارات تناظرية ومستمرة ومتغيرة الشدة، قدم غروسبرغ وكاربنتر في أواخر الثمانينيات نموذج ART 2، الذي استطاع بنجاح معالجة الأنماط ذات القيم الحقيقية التناظرية (Analog Signals) عبر تضمين آليات متقدمة للتطبيع الذاتي (Self-Normalization) وتصفية الضوضاء في طبقات الإدخال. لاحقاً، طُوِّر نموذج ART 3 ليدمج ديناميكيات كيميائية حيوية أكثر عمقاً، حيث استُبدلت آليات التثبيط الرياضي البسيطة بنماذج تحاكي نضوب وتجدد الناقلات العصبية في الشق المشبكي، مما أتاح للشبكة القدرة على محاكاة أنماط البحث الهرمي التسلسلي في الدماغ المعقد بكفاءة حسابية فائقة.

شهدت التسعينيات قفزة نوعية كبرى بظهور معمارية ARTMAP، التي دمجت شبكتين من شبكات الرنين التكيفي عبر آلية تحكم متصلة تُعرف باسم «حقل الخرائط» (Map Field)، مما حول النظرية من نظام تعلم غير خاضع للإشراف (Unsupervised Learning) إلى نظام فائق القدرة على التعلم الخاضع للإشراف (Supervised Learning) والتنبؤ متعدد الفئات. تلى ذلك تطوير Fuzzy ART وFuzzy ARTMAP اللذين وظفا مبادئ المنطق الضبابي لحساب درجات الانتماء الجزئي للأنماط المعقدة. وفي العقود الأخيرة، تكللت هذه المسيرة بظهور نماذج الرنين التكيفي الاندماجي Fusion ART، القادرة على دمج قنوات حسية متعددة في آن واحد (كالرؤية، والسمع، واللمس) ضمن مصفوفة رنين متكاملة تولد إدراكاً كلياً متعدد الحواس يحاكي قدرة القشرة الدماغية البشرية على التكامل الحسي المتوازي.

3. معضلة الاستقرار والمرونة في النظم العصبية والمعرفية

3.1 التوصيف العلمي لمعضلة الاستقرار والمرونة (Stability-Plasticity Dilemma)

تُمثل «معضلة الاستقرار والمرونة» (Stability-Plasticity Dilemma) إحدى أعمق المعضلات البنيوية في العلوم المعرفية والذكاء الاصطناعي، وكان غروسبرغ أول من صاغها بدقة رياضية في عام 1980. تتمحور المعضلة حول التناقض الجوهري بين مطلبين حيويين لأي نظام تعليمي ذكي: الأول هو المرونة (Plasticity)، أي قدرة النظام على التكيف المستمر والتعلم السريع عند التعرض لمثيرات ومعلومات بيئية جديدة؛ والثاني هو الاستقرار (Stability)، أي قدرة النظام على حماية المعارف السابقة والذكريات التاريخية الراسخة من الاندثار أو التدمير بفعل تدفق البيانات المستجدة.

في الشبكات العصبية الاصطناعية الكلاسيكية، وتحديداً تلك التي تستند إلى خوارزميات الانتشار العكسي للخطأ (Backpropagation)، تنهار هذه المعادلة بصورة مأساوية فيما يُعرف بظاهرة «النسيان الكارثي» (Catastrophic Forgetting). فعند تدريب هذه الشبكات على مهمة جديدة بعد أن تكون قد أتقنت مهمة سابقة، تقوم التعديلات الطارئة على أوزان المشابك العصبية بمحو الأنماط القديمة تماماً، مما يضطر الباحثين إلى إعادة تدريب النظام على كامل البيانات القديمة والجديدة معاً في كل مرة. في المقابل، يبرهن الدماغ البشري عبر مختلف مراحل النمو النمائي على قدرة خارقة ومستمرة على تعلم مهارات ومفردات ووجوه جديدة كل يوم، مع الاحتفاظ بذكريات الطفولة وقواعد اللغة الأساسية لعقود متطاولة دون أي ارتباك أو محو عشوائي.

أكد غروسبرغ أن حل الدماغ البيولوجي لهذه المعضلة لا يتأتى من خلال تجميد المشابك العصبية فيزيائياً، بل من خلال معمارية تنظيرية نشطة تعتمد على التحكم الذاتي في مسارات التعلم؛ حيث لا يُسمح بتعديل المشابك العصبية التي تشفر المعارف الحيوية إلا إذا توافق المثير الجديد مع سياق الذاكرة النشطة عبر حالة الرنين. وإذا تباين المثير تماماً، تُوجه إشارات التكيف نحو مناطق ومسارات عصبية غير ملتزمة وظيفياً، مما يضمن الحفاظ التام على المخزون المعرفي المستقر بالتوازي مع تحقيق أعلى درجات المرونة المعرفية لامتصاص المستجدات البيئية.

3.2 الآليات الرياضية لمنع التراجع التراجعي للذاكرة

لم يكتفِ ستيفن غروسبرغ بالتشخيص الفلسفي لمعضلة الاستقرار والمرونة، بل قام بابتكار حلول رياضية بديعة تعتمد على ديناميكيات المعادلات التفاضلية التنافسية. تعتمد المنظومة الوقائية التي طورها على ثلاثة مرتكزات حسابية رئيسية تمنع ما أسماه بـ «التراجع التراجعي للذاكرة» (Retroactive Erasure of Memory):

• التغذية الراجعة التنازلية التوقعية (Top-Down Predictive Feedback): تلعب الروابط العصبية الهابطة دور المرشح الرقابي الصارم؛ فهي لا تسمح بتعديل أوزان الروابط المشبكية الصاعدة في مناطق الإدخال ما لم يتم تفعيلها مسبقاً بواسطة توقع هابط يتطابق مع النمط المعروض. هذا التفاعل المشترك يضمن ألا تُسجل أي مدخلات عشوائية أو ضوضاء مؤقتة ضمن الأوزان المشبكية الحيوية.
• التثبيط الجانبي المقيد (Lateral Inhibition Constrained Dynamic): تُصمم الشبكات بطريقة تجعل التنافس بين الخلايا العصبية محكوماً بآليات تثبيط جانبية مشروطة بحالة التوازن العام، مما يقيد انتشار التنشيط العصبي العشوائي ويمنع ظاهرة «الفيضان الإشاري» الذي قد يمحو الفروق الطفيفة بين الذاكرات المستقرة.
• تثبيت المشابك عبر الرنين المتبادل (Synaptic Gating via Mutual Resonance): تظل أوزان المشابك محجوبة عن التغيير (Plasticity Gated OFF) في الحالة الطبيعية، ولا تُفتح بوابات التعديل والتعلم التكيفي (Plasticity Gated ON) إلا خلال نافذة زمنية بالغة القصر تبلغ فيها الشبكة حالة الرنين الترددي المتزامن بين الإشارات الصاعدة والهابطة.

تتطابق هذه الآليات الرياضية التي وضعها غروسبرغ في سبعينيات وثمانينيات القرن الماضي بصورة مذهلة مع الاكتشافات البيولوجية العصبية المعاصرة حول آليات «التوطيد العصبي» (Memory Consolidation) في قرن آمون (Hippocampus) والقشرة المخية الحديثة (Neocortex). فالتثبيت المشبكي لا يحدث اعتباطاً، بل يتطلب مسارات تعديل نيورونية معقدة وتدفقات كيميائية ترتبط ارتباطاً وثيقاً بنشاط التذبذبات الدماغية المتزامنة، تماماً كما توقعته معادلات الرنين الرياضية قبل عقود من إثباته بالمجاهر المجهرية الدقيقة.

3.3 التداعيات النفسية والسلوكية للتوازن العصبي المستقر

إن التوازن الرياضي بين الاستقرار والمرونة ليس مجرد مسألة هندسية تخص الشبكات، بل هو المحرك الأساسي للاستقرار النفسي والسلوكي للإنسان؛ إذ يُفسر نموذج غروسبرغ كيف تتشكل وتستقر السمات الشخصية المعرفية للشخص عبر السنين رغم التعرض لملايين المؤثرات اليومية المتغيرة. يتيح هذا التوازن للذات البشرية أن تحتفظ بهويتها الأساسية ومنظومتها القيمية والمفاهيمية (الاستقرار)، مع استمرار قدرتها على التطور الفكري واكتساب مهارات جديدة والتكيف مع الصدمات والمستجدات (المرونة).

وعلى النقيض، يفتح انهيار هذا التوازن العصبي الباب واسعاً أمام فهم مسببات الاضطرابات النفسية والسلوكية المعقدة؛ فعندما يختل ميزان الاستقرار والمرونة لصالح الاستقرار المفرط (Hyper-Stability)، تتجمد البنى المعرفية وتفقد المشابك قدرتها على التكيف، مما يقود إلى «الصلابة الذهنية المفرطة» (Mental Rigidity)، والوسواس القهري، وصعوبة التعافي من الصدمات، وفشل التعلم التراكمي في المواقف الجديدة. في المقابل، إذا مال الميزان نحو المرونة المفرطة غير المقيدة (Hyper-Plasticity)، يعاني الكائن الحي من التشتت الإدراكي الحاد، وفقدان التركيز، وظاهرة التشويش التراجعي حيث تلتهم كل تجربة جديدة سابقتها، وهو ما يفسر بعض أعراض التدهور المعرفي، ومرض آلزهايمر، واضطرابات طيف التوحد التي فسرها غروسبرغ لاحقاً بخلل في معايير اليقظة ومطابقة التوقعات.

علاوة على ذلك، يفسر هذا التوازن الكيفية التي يبني بها العقل البشري المفاهيم التجريدية واللغوية المعقدة؛ فاكتساب اللغة مثلاً يتطلب تثبيتاً غير قابل للتزعزع للقواعد التركيبية والصوتية (حالة استقرار) بالتزامن مع مرونة مطلقة وغير متناهية لإضافة مفردات جديدة وسياقات دلالية مبتكرة طوال العمر. إن نظرية غروسبرغ تضع السلوك الإنساني المتكامل ضمن نسق رياضي ونفسي ينفي الفصل التقليدي بين بيولوجيا الخلية واستقلالية الفكر البشري.

4. النمذجة الرياضية والديناميكية للعمليات النفسية والإدراكية

4.1 معادلات شنتينغ (Shunting Equations) كركيزة للمعالجة الخلوية

تُمثل معادلات شنتينغ (Shunting Equations) إحدى الركائز الأكثر تأثيراً التي ابتكرها ستيفن غروسبرغ لدراسة المعالجة الخلوية والحسابية في الأغشية العصبية. واجه علماء الفسيولوجيا العصبية تاريخياً معضلة فيزيائية تُعرف بـ «مشكلة الضوضاء والتشبع» (The Noise-Saturation Dilemma): إذا كانت الخلية العصبية حساسة للمدخلات الضعيفة جداً، فإن أي مدخل حسي قوي سيؤدي حتماً إلى وصول نشاطها إلى ذروة التردد وتشبعه، مما يجعلها عاجزة تماماً عن قياس أي تباين أو فروق إضافية؛ أما إذا رُفعت عتبة الخلية للتعامل مع المدخلات العاتية، فإن الإشارات الضعيفة تضيع بالكامل وتغرق في ضوضاء القشرة الدماغية.

صاغ غروسبرغ معادلات شنتينغ التفاضلية غير الخطية لتوفير آلية تحكم تلقائي في الكسب (Automatic Gain Control) تحاكي بدقة متناهية ديناميكيات قنوات الأيونات في الأغشية البيولوجية. تأخذ المعادلة الأساسية لشنتينغ مع التثبيط الجانبي الشكل التالي:

$$\frac{dx_i}{dt} = -A x_i + (B – x_i) I_i – (x_i + C) \sum_{j \neq i} J_j$$

حيث يمثل $x_i$ جهد الغشاء للخلية العصبية، ويمثل $A$ معدل التسريب الذاتي واستعادة التوازن، بينما يمثل $B$ و $-C$ الحدود القصوى للاستثارة وفرط الاستقطاب الغشائي على التوالي. أما $I_i$ فهو المدخل الاستثاري الموجه إلى الخلية، في حين يمثل الحد $\sum_{j \neq i} J_j$ مجموع المدخلات التثبيطية القادمة من الخلايا المجاورة عبر شبكة التثبيط الجانبي.

تضمن الحدود الحسابية المضروبة ($(B – x_i)$ و $(x_i + C)$) تقييد كمون الخلية العصبي دوماً ضمن النطاق الفيزيولوجي الآمن بين $B$ و $-C$. والأهم من ذلك، أثبت غروسبرغ رياضياً أن هذه المعادلات تُمكن الشبكة العصبية من معالجة الأنماط النسبية للمثيرات بدلاً من قيمتها المطلقة، مما يتيح للدماغ البشري الاحتفاظ بحساسيته الاستثنائية للتباين اللوني والصوتي تحت مستويات إضاءة وضجيج تتفاوت بآلاف الأضعاف، وهو ما وفر التفسير الرياضي الدقيق لظاهرة ثبات اللون والسطوع وقوانين فيبر-فيشنر في علم النفس الحسي.

4.2 قوانين التعلم التكيفي والمشبكي: تطور قانون غروسبرغ

لعقود طويلة، هيمنت فرضية دونالد هيب (Donald Hebb) المعروفة بـ التعلم الهيبي (Hebbian Learning) على أبحاث الدماغ، والتي تختزل التعلم في المبدأ القائل: «إن الخلايا العصبية التي تطلق إشاراتها معاً، تترابط معاً» (Cells that fire together, wire together). غير أن غروسبرغ كان من أوائل من انتقدوا هذا النموذج؛ مبيناً أنه يؤدي حتماً إلى عدم استقرار رياضي يؤدي إلى انفجار أوزان المشابك العصبية إلى ما لا نهاية إذا لم تُكبح بآليات خارجية مصطنعة، فضلاً عن عجزها التام عن تفسير ظواهر التراجع السلوكي، وتثبيط المثيرات الشرطية، ومبادئ التعلم الترابطي المعقدة.

بديلاً عن ذلك، صاغ غروسبرغ في أواخر الستينيات «قانون التعلم التكيفي»، المعروف عالمياً بـ «قانون غروسبرغ المشبكي» (Grossberg’s Learning Law). في هذا القانون، لا يرتبط تعديل الوزن المشبكي $w_{ij}$ بمجرد التواقت الزمني العشوائي، بل يُشترط أن يكون محكوماً بالنشاط المقروء بدقة للخلية بعد المشبكية والخلية قبل المشبكية ضمن صيغة تكيفية متوازنة ذاتياً:

$$\frac{dw_{ij}}{dt} = f(y_j) [g(x_i) – w_{ij}]$$

يعمل الحد $f(y_j)$ كبوابة تعلم تتحكم فيها الإشارات بعد المشبكية؛ فلا يحدث التعلم إلا إذا كانت الخلية المستقبلة نشطة بيولوجياً. أما الحد التكيفي $[g(x_i) – w_{ij}]$، فيجعل الوزن المشبكي يتتبع تدريجياً وبدقة إشارة النمط الصادر عن الخلية قبل المشبكية $g(x_i)$. هذا يعني أن أوزان الروابط تتعلم أنماط الإشارات الموزعة ولا تتضخم بلا نهاية؛ لأن التغير يتلاشى تلقائياً عندما يتطابق الوزن مع قوة الإشارة الواردة.

أتاح هذا القانون الرياضي المتقن لغروسبرغ وفريقه تقديم أول نمذجة ميكانيكية دقيقة لظاهرة «الانقراض السلوكي» (Behavioral Extinction)؛ حيث تنخفض قوة الاستجابة الشرطية تلقائياً عند غياب المثير غير الشرطي، ليس بسبب تلف المشابك، بل بفعل إعادة معايرة الأوزان المشبكية ديناميكياً بما يتوافق مع الواقع البيئي الجديد دون أن تفقد المشابك قدرتها على إعادة التعلم السريع عند تجدد الارتباط.

4.3 ديناميكيات الفائز يأخذ كل شيء والتثبيط المتنافس

تشكل «الشبكات ذات التغذية المرتدة التنافسية» (Competitive Feedback Networks) عنصراً حاسماً في المنظومة الرياضية لغروسبرغ. في القشرة المخية، ترتبط الخلايا العصبية ببعضها البعض عبر شبكات معقدة من التثبيط المتبادل والترابط الذاتي الاستثاري؛ هذه المعمارية المعقدة مسؤولة في المقام الأول عن حسم الصراعات الحسابية واتخاذ القرارات الإدراكية والسلوكية الفورية.

صاغ غروسبرغ بالتعاون مع مايكل كوهين (Michael Cohen) في عام 1983 مبرهنة رياضية شهيرة تُعرف في الأدبيات العلمية باسم نظرية كوهين-غروسبرغ للاستقرار (Cohen-Grossberg Stability Theorem). قدمت هذه النظرية صياغة لدالة طاقة عامة (Liapunov Function) برهنت بشكل قاطع على أن أي شبكة عصبية تنافسية غير خطية تخضع لمعادلات شنتينغ ستتقارب حتماً وتستقر عند نقطة توازن دنيا، بغض النظر عن مدى تعقيد المدخلات أو تباين كثافة الاتصالات التثبيطية. حلت هذه المبرهنة شكوكاً تاريخية حول احتمالية دخول الدماغ في دورات تذبذب فوضوية لا نهائية تجعله عاجزاً عن اتخاذ القرار.

تتجلى هذه الديناميكية التنافسية عملياً في آلية «الفائز يأخذ كل شيء» (Winner-Take-All)؛ فعندما تتدفق تيارات متعددة من الإشارات المتنافسة إلى القشرة المخية، تقوم الخلايا التي تتلقى أقوى دعم حسي وتوقعي بتثبيط جاراتها عبر المحاور التثبيطية الشنتينغية، مما يضخم الفارق الطفيف في الإشارة الأصلية ليتحول إلى فوز ساحق لتمثيل إدراكي واحد وقمع تام للخيارات المنافسة. تقدم هذه النماذج التفسير الرياضي الأمثل لظواهر الصراع الإدراكي والانتباه الانتقائي الكلاسيكية، مثل «مهمة ستروب» (Stroop Task) والتنافس بين العينين (Binocular Rivalry)، حيث يترجم الدماغ التنافس المشبكي المجهري إلى قرار واعي لا لبس فيه.

5. الإدراك البصري ومعالجة الصور في الدماغ البشري

5.1 نظام حواف السطح ونظام معالم الحدود (BCS / FCS)

يعد الإدراك البصري أحد أخصب الميادين التي طبق فيها غروسبرغ نظرياته الرياضية، حيث طور مع مينغولا (Ennio Mingolla) في منتصف الثمانينيات نظرية ثورية توحد الإدراك البصري تُعرف بنظام معالم الحدود (Boundary Contour System – BCS) ونظام ملامح الأسطح (Feature Contour System – FCS). انطلق غروسبرغ من فرضية مفادها أن المعالجة البصرية في الدماغ لا تنقل الصور كما تلتقطها الكاميرا، بل تفكك المشهد أولاً إلى إشارات حواف غير مكتملة، ثم تقوم بعملية استكمال نشطة وبناء واعي للسطوع والألوان والحدود غير المرئية.

يتولى نظام معالم الحدود (BCS) مهمة تحديد وتوليد الحواف الفاصلة بين الكائنات في المشهد؛ ويشمل ذلك استكمال الحدود الإدراكية الوهمية (Illusory Contours) كتلك التي تُرى في أشكال جشطالت الشهيرة (مثل مثلث كانيزا Kanizsa Triangle). برهن غروسبرغ أن القشرة البصرية الأولية (V1) والثانوية (V2) تحتوي على خلايا ثنائية القطب (Bipole Cells) تعمل كدوائر تجميع واستكمال رياضي؛ فإذا استقبلت الخلية إشارات محاذاة من طرفين متقابلين، فإنها تطلق إشارة ترسم «حافة وهمية» تربط بينهما حتى لو كانت المنطقة الوسطى بيضاء تماماً ومحرومة من التباين الضوئي المباشر.

في المقابل، يعمل نظام ملامح الأسطح (FCS) بالتوازي مع BCS، وتتمثل وظيفته الأساسية في توليد الإدراك الحسي للون والسطوع عبر عملية تسمى «الانتشار والملء الداخلي» (Filling-in). فالألوان والسطوع لا تُدرك في مواضعها عبر شبكية العين، بل يكتشف الدماغ التباينات الحادة عند الحواف أولاً، ثم تقوم إشارات الألوان بالتدفق والانتشار في كافة الاتجاهات داخل المساحات المغلقة التي يحددها نظام الحواف (BCS). تتطابق هذه البنية الهندسية الحسابية تطابقاً تاماً مع الاكتشافات التشريحية لمسارات المعالجة بين طبقات V1 وV2 ومنطقة V4 في القشرة البصرية للرئيسيات.

5.2 نموذج FACET وإدراك العمق، والشكل، والحركة ثلاثية الأبعاد

توج غروسبرغ أبحاثه البصرية بتطوير معمارية FACET (Form-And-Contour-Estimating-Technology)، وهي امتداد لنظامي BCS وFCS يدمج إدراك العمق الحقيقي والشكل المجسم والحركة ثلاثية الأبعاد للأجسام في بيئات طبيعية شديدة التعقيد والتغير. تمثل المعضلة الكبرى في المعالجة البصرية ثلاثية الأبعاد في كيفية استخلاص صور ثابتة ومفهومة لكائنات تتحرك وتدور، وتخضع لتغيرات مستمرة في الإضاءة والظلال وتشابك الحواف.

يقوم نموذج FACET بحل مشكلة تطابق العينين واستخلاص العمق المجسم (Stereopsis) عبر التفاعل غير الخطي بين قنوات التباين متعددة النطاقات المكانية (Multiscale Spatial Filters). تقوم الشبكة بمطابقة الحواف المتشابهة في صورتي الشبكية اليمنى واليسرى، مع استخدام آليات التثبيط الذاتي لإسقاط التطابقات الزائفة الناتجة عن تكرار الأنماط الدقيقة. في الوقت ذاته، يوفر النموذج حلاً بديعاً لمشكلة «تحديد فتحة الرؤية» (Aperture Problem) في معالجة الحركة، حيث تدمج الشبكات العصبية بين متجهات الحركة المحلية عبر دمج إشارات زوايا الأجسام وحوافها البارزة لتوليد مسار حركي ثلاثي الأبعاد موحد ومستقر.

علاوة على ذلك، وفر نموذج FACET التفسير الفيزيولوجي والنفسي الأول لعدد لا يحصى من الخدع البصرية الإدراكية الكلاسيكية، مثل ظاهرة شريط ماخ (Mach Bands)، وشبكة هيرمان (Hermann Grid)، وظواهر التباين المتزامن والشفافية الظاهرية. أثبت غروسبرغ أن هذه الخدع ليست «أخطاء تصميمة» في الدماغ البشري، بل هي الثمن الحتمي الذي تدفعه المنظومة العصبية لتفعيل آليات الحساب الاستكمالي الذاتي ومعادلات شنتينغ التي تتيح لنا رؤية الأجسام وتمييزها بثبات تحت أقسى وأعقد ظروف الرؤية الواقعية.

5.3 التفاعل الثنائي بين القشرة البصرية وجهاز الركبي الوحشي

طوال عقود، استقر الفهم التقليدي للجهاز البصري على اعتبار النواة الركبية الوحشية (Lateral Geniculate Nucleus – LGN) في المهاد مجرد محطة ترحيل سلبية تنقل الإشارات من الشبكية إلى القشرة البصرية الأولية دون معالجة عميقة. تصدى غروسبرغ لهذا الطرح الكلاسيكي بقوة عبر نماذجه الحسابية للتفاعل الثنائي الرنيني، مؤكداً أن الحجم الهائل للألياف العصبية الهابطة من القشرة البصرية (V1) إلى النواة الركبية الوحشية—والتي تفوق عددياً الألياف الصاعدة من الشبكية—يشير إلى دور وظيفي حاسم للتغذية الراجعة التنازلية.

برهن غروسبرغ عبر نمذجته الرياضية أن المسارات الهابطة من القشرة إلى LGN تشكل دارة رنينية دقيقة تهدف إلى زيادة حدة التباين المكاني وتصفية الضوضاء المحيطة قبل أن تستحوذ الإشارات غير المجدية على مقدرات القشرة الدماغية. تعمل هذه التغذية التنازلية كآلية انتباه مسبق (Pre-attentive Gating) ترفع حساسية الخلايا الركبية للمناطق المرتبطة بالأهداف الإدراكية والأنماط المنتظمة، مع تثبيط فعال للإشارات العشوائية والمشتتة.

إن الرؤية وفق نموذج غروسبرغ ليست عملية تصوير فوتوغرافي تمر عبر خط إنتاج أحادي، بل هي «حوار رنيني» مستمر ومتصاعد بين المهاد والقشرة البصرية. تتطابق هذه النمذجة اليوم مع أدلة قاطعة مستمدة من تخطيط كهربية الدماغ والتسجيلات المجهرية الفسيولوجية، والتي أظهرت أن التأخير الزمني في التنشيط القشري يعقبه فوراً تعديل مباشر لأنماط الاستجابة في النواة الركبية، مما يثبت صحة طروحات غروسبرغ حول الطابع التفاعلي التبادلي للإدراك البصري.

6. التحكم الحركي، وتوليد المسارات، ونموذج VITE

6.1 معمارية نموذج VITE (تكامل المتجهات نحو النهاية)

امتد عبقرية ستيفن غروسبرغ الحسابية إلى مجال التحكم الحركي، حيث ابتكر بالتعاون مع دانيال بولوك (Daniel Bullock) في أواخر الثمانينيات نموذجاً مرجعياً لحساب مسارات الأطراف يُعرف باسم نموذج VITE (Vector Integration to Endpoint). انطلق هذا النموذج لحل لغز كلاسيكي في فسيولوجيا الحركة: كيف يتمكن الدماغ من توجيه الذراع للوصول إلى هدف مكاني محدد بدقة متناهية وبحركات انسيابية ناعمة، مع القدرة على تعديل سرعة الحركة دون المساس بمسارها الهندسي؟

تتألف معمارية نموذج VITE من ثلاث إشارات عصبية رئيسية تتفاعل ديناميكياً عبر الزمن:

1. أمر الموضع المستهدف (Target Position Command – TPC): يمثل الموقع الفضائي في الفراغ الذي يرغب الكائن في تحريك طرفه إليه، ويتم ترميزه عادة في القشرة الجدارية والباحات الحركية العليا.
2. أمر الموضع الحالي (Present Position Command – PPC): يعكس الموضع الفيزيائي الفعلي للطرف في اللحظة الراهنة، ويُخزن في خلايا الذاكرة التكاملية في القشرة الحركية.
3. متجه الفرق (Difference Vector – DV): وهو الإشارة الحسابية الناتجة عن طرح الموضع الحالي من الموضع المستهدف ($DV = TPC – PPC$). يعبر هذا المتجه عن المسافة والاتجاه المتبقيين للوصول إلى الهدف.

تأتي اللمسة العبقرية لغروسبرغ وبولوك في إدخال «إشارة السرعة غير المحددة» أو إشارة الانطلاق (GO Signal). تضرب هذه الإشارة غير المتخصصة عددياً في متجه الفرق ($DV \times GO$)؛ مما يتيح تكامل الموضع الحالي ($PPC$) تدريجياً نحو الهدف. تسمح هذه المعمارية المبتكرة بالتحكم المستقل تماماً في سرعة الحركة عبر تعديل سعة إشارة GO فقط (من خلال الإفراز الدوباميني في العقد القاعدية)، دون الحاجة لإعادة حساب مسار الحركة أو تغيير شكل المسار الهندسي؛ وهو ما يقدم المعادلة الحسابية التي تولد «منحنيات السرعة الجرسية» (Bell-shaped Velocity Profiles) التي تميز حركات الأطراف الإرادية لدى البشر والرئيسيات.

6.2 تنسيق حركة العين وحركات التحديق السريعة (Saccades)

طبق غروسبرغ مبادئ نموذج VITE والشبكات التنافسية الشنتينغية على دراسة حركات العين السريعة الارتدادية المعروفة بـ «التحديق السريع» (Saccades)، وهي أسرع الحركات الإرادية التي ينفذها الجسم البشري لتوجيه النقرة المركزية في شبكية العين نحو المثيرات ذات الأهمية. تتطلب هذه الحركات حسابات زمانية ومكانية بالغة الدقة لتفادي تجاوز الهدف (Overshoot) أو التوقف دونه (Undershoot).

طور غروسبرغ نماذج تفصيلية تشمل الدوائر العصبية الرابطة بين الأكيمة العلوية (Superior Colliculus) وحقول العين الجبهية (Frontal Eye Fields – FEF) والمخيخ. فسر النموذج كيف يتم تحويل الخريطة المكانية المشفرة لموضع الهدف في الأكيمة العلوية إلى شفرة نبضية زمنية تحدد بدقة زمن ومقدار انقباض عضلات العين المحركة. كما أظهر النموذج دور دوائر التغذية الراجعة الداخلية في قياس الإزاحة العينية اللحظية وتصفير متجه الفرق في أجزاء من الألف من الثانية بمجرد بلوغ الهدف.

تتميز نماذج غروسبرغ لحركة العين بقدرتها الفائقة على محاكاة التكيف المستمر مع ظاهرة التعب العضلي؛ فإذا ضعفت عضلات العين جراء الإجهاد، تقوم دارات الرنين المخيخية بإعادة معايرة سعة نبضات الحركة تلقائياً لضمان دقة الاستقرار الحركي وتحديث الخرائط المكانية الإدراكية دون إحداث أي اهتزاز واعي في المشهد البصري، وهو ما يفسر استمرارية الاستقرار الإدراكي أثناء القراءة والاستكشاف البصري النشط للمشاهد المعقدة.

6.3 المخيخ والتعلم الحركي التكيفي في نماذج غروسبرغ

يحتل المخيخ (Cerebellum) مكانة محورية في نماذج غروسبرغ للتحكم الحركي، حيث ينظر إليه كمعالج زمني فائق الدقة مسؤول عن تصحيح الأخطاء الحركية وصقل المهارات المعقدة. استند غروسبرغ إلى البنية النسيجية الفريدة للمخيخ، وتحديداً التفاعل المعقد بين خلايا بوركينجي (Purkinje Cells) وألياف التسلق (Climbing Fibers) والألياف المطحونة (Mossy Fibers).

في نماذج غروسبرغ الحسابية، تعمل ألياف التسلق كقنوات لنقل إشارات الخطأ المتزامن (Error Signals) المتولدة عند حدوث انحراف بين الحركة المنفذة والحركة المقصودة. تقوم هذه الإشارات بتعديل أوزان المشابك العصبية في خلايا بوركينجي وفق قوانين التعلم التكيفي الشنتينغية، مما يتيح معايرة متواصلة لمعاملات التغذية الراجعة والمسبقة. تؤدي هذه الديناميكية إلى أتمتة الحركات المتسلسلة؛ بحيث تنتقل المهارة الحركية تدريجياً من التحكم الواعي البطيء في القشرة الجبهية إلى مرحلة الأداء التلقائي فائق السرعة والدقة تحت الإشراف المخيخي.

يتيح هذا الإطار الحسابي تفسيراً شاملاً لاكتساب المهارات الرياضية والموسيقية المعقدة كالعزف على الآلات الوترية أو الركض عبر تضاريس وعرة، حيث تندمج وحدات التحكم الحركي الفرعية لتشكل «جمل حركية» متناسقة ومقاومة للتشتت، مؤكداً مرة أخرى على رؤية غروسبرغ التكاملية التي لا تفصل بين التعلم الحركي والتعلم الإدراكي؛ إذ يخضع كلاهما لنفس المبادئ الرياضية لتصحيح الأخطاء عبر الرنين المتوازن.

7. الانتباه، والوعي، ونموذج الرنين المعرفي المتزامن (SMART)

7.1 الانتباه كحالة رنينية تفاعلية: نموذج ART-EM

رفض ستيفن غروسبرغ بحزم التصورات الكلاسيكية في علم النفس المعرفي التي تعاملت مع الانتباه (Attention) كمرشح ميكانيكي سلبي يستبعد المدخلات الزائدة لحماية القشرة من الإرهاق. بدلاً من ذلك، صاغ غروسبرغ نموذجاً ثورياً ينظر إلى الانتباه كعملية تعديل استباقية ونشطة للمدخلات الحسية عبر التغذية التنازلية، وهو ما تبلور بصورة جلية في نموذج ART-EM (Adaptive Resonance Theory – Eye Movement).

وفقاً لهذا الطرح، فإن إشارات الانتباه الإرادية الهابطة (Top-Down Volitional Attention) تتدفق من القشرة الجبهية والجدارية إلى الباحات الحسية الابتدائية لتعديل استجابة الخلايا؛ فهي لا تفرض مدخلات خيالية بل تعمل على «إعداد وتجهيز» (Priming) الشبكة؛ فترفع حساسية الخلايا للميزات المتوافقة مع المثير المرتقب وتهبط بمستوى نشاط الميزات المشتتة. عندما تتلاقى هذه الإشارات التنازلية الموجهة مع المثير الحسي الصاعد الفعلي، تتولد بؤرة انتباهية شديدة التركيز تقفل الدائرة المعرفية.

يوفر هذا النموذج التفسير الحسابي لعدد من الظواهر السيكولوجية الشهيرة مثل «عمى التغير» (Change Blindness) و«عمى عدم الانتباه» (Inattentional Blindness) والإهمال النصفي (Hemispatial Neglect)؛ فعندما تفشل الآلية التنازلية في توليد توقعات أو عندما يُحرم الدماغ من الرنين المشبكي المركز حول عنصر معين، فإن هذا العنصر يظل حرفياً غير مرئي للوعي رغم سقوطه الفيزيائي الكامل على مستقبلات الشبكية وحصوله على معالجة حسية دنيا في المراحل الأولية.

7.2 نموذج الرنين المتزامن والمتكيف المتزامن (SMART) والوعي

تُوجت أبحاث غروسبرغ في مجال الوعي المعرفي بصياغة نموذج SMART (Synchronous Matching Adaptive Resonance Theory)، والذي يمثل إحدى أكثر المحاولات الحسابية جرأة في تاريخ العلوم العصبية لمعالجة «المشكلة الصعبة للوعي» (The Hard Problem of Consciousness). ينص المبدأ الجوهري لنموذج SMART على افتراض رياضي وفسيولوجي حاسم:

«تتطابق الحالات المعرفية الواعية حسابياً وفيزيولوجياً مع حالات الرنين العصبي الوظيفي المتزامن» (Conscious states are resonant states).

يبرهن النموذج على أن المعالجة العصبية اللاواعية تتسم بإشارات عابرة، سريعة، وموجهة في اتجاه واحد (تغذية أمامية سريعة)، وتكفي لإنجاز الأفعال المنعكسة والمهام الآلية دون أن تترك أثراً في الإدراك الذاتي. أما عندما تتفاعل المسارات الصاعدة مع التوقعات الهابطة وتدخل الشبكة القشرية-المهادية في حالة الرنين التكيفي، تتغير الطبيعة الفيزيائية للنشاط العصبي بالكامل لتتحول إلى تذبذبات كهرومغناطيسية متزامنة في نطاق ترددات غاما (Gamma Oscillations؛ من 30 إلى 80 هرتز) تتزامن مع تذبذبات بيتا الأبطأ في طبقات القشرة المختلفة.

إن هذا التزامن الترددي الدقيق هو الحامل الفيزيائي للحالة الواعية؛ فهو الذي يربط الخصائص المتفرقة للمثير (اللون، الحركة، الهيئة المكانية، الدلالة المفهومية) في وحدة إدراكية واعية ومستقرة زمنياً. يقدم غروسبرغ بذلك حلاً عملياً للمشكلة الصعبة للوعي متجاوزاً الميتافيزيقا الفلسفية؛ فالوعي ليس شبحاً خارج الآلة البيولوجية، بل هو الخاصية الديناميكية الطارئة الناتجة عن بلوغ دوائر الدماغ حالة الرنين والتحام التوقعات بالواقع المحسوس.

7.3 اتخاذ القرار وتكامل الأدلة المعرفية المتنافسة

يُعد اتخاذ القرار الإنساني عملية ديناميكية معقدة تتطلب تجميع أدلة احتمالية متضاربة تحت وطأة ضغوط زمنية ومستويات متفاوتة من عدم اليقين البيئي. صاغ غروسبرغ نماذج حركية عصبية تشرح كيف تقوم الدوائر القشرية في الفص الجبهي (Prefrontal Cortex) بالتعاون مع العقد القاعدية بإدارة مسارات اتخاذ القرار عبر آليات التجميع والتنافس غير الخطي.

تستخدم الشبكة آليات التكامل الرياضي لمتجهات الأدلة الحسية والمعرفية الصاعدة عبر معادلات شنتينغ؛ حيث تقوم الخلايا العصبية الممثلة للبدائل المختلفة بمراكمة الإشارات المؤيدة لها مع ممارسة تثبيط متبادل على البدائل المنافسة. تتسارع هذه العملية التنافسية حتى تتمكن إحدى الفئات من كسر حاجز العتبة التنافسية، محققة حالة تفوق تطلق أمراً حركياً فورياً (كحركة اليد أو العين لاختيار البديل).

تتطابق مخرجات نماذج غروسبرغ الرياضية بدقة متناهية مع البيانات التجريبية المستخلصة من أبحاث علم النفس المعرفي وسيكوفيزياء اتخاذ القرار، ولا سيما نموذج «الانجراف التراكمي» (Drift-Diffusion Model) ومعادلات هيك (Hick’s Law). كما تفسر النماذج بدقة الاضطرابات السلوكية في اتخاذ القرار الناتجة عن تباين شحنات النواقل العصبية؛ حيث يؤدي انخفاض العتبات التثبيطية إلى التهور والاندفاعية السلوكية، بينما يؤدي الارتفاع المفرط للعتبات إلى التردد المعرفي والعجز التام عن الحسم.

8. التعلم الترابطي، والدافعية، والأنظمة العاطفية (CogEM)

8.1 نموذج CogEM (المعرفي-العاطفي-الحافزي)

لم يحصر ستيفن غروسبرغ دراساته في مجالات الإدراك الحسي المجرد والتحكم الحركي، بل أدرك مبكراً أن السلوك البشري والحيواني موجه ومحكوم في جوهره بالدوافع البيولوجية والمنظومات الانفعالية. في هذا السياق، طور غروسبرغ نموذج CogEM (Cognitive-Emotional-Motor Model) ليقدم معمارية حسابية رائدة تشرح كيفية تفاعل المعرفة مع العاطفة والدافعية لتوجيه الأفعال.

يقوم نموذج CogEM على بنية شبكية ثلاثية الأقطاب تتفاعل عبر مسارات عصبية متقاطعة:

• تمثيلات المثيرات الحسية (Sensory Representations): توجد في القشور الحسية الابتدائية والترابطية، وتعمل على تصنيف وتمييز الكائنات والأحداث البيئية.
• تمثيلات المحركات والدافعية (Drive Representations): تتمركز تشريحياً في اللوزة الدماغية (Amygdala) والوطاء (Hypothalamus)، وتعمل على تشفير الحالات الحافزية الداخلية (مثل الجوع، العطش، الخوف، الرغبة الجنسية).
• تمثيلات الأفعال والحركات (Motor Representations): تتمركز في القشرة الحركية والعقد القاعدية، وتتولى تخطيط وتنفيذ الاستجابات السلوكية الملموسة.

تتصل هذه الأقطاب الثلاثة عبر روابط مشبكية مشروطة تخضع لقوانين التعلم التكيفي؛ حيث تُرسل المثيرات الحسية إشارات شرطية صاعدة إلى مراكز الدوافع في اللوزة، وإذا تزامن المثير مع حالة دافعية ملحة ومكافأة بيولوجية، يُفرز الدماغ إشارات تدعيم ترابطية هابطة تُعرف بـ «إشارات الدافعية المعدلة» (Incentive Motivational Signals). تعمل هذه الإشارات كمعززات تنشط التمثيل الحسي وتدفعه للمشاركة في توجيه تمثيلات الأفعال؛ مما يقدم أساساً حسابياً صارماً للتفريق بين «السلوك الموجه بالأهداف» (Goal-Directed Behavior) القائم على تقييم المكافأة الحالية، و«السلوك القائم على العادات» (Habitual Behavior) التلقائي.

8.2 الشرطية الكلاسيكية والتنافس بين العواطف المتضاربة

وفرت أبحاث غروسبرغ الإطار الرياضي الأكثر شمولاً لتفسير ظواهر الاشتراط الكلاسيكي (Classical Conditioning) واشتراط الاستجابة الفعال (Operant Conditioning)، متجاوزاً بذلك النماذج الرياضية المبسطة السابقة كنماذج ريسكورلا-واغنر (Rescorla-Wagner Model). تمكنت معادلات CogEM من تفسير ظواهر نفسية معقدة مثل «الحجب» (Blocking)، و«التظليل» (Overshadowing)، والتكيف الحسي المشروط عبر دمج التنافس الزمني والانتباه المعدل بالدافعية.

الأكثر إثارة في هذا السياق هو تطوير غروسبرغ لنظرية «الأنظمة المتعارضة» (Opponent Processing) عبر نماذج الدارات العصبية البوابية (Gated Dipole Circuits). تعمل هذه الدارات كبوابات عصبية تتنافس فيها أزواج من العواطف والمشاعر المتضادة، مثل: (الخوف مقابل الارتياح)، أو (الرغبة والشهوة مقابل النفور والاشمئزاز). تحتوي هذه الدوائر على نواقل عصبية كيميائية تُستنزف تدريجياً مع استمرار التحفيز:

عندما يتعرض الكائن الحي لمثير مهدد، تتفعل قناة «الخوف» بقوة؛ ولكن مع استمرار المثير، تنضب الناقلات العصبية في المشابك المخصصة لهذه القناة تدريجياً. وبمجرد زوال المثير المهدد فجأة، يؤدي الانخفاض المفاجئ في مدخلات القناة المستنزفة إلى انعكاس فوري للتوازن لصالح القناة المضادة غير المستنزفة، مما يولد ارتداداً حاسوبياً يطلق شعوراً عارماً بـ «الارتياح» (Relief) رغم غياب أي مثير مكافئ مباشر. يقدم هذا التحليل الرياضي الأساس الفسيولوجي لفهم آليات الإدمان، والانتكاس السلوكي، ونشأة الاضطرابات العصابية مثل متلازمة الكرب التالي للصدمة (PTSD) واضطرابات القلق المعممة.

8.3 الدافعية الداخلية، والمكافأة، وتشكيل السلوك المعقد

سبق غروسبرغ عصره بعقود عندما وضع نماذج تربط بين التعلم الدافعي وإشارات النواقل العصبية الكيميائية، ولا سيما الدوبامين (Dopamine). ففي الوقت الذي كان يُنظر فيه إلى الدوبامين كـ «مادة للمتعة» فقط، صاغ غروسبرغ معادلات تؤكد أن التيارات الدوبامينية تعمل في الشبكات العصبية كإشارات تنبؤ بالخطأ التكيفي وكبوابات تفتح النوافذ المشبكية لتثبيت الارتباطات عندما تتجاوز النتيجة البيئية مستوى التوقع الداخلي.

يوضح نموذج غروسبرغ التكاملي كيف يتطور السلوك البشري المعقد عبر الانتقال الهرمي من الدوافع الفسيولوجية الأساسية (الحفاظ على الحياة، التغذية، الحماية من الألم) إلى الدوافع المعرفية والاجتماعية الراقية كالفضول الاستكشافي، والبحث عن المعنى، والإنتاج الإبداعي. فالدوافع العليا تستعير نفس الدارات العصبية والمعادلات الشنتينغية التنافسية؛ حيث تحل «المكافأة المعرفية» الناتجة عن إغلاق حالات الرنين وحل التناقضات الفكرية محل المكافآت الغذائية والمادية.

يقدم غروسبرغ بذلك نموذجاً نفسياً حسابياً يدمج المعرفة والعاطفة والسلوك في كيان عضوي واحد غير قابل للفصام؛ فالإدراك بلا عاطفة هو نظام أعمى يفتقر إلى مقاييس القيمة والأولويات، والعاطفة بلا آليات رنين إدراكي هي طاقة عمياء غير موجهة تقود إلى الفوضى والانهيار السلوكي.

9. معالجة اللغة، والسمع، والوعي الصوتي والإدراكي

9.1 إدراك الكلام ونموذج ArtSpeech الحسابي

يواجه إدراك الكلام البشري تحديات حسابية هائلة تنبع من الطبيعة الفيزيائية للموجات الصوتية؛ فالكلام الطبيعي يتدفق كتيار صوتي مستمر ومترابط دون وجود فواصل صامتة واضحة بين الكلمات والفونيمات، فضلاً عن «مشكلة التباين الصوتي» الهائلة الناتجة عن اختلاف طبقات الصوت، واللهجات، والسرعات اللفظية، والضوضاء المحيطة. لمواجهة هذا التعقيد، صاغ غروسبرغ نموذج ArtSpeech الحسابي، مطبقاً مبادئ الرنين التكيفي على الصوتيات والمعالجة اللغوية.

يعتمد نموذج ArtSpeech على تحويل الإشارات الطيفية الزمنية المستمرة الواردة من القوقعة عبر مسارات المعالجة السمعية إلى تمثيلات زمنية متقطعة للفونيمات والمقاطع الصوتية. يتم ذلك عبر التفاعل بين تيارات التحليل الصاعد والأنماط المعرفية المخزنة تنازلياً في الذاكرة اللغوية. تتيح دارات الرنين للشبكة مطابقة المقاطع اللفظية المشوهة بنماذجها الأصلية وتطبيع السرعات الصوتية بصورة آنية ومستمرة.

تتجلى قوة هذا النموذج في تفسير ظاهرة الترميم الفونيمي (Phonemic Restoration Effect) الشهيرة في علم النفس المعرفي اللغوي؛ فعندما تُحذف فونيمة معينة من كلمة مسجلة ويُستبدل مكانها صوت سعال أو ضجيج أبيض، فإن المستمع البشري «يسمع» الفونيمة المفقودة بوضوح تام وكأنها نُطقت بالفعل. يبرهن ArtSpeech رياضياً على أن التوقعات اللغوية التنازلية القادمة من القشرة اللغوية تقوم، عبر التغذية الرنينية الراجعة، «بملء» الحيز السمعي بالترددات المفقودة وتثبيط إشارة الضجيج في الطبقات السمعية المبكرة؛ مما يثبت أن السمع بدوره ليس التقاطاً سلبياً للموجات، بل هو بناء إدراكي نشط.

9.2 النمذجة العصبية للتتابع الزمني وإنتاج المفردات

تمثل المعالجة المتسلسلة زمنياً (Temporal Sequence Processing) التحدي الأكبر في إنتاج وفهم اللغة؛ فالجملة ليست مجرد مجموعة كلمات متزامنة، بل هي تسلسل صارم يخضع لقواعد نحوية ودلالية حاسمة، حيث يؤدي تغيير ترتيب حرفين أو كلمتين إلى تبديل المعنى كلياً أو هدمه. صمم غروسبرغ نماذج متقدمة لـ «الذاكرة العاملة المكانية-الزمانية» (Spatial-Temporal Working Memory) تشرح كيف يحول الدماغ الترتيب الزمني للأصوات إلى نمط مكاني موزع في القشرة المخية.

تعتمد هذه النماذج على مصفوفات عصبية تخضع لمعادلات تثبيط شنتينغية تسمى شبكات «المسارات المتدرجة» (Item-and-Order Working Memory Networks). عند نطق أو سماع سلسلة من الكلمات (مثل: أ، ب، ج)، تُخزن هذه العناصر بالتوازي داخل الذاكرة العاملة ولكن بمستويات تنشيط كمونية متدرجة؛ حيث يحظى العنصر الأول بأعلى مستوى تنشيط، يليه الثاني، ثم الثالث. تقوم دارات إعادة التعيين التنافسية بقراءة العنصر الأعلى تنشيطاً وإطلاقه عبر مراكز النطق (منطقة بروكا)، ثم إسكاته فوراً عبر تثبيط ذاتي مؤقت، مما يسمح للعنصر التالي بالصعود ليحتل قمة النشاط والتنفيذ.

يوفر هذا النموذج الحسابي حلاً متيناً لمشاكل الخلط اللفظي وتداخل السلاسل الحركية، كما يقدم تشخيصاً عميقاً لاضطرابات الكلام والحبسة اللغوية (Aphasia) وعسر القراءة النمائي (Dyslexia)؛ حيث برهن غروسبرغ أن العديد من هذه الاضطرابات لا تنتج عن فقدان القاموس اللغوي ذاته، بل عن خلل في معاملات سرعة التثبيط والتدرج التنشيطي في شبكات الذاكرة العاملة المؤقتة.

9.3 المشهد السمعي وعزل مصادر الصوت (Auditory Scene Analysis)

في الحياة اليومية، تلتقط الأذن البشرية خليطاً فوضوياً من الترددات الصوتية المتقاطعة الناتجة عن متحدثين متعددين، وضجيج المرور، والموسيقى الخلفية؛ ومع ذلك، يمتلك الدماغ قدرة خارقة على متابعة محادثة مفردة وتتبع صوت متحدث معين وعزل كافة المصادر الصوتية الأخرى، وهي المعضلة الكلاسيكية المعروفة باسم «مشكلة حفلة الكوكتيل» (Cocktail Party Problem).

قدم غروسبرغ نظريته لتحليل المشهد السمعي (Auditory Scene Analysis) بالاعتماد على التوازي التام مع نماذجه في الإدراك البصري (BCS / FCS). فكما يقوم الجهاز البصري باستخلاص الحواف وملء الأسطح، يقوم الجهاز السمعي بتوليد تيارات سمعية (Auditory Streams) متمايزة عبر تجميع الترددات التي تتشارك في التواقت الزمني، والتوافقيات الصوتية (Harmonics)، والموقع المكاني عبر قياس الفروق الزمنية والشدية بين الأذنين (ITD وILD).

يقوم الرنين التكيفي السمعي بالتثبيت على التردد الأساسي لصوت المتحدث المستهدف؛ فترسل القشرة السمعية العليا حزمة تغذية راجعة تنازلية تثبط الترددات الشاردة الخاصة بالأصوات المتداخلة، وتضخم الترددات التوافقية للمتحدث المختار. إن هذه البنية الحسابية لا تكتفي بتوفير تفسير بيولوجي لكيفية عزل الأصوات في الدماغ، بل ألهمت تصميم خوارزميات المعالجة الصوتية الرقمية المتقدمة المستخدمة اليوم في أجهزة المساعدة السمعية الطبية وأنظمة التعرف الآلي على الكلام في البيئات الصاخبة.

10. التطبيقات الحاسوبية، والروبوتات المستقلة، والأنظمة التكنولوجية

10.1 الروبوتات المتنقلة والتحكم الحركي الذاتي المستوحى بيولوجياً

لم تبقَ نظريات ستيفن غروسبرغ أسيرة المجلدات الأكاديمية والدوائر العصبية النظرية، بل تحولت سريعاً إلى رافد هندسي تطبيقي غيّر وجه الروبوتات المستقلة والأنظمة الذاتية. إن الجمع البديع بين نموذج VITE للتحكم الحركي ونماذج الملاحة العصبية المستوحاة من خلايا المكان وخلايا الشبكة في قرن آمون (Place Cells and Grid Cells) أتاح للمهندسين بناء روبوتات صناعية ومتنقلة تمتلك مرونة تشغيلية تضاهي الكائنات الحية.

تتميز أنظمة التحكم الروبوتية المعتمدة على معمارية غروسبرغ بتوليد مسارات حركية فائقة النعومة وتلقائية التكيف؛ فالروبوت لا يحتاج إلى إعادة تخطيط المسار الرياضي بالكامل عند ظهور عائق مفاجئ أمامه، بل يقوم متجه الفرق ($DV$) ونظام التثبيط الشنتينغي بتعديل متجه الحركة آنياً للالتفاف حول العائق واستئناف التقدم نحو الهدف بأقل استهلاك للطاقة الحركية. كما يتيح نموذج VITE للروبوتات الصناعية التكيف التلقائي مع الأحمال والأوزان المتغيرة التي تلتقطها أذرعها، وتجاوز مشكلات التآكل والاهتراء الميكانيكي المستمر دون الحاجة لإعادة معايرة البرمجيات يدوياً.

وعلى صعيد المركبات الذاتية القيادة والروبوتات المتنقلة في تضاريس مجهولة، وفرت نماذج الرؤية التكيفية لغروسبرغ قدرة فائقة على الملاحة الآمنة عبر استخلاص تباين الطرق واكتشاف الحواف والتعرف على المشاهد ثلاثية الأبعاد في ظروف جوية معقدة كالعواصف الترابية، والضباب الكثيف، والتغيرات المفاجئة في شدة الإضاءة بين الأنفاق والمساحات المفتوحة.

10.2 الأنظمة الخبيرة المعتمدة على معمارية ARTMAP في معالجة البيانات الضخمة

حققت عائلة شبكات ARTMAP، وخاصة Fuzzy ARTMAP، ثورة تكنولوجية هائلة في مجالات معالجة البيانات الضخمة، والتعرف على الأنماط المعقدة، والأنظمة الخبيرة الصناعية والطبية والدفاعية. تتمتع هذه المعمارية بميزة تنافسية حاسمة تتفوق بها على الشبكات العصبية التقليدية، وهي قدرتها على «التعلم السريع والمستقر بمرور واحد» (Fast One-Pass Stable Learning) دون الحاجة لآلاف الدورات التدريبية المنهكة حاسوبياً.

تجلت التطبيقات العملية لمعمارية ARTMAP في مجالات حيوية متعددة، من أبرزها:

• التشخيص الطبي والتصنيف الجيني: استُخدمت شبكات ARTMAP لتصنيف أنماط التعبير الجيني لمرضى السرطان، والتشخيص الفوري لحالات عدم انتظام ضربات القلب من إشارات تخطيط القلب الكهربائي (ECG)، وتحديد بؤر الصرع بدقة متناهية من مخططات كهربية الدماغ (EEG).
• الاستشعار عن بعد وتصنيف صور الأقمار الصناعية: اعتمدت وكالات الفضاء والمؤسسات الجغرافية على ARTMAP لمعالجة الصور الطيفية الفائقة (Hyperspectral Imagery) لرسم الخرائط الطبوغرافية والتنبؤ بانتشار حرائق الغابات ورصد التصحر في الزمن الفعلي.
• الأنظمة الدفاعية والأمنية: طُبقت المعمارية في المعالجة الفورية للإشارات الرادارية وأجهزة الاستشعار الصوتية تحت الماء لرصد وتصنيف الغواصات والمركبات وتحديد التهديدات العسكرية في بيئات التشويش الإلكتروني الكثيف.

تكمن القوة الجوهرية لأنظمة ARTMAP في شفافيتها التفسيرية الفريدة؛ فعلى عكس «الصناديق السوداء» في التعلم العميق المعاصر، تتيح شبكات غروسبرغ استخراج القواعد المنطقية والمفاهيمية الدقيقة التي بنت عليها تصنيفاتها، مما يمنح الأطباء والخبراء والمهندسين ثقة مطلقة في مخرجات النظام وقدرة كاملة على مراجعة مسار كل قرار حاسوبي.

10.3 الدوائر الإلكترونية العصبية (Neuromorphic Chips)

مع اقتراب تكنولوجيا السيليكون التقليدية القائمة على معمارية فون نيومان من حدودها الفيزيائية واصطدامها بـ «جدار استهلاك الطاقة»، اتجهت أنظار مجتمع الإلكترونيات الدقيقة نحو الحوسبة العصبية الشكلية (Neuromorphic Engineering) التي تسعى لتصنيع رقائق تحاكي البنية الفيزيائية للدماغ البيولوجي. وهنا عادت معادلات ستيفن غروسبرغ لتتصدر المشهد التكنولوجي باعتبارها المخطط الرياضي الأنسب للبناء العتادي المباشر.

تتميز معادلات شنتينغ وقوانين التعلم التكيفي لغروسبرغ بكونها معادلات تفاضلية موضعية (Locally Interacting Dynamical Equations)؛ أي أن تحديث النشاط العصبي والوزن المشبكي يعتمد حصرياً على الإشارات المتاحة محلياً عند العقدة والمشبك دون الحاجة لحساب مشتقات عامة أو تمرير إشارات خطأ رجعية عبر مصفوفة الرقاقة بالكامل. أتاح ذلك لمهندسي العتاد ترجمة هذه المعادلات مباشرة إلى دوائر تناظرية ورقمية مدمجة شديدة التعقيد تعمل عند مستويات طاقة منخفضة للغاية (Subthreshold VLSI circuits).

تتيح الرقائق الإلكترونية العصبية المعتمدة على نماذج غروسبرغ تنفيذ عمليات المعالجة البصرية والحسية والتعلم الذاتي المستمر في «الزمن الحقيقي» مباشرة على متن المستشعرات الطرفية (Edge AI) دون أدنى حاجة للاتصال بالخوادم السحابية الضخمة. إن هذا التكامل بين فيزياء النظم الديناميكية وهندسة الرقائق يمهد لظهور جيل جديد من الأجهزة الذكية المستقلة التي تدمج الإدراك، والتعلم، والقرار في شريحة سيليكونية فائقة الكفاءة تحاكي خوارزميات الدماغ الحي.

11. مقارنة نقدية: نماذج غروسبرغ البيولوجية مقابل التعلم العميق المعاصر

11.1 معضلة الانتشار العكسي (Backpropagation) والواقعية الحيوية

تمثل المقارنة بين نماذج ستيفن غروسبرغ وثورة التعلم العميق (Deep Learning) المعاصرة إحدى أعمق المساجلات العلمية في الذكاء الاصطناعي. يقف غروسبرغ في موقع الناقد الرائد والجذري لخوارزمية الانتشار العكسي للخطأ (Backpropagation)، والتي تشكل المحرك الرياضي لكافة الشبكات العميقة الحالية ونماذج المحولات اللغوية الكبيرة (Transformers)؛ مؤكداً منذ سبعينيات القرن العشرين أنها خوارزمية غير واقعية بيولوجياً وتفتقر إلى أي سند تشريحي أو وظيفي في الدماغ البشري.

يرتكز نقد غروسبرغ على معضلات فيزيولوجية لا يمكن دحضها، وأبرزها «معضلة تناظر الأوزان» (Weight Transport Problem): فالانتشار العكسي يتطلب أن تُرسل إشارات الخطأ التراجعية عبر نفس المشابك العصبية الصاعدة باستخدام نفس الأوزان بدقة متناهية وباتجاه معاكس؛ وهو أمر مستحيل بيولوجياً؛ إذ تتدفق الإشارات في المحاور العصبية للدماغ الحقيقي باتجاه قطبي أحادي عبر المشابك الكيميائية. علاوة على ذلك، يتطلب الانتشار العكسي «معلماً خارجياً كلي المعرفة» يخبر كل مخرج بمقدار الخطأ الدقيق، وهو ما لا يتوفر لكائن حي يستكشف بيئة مجهولة بشكل مستقل وبدون إشراف مستمر.

في المقابل، تقدم نماذج غروسبرغ، ولا سيما معمارية الرنين التكيفي، بديلاً طبيعياً يتسق تماماً مع الحقائق البيولوجية؛ فالتعلم فيها ذاتي التنظيم بالكامل، ولا تعتمد التغذية الراجعة على تناظر غير واقعي للأوزان، بل تستخدم مسارات تشريحية هابطة منفصلة تحمل توقعات مفهومية تؤدي إلى الرنين أو عدم التطابق عبر تفاعلات كيميائية ومشبكية موضعية. إن نماذج غروسبرغ تثبت أن تحقيق الذكاء الحسابي الفائق لا يتطلب بالضرورة خرق قوانين الفيزياء والبيولوجيا العصبية.

11.2 القابلية للتفسير (Explainability) ومسألة الصندوق الأسود

يعاني الذكاء الاصطناعي المعاصر من أزمة بنيوية متصاعدة تُعرف باسم معضلة الصندوق الأسود (The Black-Box Problem)؛ فرغم النجاحات المبهرة للشبكات العميقة في مهام التوليد والتصنيف، يعجز كبار مطوريها عن شرح وتفسير الأسباب الدقيقة الكامنة وراء اتخاذ الشبكة لقرار معين، أو التنبؤ بالكيفية التي ستتصرف بها عند مواجهة مدخلات شاذة أو هجمات تضليلية (Adversarial Attacks). يمثل هذا الغموض عائقاً أخلاقياً وقانونياً يحول دون الاعتماد الآمن على الذكاء الاصطناعي في الميادين الحرجة كالرعاية الطبية، والملاحة الجوية، والمنظومات القضائية.

في مواجهة هذه الأزمة، تبرز نماذج ستيفن غروسبرغ كنموذج إرشادي للذكاء الاصطناعي القابل للتفسير (Explainable AI – XAI). ففي معمارية الرنين التكيفي ونماذج ARTMAP، لا تتوزع المعرفة في مصفوفات غامضة من مليارات الأرقام غير المفهومة، بل يتم تشفير كل فئة معرفية ضمن «نموذج أولي حرج» (Critical Feature Pattern) يسهل تتبعه وفحصه بشرياً. يمكن لأي باحث أن يفتح الشبكة ويرى بدقة ما هي السمات المحددة التي استندت إليها الخلية العصبية لإصدار حكمها، وما هي معايير اليقظة التي تحكمت في درجة تدقيقها.

دافع غروسبرغ طوال مسيرته عن فكرة أن الرياضيات الحسابية يجب أن تكشف الغطاء عن آليات التفكير بدلاً من زيادة غموضها. إن النماذج العصبية التي تلغي القابلية للتفسير تفقد صلتها بالعلم المعرفي؛ فالهدف الأسمى للنمذجة ليس مجرد تقليد المخرجات السلوكية عبر آليات إحصائية غاشمة، بل استيعاب المنطق الداخلي لكيفية بناء المعنى وتوليد الحقيقة الإدراكية داخل الوعي البشري.

11.3 كفاءة العينات والتعلم الفوري المستمر (Lifelong Learning)

تتجلى نقطة الضعف الأكبر في نماذج التعلم العميق الحديثة في حاجتها الشرهة للبيانات والطاقة؛ حيث تتطلب النماذج المعاصرة تدريباً على مليارات الصور والملفات النصية واستهلاك ميغاوات هائلة من الطاقة الكهربائية لتتعلم التمييز بين الأنماط البسيطة. وعلاوة على ذلك، تظل هذه الشبكات عاجزة عن التعلم المستمر مدى الحياة (Lifelong Learning)؛ إذ يؤدي تدريبها الإضافي على مهام لاحقة إلى انهيار كفاءتها في المهام الأولى بفعل النسيان الكارثي.

على النقيض التام من ذلك، تبرهن نماذج غروسبرغ المستوحاة من البيولوجيا على كفاءة استثنائية في التعامل مع العينات؛ فالإنسان الطبيعي لا يحتاج لرؤية عشرة آلاف صورة للنمر ليدرك خطورته، بل يمكنه التعلم من مواجهة تجربة فردية واحدة (One-Shot Learning). تطبق شبكات ART آلية التعلم السريع المستقر، حيث يمكن لنظام ARTMAP استيعاب نمط جديد وتأسيس فئة دائمة له من عرض واحد فقط، مع ضمان رياضي مطلق بعدم المساس بالبنى المعرفية والفئات التي تعلمها النظام في الماضي.

تتمتع نظم غروسبرغ بتفوق هندسي حاسم في البيئات الديناميكية المتغيرة لحظياً، والتي لا تتوفر فيها مجموعات بيانات ضخمة مسبقة الإعداد، وتتطلب من الروبوت أو النظام الذكي التكيف الذاتي الفوري أثناء التشغيل الميداني. لذلك، يشهد الوسط الأكاديمي اليوم عودة كبرى وحثيثة إلى أوراق غروسبرغ البحثية التي كُتبت في ثمانينيات وتسعينيات القرن العشرين، حيث يجد فيها باحثو الذكاء الاصطناعي طوق النجاة لتجاوز الاختناقات البنيوية للتعلم العميق وبناء جيل جديد من الأنظمة المستدامة والقادرة على التعلم التراكمي المستمر مدى الحياة كالدماغ البشري.

12. الإرث العلمي، والمؤلفات الكبرى، وآفاق علم النفس الحسابي

12.1 كتاب ‘العقل الواعي، الدماغ الرنيني’ (2021) كخلاصة فكرية

في خريف عام 2021، وعن عمر يناهز الثانية والثمانين، أصدر ستيفن غروسبرغ عمله الموسوعي الفارق عبر مطبعة جامعة أكسفورد بعنوان: «العقل الواعي، الدماغ الرنيني: كيف يوجه كل دماغ عقلنا» (Conscious Mind, Resonant Brain: How Each Brain Makes a Mind). يمثل هذا السفر الضخم—الذي يقع في أكثر من سبعمائة صفحة ذات كثافة علمية نادرة—الخلاصة الفكرية والمعرفية لمسيرة بحثية متفردة امتدت لأكثر من ستين عاماً قضاها غروسبرغ في صياغة النماذج وتفكيك ألغاز الإدراك البشري.

ينجح الكتاب في توحيد نظريات غروسبرغ المتفرقة في إطار فلسفي ورياضي شامل يفسر كيف يتآزر النشاط الخلوي المجهري في الأغشية والمشابك مع السلوك الكلي والمشاعر الواعية. يغطي الكتاب طيفاً هائلاً من الموضوعات المعرفية: بدءاً من الرؤية المجهرية ثلاثية الأبعاد وإدراك الألوان، مروراً بالتحكم الحركي، وتوليد اللغة والموسيقى، وصولاً إلى اتخاذ القرار، والدافعية، والتعاطف، والوعي الذاتي. يقدم غروسبرغ في هذا المؤلف إجابات حسابية صارمة للأسئلة الوجودية الكبرى التي حيرت الفلاسفة وعلماء النفس عبر القرون، موضحاً بالبراهين كيف أن كل ظاهرة سيكولوجية تمتلك نظيراً رنينياً فيزيولوجياً قابلاً للقياس والنمذجة الدقيقة.

استقبل المجتمع الأكاديمي الدولي الكتاب بحفاوة بالغة؛ حيث اعتبره كبار علماء الأعصاب المعرفيين بمثابة «البيان التأسيسي المكتمل» لعلم النفس العصبي الحسابي الحديث، ومرجعاً كلاسيكياً لا غنى عنه لكل باحث يسعى لفهم المنطق الحسابي الذي يربط تشريح الدماغ بتدفقات العقل الواعي.

12.2 الجوائز، والتقديرات، ودوره في تأسيس الجمعيات والمجلات العلمية

لم تقتصر إسهامات غروسبرغ على الإنتاج الفكري الشخصي، بل كان مهندساً مؤسسياً قاد حركة توحيد مجتمع أبحاث الشبكات العصبية على الصعيد الدولي. ففي عام 1987، قاد غروسبرغ المبادرة التاريخية لتأسيس الجمعية الدولية للشبكات العصبية (International Neural Network Society – INNS)، وانتُخب بالإجماع ليكون أول رئيس لها. جمعت الجمعية تحت رايتها آلاف العلماء والمهندسين من شتى بقاع الأرض، مطلقاً الحوار الخلاق بين التخصصات المتفرقة.

تزامن ذلك مع تأسيسه بالتعاون مع دور النشر الكبرى للمجلة العلمية المرموقة «Neural Networks» في عام 1988، وتوليه رئاسة تحريرها التأسيسية، لتتحول المجلة سريعاً إلى المنصة الأكاديمية الأولى في العالم لنشر الأبحاث الصارمة التي تجمع بين النمذجة البيولوجية والتطبيقات الخوارزمية للشبكات العصبية. كما نظم غروسبرغ وشارك في إدارة المؤتمرات الدولية الأولى للشبكات العصبية (IJCNN)، والتي أسست القاعدة الجماهيرية والمؤسسية لثورة الذكاء الحسابي المعاصرة.

تقديراً لمسيرته العلمية الاستثنائية، نال غروسبرغ أرفع الأوسمة والجوائز الأكاديمية الدولية من كبرى المؤسسات العلمية، ومنها:

• وسام فرانك روزنبلات من معهد مهندسي الكهرباء والإلكترونيات (IEEE Frank Rosenblatt Award): تقديراً لإسهاماته التأسيسية في صياغة نظريات التعلم البيولوجي وتطوير الشبكات العصبية التكيفية.
• جائزة هيرمان فون هيلمولتز (Hermann von Helmholtz Award): من الجمعية الدولية للشبكات العصبية تقديراً لإنجازاته الفائقة في كشف آليات الإدراك الحسي والبصري.
• جائزة الرواد في الحوسبة العصبية (IEEE Neural Networks Pioneer Award).
• انتخابه زميلاً للأكاديمية الأمريكية للفنون والعلوم (AAAS)، وجمعية علماء النفس التجريبيين، وجمعية النهوض بالذكاء الاصطناعي (AAAI).

12.3 المستقبل المعرفي لنماذج غروسبرغ ومسار العلوم النفسية العصبية

يتجاوز تأثير ستيفن غروسبرغ إنجازاته الشخصية ليصل إلى الأجيال المتعاقبة من العلماء والباحثين الذين تتلمذوا في مختبراته بقسم الأنظمة المعرفية والعصبية بجامعة بوسطن؛ حيث يتبوأ خريجوه اليوم مناصب قيادية في كبرى الجامعات العالمية (مثل هارفارد، ومعهد ماساتشوستس للتكنولوجيا، وستانفورد) ومختبرات عمالقة التكنولوجيا ومراكز الأبحاث الطبية، مواصلين تطوير وتوسيع التطبيقات المستندة إلى نظرياته التأسيسية.

تتجه الأبحاث المعاصرة اليوم بقوة نحو دمج نماذج الرنين التكيفي ونماذج VITE مع تقنيات واجهات الدماغ والحاسوب (Brain-Computer Interfaces – BCI)؛ حيث تتيح المعمارية الشنتينغية فك شفرة النوايا الحركية والإشارات الدماغية للمرضى المصابين بالشلل الرباعي بدقة واستقرار زمني يفوق الطرق التقليدية، مما يسمح بالتحكم الدقيق في الأطراف الصناعية الذكية والتفاعل المباشر مع البيئات الرقمية. كما تفتح نماذج الرنين المتزامن (SMART) آفاقاً جديدة لتطوير واسمات تشخيصية رقمية مبكرة للأمراض العصبية والنفسية كالفصام ومرض باركنسون من خلال رصد اختلالات التذبذب الرنيني في تخطيط الدماغ المغناطيسي (MEG).

إن المنهج التكاملي الذي رسخه ستيفن غروسبرغ—والذي يرفض الانفصال بين النظرية الرياضية والتجربة النفسية والبيولوجيا العصبية—يظل النموذج الإرشادي الأسمى للجيل القادم من علماء النفس والأعصاب والذكاء الاصطناعي. لقد حفر غروسبرغ اسمه بحروف من نور كأحد أعظم رواد الفكر العلمي في العصر الحديث؛ عالم أثبت بشجاعة فكرية وصبر دؤوب أن العقل البشري، بكل ما يكتنفه من مشاعر وذكريات ووعي وإبداع، ليس لغزاً مستحيلاً، بل هو سيمفونية رياضية بديعة تعزفها أوتار الرنين العصبي التكيفي.

خاتمة واستشراف معرفي

في ختام هذه القراءة الموسوعية لمسيرة ستيفن غروسبرغ الممتدة منذ عام 1939 وحتى الوقت الحاضر، يتجلى لنا بوضوح أننا لسنا أمام مجرد باحث متخصص في النمذجة الرياضية، بل أمام فيلسوف ومنظر كوني أعاد تشكيل خريطتنا المعرفية حول الذات الإنسانية وطبيعة الإدراك. لقد خاض غروسبرغ معاركه الفكرية ضد التيار السائد لعقود؛ رافضاً التفسيرات السلوكية السطحية، والافتراضات الحاسوبية المجردة التي تعاملت مع الدماغ كبرنامج برمجي جاف مفصول عن بنيته اللحمية والفسيولوجية، والحلول الإحصائية التعسفية غير القابلة للتفسير.

إن مشروعه الفكري يمثل انتصاراً هائلاً للعلم التكاملي؛ فمن خلال معادلات شنتينغ التفاضلية، ونظرية الرنين التكيفي (ART)، ونموذج VITE، والنموذج المعرفي العاطفي (CogEM)، ونموذج الوعي المتزامن (SMART)، أقام غروسبرغ صرحاً علمياً موحداً يربط بين الذرة والمشبك، وبين الخلية العصبية والفكرة التجريدية، وبين الانفعال العاطفي والسلوك الواعي. لقد علمنا غروسبرغ أن الدماغ البشري لا يتعلم بمجرد امتصاص البيانات، بل بالحوار؛ حوار رنيني متواصل وخلاق بين ما هو كائن في الحواس وما هو مستقر في التوقعات، ليخلق في كل لحظة رنين إدراكي متجدد يبني به عقلنا الواعي ويمنح وجودنا معناه العميق.

المراجع

• Carpenter, G. A., & Grossberg, S. (1987). A massively parallel architecture for a self-organizing neural pattern recognition machine. Computer Vision, Graphics, and Image Processing, 37(1), 54–115. https://doi.org/10.1016/S0734-189X(87)80014-2
• Carpenter, G. A., & Grossberg, S. (1988). The ART of adaptive pattern recognition by a self-organizing neural network. Computer, 21(3), 77–88. https://doi.org/10.1109/2.32
• Carpenter, G. A., Grossberg, S., & Reynolds, J. H. (1991). ARTMAP: Supervised real-time learning and classification of nonstationary data by a self-organizing neural network. Neural Networks, 4(5), 565–588. https://doi.org/10.1016/0893-6080(91)90012-T
• Cohen, M. A., & Grossberg, S. (1983). Absolute stability of global pattern formation and parallel memory storage by competitive neural networks. IEEE Transactions on Systems, Man, and Cybernetics, SMC-13(5), 815–826. https://doi.org/10.1109/TSMC.1983.6313075
• Bullock, D., & Grossberg, S. (1988). Neural dynamics of planned arm movements: Emergent invariants and speed-accuracy properties during trajectory formation. Psychological Review, 95(1), 49–90. https://doi.org/10.1037/0033-295X.95.1.49
• Grossberg, S. (1968). Some physiological and biochemical consequences of psychological postulates. Proceedings of the National Academy of Sciences, 60(3), 758–765. https://doi.org/10.1073/pnas.60.3.758
• Grossberg, S. (1976). Adaptive pattern classification and universal recoding: I. Parallel development and coding of neural feature detectors. Biological Cybernetics, 23(3), 121–134. https://doi.org/10.1007/BF00344744
• Grossberg, S. (1980). How does a brain build a cognitive code? Psychological Review, 87(1), 1–51. https://doi.org/10.1037/0033-295X.87.1.1
• Grossberg, S. (1982). Studies of Mind and Brain: Neural Principles of Learning, Perception, Development, Cognition, and Motor Control. D. Reidel Publishing Company. https://doi.org/10.1007/978-94-009-7758-7
• Grossberg, S., & Mingolla, E. (1985). Neural dynamics of surface perception: Boundary webs, illusory contours, and shape-from-shading. Computer Vision, Graphics, and Image Processing, 37(1), 116–165. https://doi.org/10.1016/S0734-189X(87)80015-4
• Grossberg, S. (1999). The link between brain learning, attention, and consciousness. Consciousness and Cognition, 8(1), 1–44. https://doi.org/10.1006/ccog.1998.0372
• Grossberg, S. (2013). Adaptive Resonance Theory: How a brain learns to consciously attend, learn, and recognize a changing world. Neural Networks, 37, 1–47. https://doi.org/10.1016/j.neunet.2012.09.017
• Grossberg, S. (2017). Towards solving the hard problem of consciousness: The varieties of brain resonances and the conscious experiences that they support. Neural Networks, 87, 38–95. https://doi.org/10.1016/j.neunet.2016.11.003
• Grossberg, S. (2021). Conscious Mind, Resonant Brain: How Each Brain Makes a Mind. Oxford University Press. https://doi.org/10.1093/oso/9780190070557.001.0001