يان ليكون – 1960 حتى الوقت الحاضر

السيرة

يُمثّل المسار العلمي للباحث الفرنسي-الأمريكي يان ليكون (Yann LeCun) أحد أكثر الفصول إثارة وجدلية في تاريخ علوم الحوسبة الحديثة والذكاء الاصطناعي. ففي خضم التحولات الفكرية التي شهدها النصف الثاني من القرن العشرين، انطلق ليكون من قناعة راسخة بأن مفتاح بناء العقول الاصطناعية لا يكمن في التلاعب بالرموز المنطقية المجردة كما نادت بذلك المدرسة الرمزية الكلاسيكية، بل في محاكاة البنى التحتية البيولوجية للجهاز العصبي البشري عبر نماذج الاتصالية والتعلم التكيفي المستمر. لقد شكلت هذه الرؤية قطيعة معرفية مع التوجهات السائدة، ودفعت به إلى خوض غمار عزلة أكاديمية طويلة امتدت لعقود إبان فترات “شتاء الذكاء الاصطناعي”، حيث اعتُبرت الشبكات العصبية الاصطناعية طريقاً مسدوداً يفتقر إلى الرصانة الرياضية والجدوى التطبيقية.

غير أن الإصرار المنهجي لليكون، المدعوم بفهم فيزيائي ورياضي عميق لآليات معالجة الإشارات ونظريات التعلم الإحصائي، قاده إلى ابتكار وتطوير الشبكات العصبية الالتفافية (Convolutional Neural Networks)، التي أحدثت ثورة تقنية جذرية في مجال الرؤية الحاسوبية ومعالجة البيانات المكانية. ولم يكن هذا الإنجاز مجرد تحسين خوارزمي عابر، بل كان إعادة صياغة شاملة لكيفية استخلاص الحواسيب للميزات الهندسية والدلالية من العالم الخارجي دون تدخل بشري يدوي، مما مهد الطريق لنشوء حقبة “التعلم العميق” التي أعادت تشكيل ملامح الحضارة الرقمية والاقتصاد المعرفي في القرن الحادي والعشرين.

يتناول هذا البحث الاستقصائي الموسع سيرة يان ليكون الفكرية والتطبيقية منذ ولادته في ستينيات القرن الماضي وحتى أحدث طروحاته النظرية في معمارية التضمين التنبؤي المشترك ونماذج العالم. وسنستعرض عبر هذا المسار التاريخي والتحليلي تفاصيل التكوين الأكاديمي المبكر، والأسس البيولوجية والإدراكية التي استلهم منها نماذجه الرياضية، وسنوات الصمود في مختبرات بل وجامعة نيويورك، وصولاً إلى تتويجه بجائزة تورنغ وقيادته لمختبرات أبحاث الذكاء الاصطناعي في شركة ميتا، ومواقفه النقدية الصارمة تجاه النماذج اللغوية الكبيرة الراهنة في سعيه الحثيث نحو تحقيق ذكاء اصطناعي بمستوى العقل البشري.

1. النشأة والخلفية الفكرية والتكوين الأكاديمي المبكر (1960-1987)

1.1 البيئة التأسيسية والاهتمامات العلمية الأولى

ولد يان ليكون في الثامن من يوليو عام 1960 في ضاحية سواسي-سو-مونمورانسي شمال العاصمة الفرنسية باريس، ونشأ في بيئة عائلية شجعت على الفضول المعرفي والتفكير التقني المستقل. كان والده مهندساً في مجال الطيران، مما أتاح للطفل ليكون فرصة استثنائية للاحتكاك المبكر بالآلات والمكونات الإلكترونية وأجهزة الراديو والميكانيكا الدقيقة. هذا الوسط المادي المشبع بالتقنية ولّد لديه شغفاً مبكراً بهندسة الإلكترونيات ومحاولة فهم الآليات الفيزيائية التي تُسيّر الأنظمة المعقدة، حيث كان يقضي ساعات طويلة في تفكيك الأجهزة وإعادة تركيبها مستكشفاً العلاقات الخفية بين الدوائر الكهربائية وتدفق الإشارات.

خلال فترة مراهقته وبداية شبابه، تزامن هذا الاهتمام التقني العملي مع انجذاب فكري عميق نحو أسئلة الإدراك وفلسفة العقل ومحاكاة الوظائف العقلية المعقدة. وقع ليكون في تلك المرحلة على كتابات ونماذج علم السيبرنتيقا (Cybernetics) الأولى، لا سيما أعمال نوربرت فينrunning وجون فون نيومان، إلى جانب مقالات وارن ماكولوتش ووالتر بيتس التي حاولت صياغة أول نموذج رياضي للعصبون الاصطناعي في أربعينيات القرن العشرين. أثارت هذه الكتابات تساؤلاً جوهرياً في وجدانه الأكاديمي: كيف يمكن لمنظومة مادية مكوّنة من وحدات بسيطة غير واعية أن تتضافر وتترابط لتنتج ظاهرة الإدراك والتعلم والذكاء؟

تأثر ليكون كذلك بالنقاشات المعرفية الدائرة حول نظرية المعرفة ونماذج تطور الإدراك المعرفي، لا سيما أطروحات الفلسفة البنائية التي طورها جان بياجيه، والتي ترى أن المعرفة لا تُلقن كحقائق جاهزة، بل تُبنى بنشاط عبر تفاعل الكائن الحي مع بيئته من خلال آليات التمثل والمواءمة. هذا المفهوم الإبستمولوجي التأسيسي جعله يشكك مبكراً في جدوى المقاربات الاستنتاجية الصارمة التي كانت تعتبر المعرفة مجرد جداول منطقية وقواعد مسبقة البرمجة، ودفع به نحو البحث في النماذج الاستقرائية الحسابية القادرة على بناء تمثيلاتها الخاصة انطلاقاً من البيانات الخام والملاحظة المباشرة للعالم المحيط.

1.2 الدراسة الجامعية في المدرسة العليا للهندسة الكهربائية (ESIEE)

في أواخر سبعينيات القرن العشرين، التحق ليكون بـ المدرسة العليا للهندسة الكهربائية والإلكترونية (ESIEE Paris)، وهي إحدى المدارس الهندسية المرموقة في فرنسا المعروفة بتعليمها الصارم في مجالات الهندسة التطبيقية. هناك، انغمس ليكون في دراسة متعمقة للرياضيات التطبيقية، وتحليل فورييه، ومعالجة الإشارات التناظرية والرقمية، ونظريات التحكم الآلي والأنظمة الديناميكية الخطية وغير الخطية. وفرت له هذه الخلفية الهندسية الصارمة أدوات تحليلية قوية لم تكن متاحة لمعظم علماء الحاسوب التقليديين في ذلك العصر، الذين كانوا ينظرون إلى الحوسبة بوصفها فرعاً من فروع المنطق الرياضي الصوري واللغويات التوليدية المنفصلة عن العالم المادي المستمر.

ورغم أن المجتمع الأكاديمي العالمي آنذاك كان يمر بذروة “شتاء الذكاء الاصطناعي الأول” في أعقاب الانتقادات اللاذعة التي وجهها مارفن مينسكي وسيمور بابيرت لنموذج البيرسبترون (Perceptron) في كتابهما الصادر عام 1969، إلا أن ليكون اتخذ مساراً مغايراً للتيار السائد. شرع بمفرده، وبدافع من شغفه الخاص، في التنقيب في بطون الدوريات العلمية القديمة عن خوارزميات التعلم التكيفي ونماذج العصبونات الاصطناعية متعددة الطبقات. وجد نفسه معزولاً فكرياً داخل أروقة الجامعة، إذ كان الأساتذة والزملاء ينظرون إلى هذه الأفكار كمسارات ميتة تم تفنيدها رياضياً ولم يعد لها أي مستقبل بحثي أو تطبيقي.

لم يثنِ هذا التهميش ليكون عن المضي قدماً، فاستغل مشاريع التخرج والعمل المخبري في معهد الهندسة لبناء نماذج حاسوبية مصغرة تحاكي التعلم الآلي الذاتي باستخدام حواسيب دقيقة بدائية وعتاد إلكتروني محدود السعة. من خلال هذه التجارب المبكرة، تبلورت لديه رؤية نقدية راديكالية تجاه الذكاء الاصطناعي الرمزي الكلاسيكي (GOFAI)؛ إذ أدرك أن العجز المزمن للأنظمة الخبيرة وقواعد المعرفة المنطقية عن حل مشكلات إدراكية بسيطة، مثل التمييز بين صورة قطة وصورة كلب أو التعرف على صوت بشري، ينبع من خلل بنيوي في النموذج المعرفي ذاته، وهو غياب القدرة على التكيف واستخلاص الميزات الإحصائية بصورة تلقائية من المدخلات الفيزيائية المستمرة للعالم الواقعي.

1.3 أبحاث الدكتوراه بجامعة بيير وماري كوري (1983-1987)

بعد تخرجه من مدرسة الهندسة، قرر ليكون مواصلة مساره البحثي بالانضمام إلى برنامج الدكتوراه في جامعة بيير وماري كوري (جامعة السوربون حالياً) في باريس، حيث كرس أطروحته لدراسة نماذج التعلم التكيفية لشبكات العصبونات الاصطناعية. كانت تلك الفترة محفوفة بالصعوبات الأكاديمية والتمويلية؛ إذ لم يكن هناك سوى قلة ضئيلة جداً من الباحثين في العالم يجرؤون على المجاهرة بالعمل على الشبكات العصبية. ومع ذلك، شكلت هذه السنوات الأربع مرحلة النضج النظري الأهم في مسيرته، حيث واجه المعضلة التاريخية الكبرى التي عطلت تطور الحقل لعقدين كاملين: معضلة إسناد الائتمان (Credit Assignment Problem) في الشبكات متعددة الطبقات.

في عام 1985، وخلال عمله المنعزل على أطروحته، توصل ليكون بشكل مستقل إلى صياغة رياضية أنيقة لمبدأ خوارزمية الانتشار الخلفي للخطأ (Backpropagation)، وهو المبدأ الذي أتاح لأول مرة تدريب شبكات عصبية تحتوي على طبقات خفية متعددة بكفاءة عددية. قام ليكون بتأطير تدفق المشتقات الجزئية وتدرجات الخطأ عبر الشبكة باستخدام قاعدة السلسلة في التفاضل (Chain Rule)، مقدماً إياها في إطار نظرية التحكم الأمثل والبرمجة الديناميكية، وهو المنظور الرياضي الذي يربط بين تصغير دالة الخسارة وحساب التدرجات العكسية. ورغم أن هذا المبدأ كان قد صيغ بأشكال متباينة وغير مكتملة في سياقات أخرى بواسطة بول ويربوس عام 1974، ثم أعيد نشره واكتسابه شهرة واسعة في دراسة ديفيد روميلهارت وجيمس ماكليلاند وجيفري هينتون عام 1986، إلا أن صياغة ليكون كانت تتميز بالدقة الرياضية والصلابة التنسيقية الموجهة نحو التطبيقات الهندسية لمعالجة الإشارات.

دافع ليكون بنجاح عن أطروحته لنيل درجة الدكتوراه في يونيو عام 1987، وحملت عنواناً يركز على نماذج التعلم التكيفية غير الخطية. ورغم اعتراف لجنة التحكيم بالعمق التقني للرسالة، إلا أن الأجواء الأكاديمية العامة في فرنسا وأوروبا ظلت تتسم بالبرود والتشكيك إزاء جدوى الاتصالية (Connectionism). كانت المؤسسات الجامعية تفضل تخصيص مواردها للغات البرمجة المنطقية مثل برولوغ (Prolog) والأنظمة الخبيرة، مما جعل ليكون يشعر بوطأة العزلة العلمية وغياب آفاق التوظيف الأكاديمي المحلي، الأمر الذي دفعه إلى النظر عبر المحيط الأطلسي بحثاً عن بيئة علمية تحتضن أفكاره الراديكالية دون أحكام مسبقة.

2. الأسس البيولوجية والإدراكية لنماذج يان ليكون الرياضية

2.1 تأثير أبحاث هوبل وفيزل حول القشرة البصرية

لم تكن الرؤية الهندسية التي طورها يان ليكون نتاج تجريد رياضي بحت، بل كانت متجذرة بعمق في الاكتشافات الثورية التي حققها عالما الفسيولوجيا العصبية ديفيد هوبل وتورستن فيزل في أواخر خمسينيات وستينيات القرن العشرين، والتي نالا عليها جائزة نوبل في الطب عام 1981. أظهرت أبحاث هوبل وفيزل حول القشرة البصرية الأولية (منطقة V1) لدى القطط والرئيسيات أن الجهاز العصبي البصري لا يعالج المشهد ككتلة واحدة من البكسلات المتصلة عشوائياً، بل يتبع تنظيماً طباقياً وهرمياً بالغ الدقة يتألف من نوعين رئيسيين من الخلايا العصبية: الخلايا البسيطة (Simple Cells) والخلايا المركبة (Complex Cells).

استوعب ليكون المفهوم المحوري لـ “الحقول الاستقبالية” (Receptive Fields)، حيث تتفاعل كل خلية بسيطة مع منطقة جغرافية محدودة جداً من الشبكية البصرية، وتستجيب خصيصاً لمثيرات ذات خصائص محددة، مثل حافة مستقيمة ذات زاوية ميلان معينة أو تغير حاد في التباين الضوئي. بينما تقوم الخلايا المركبة بجمع الإشارات القادمة من مجموعة من الخلايا البسيطة، مما يمنحها استجابة أكثر شمولاً تتميز بميزة بالغة الأهمية: ثبات الاستجابة تجاه التحولات المكانية الطفيفة (Translation Invariance)؛ أي أن الخلية المركبة تطلق إشارتها بغض النظر عن الموقع الدقيق للحافة ضمن حقلها الاستقبالي.

قام ليكون بتحويل هذه الملاحظات البيولوجية العصبية النوعية إلى مصفوفات رياضية وآليات ترشيح حاسوبية صارمة. أدرك أن محاكاة الحقول الاستقبالية تعني رياضياً تطبيق عمليات الترشيح الموضعي (Local Filtering)، وأن الانتقال من الخلايا البسيطة إلى الخلايا المركبة يطابق عملية التجميع الاختزالي (Subsampling أو Pooling). وبذلك، استطاع نمذجة مسار التجريد التدريجي، حيث تبدأ المعالجة من الحواف والخطوط الهندسية الأولية، وتتراكم عبر الطبقات لتشكل زوايا وأشكالاً هندسية، وصولاً إلى المفاهيم الدلالية المعقدة في الطبقات العليا، وهو ما شكل الأساس النظري لكل ما تلا ذلك من ابتكارات.

2.2 العلاقة المفاهيمية مع النيوكوغنيترون لكونيهيكو فوكوشيما

في مسار بحثه عن تجسيد حاسوبي للأفكار البيولوجية، توقف ليكون ملياً أمام النموذج الرائد الذي قدمه العالم الياباني كونيهيكو فوكوشيما عام 1980 وأطلق عليه اسم النيوكوغنيترون (Neocognitron). كان نموذج فوكوشيما أول محاولة معمارية حاسوبية صريحة لتقليد البنية الهرمية لهوبل وفيزل، من خلال التناوب المنظم بين طبقات الخلايا S (المماثلة للخلايا البسيطة لاستخلاص الميزات) وطبقات الخلايا C (المماثلة للخلايا المركبة لتثبيت الإزاحة وخفض الأبعاد).

ورغم إعجاب ليكون الشديد بالبنية المكانية للنيوكوغنيترون، إلا أنه وجه إليه نقداً تحليلياً دقيقاً كشف عن مكامن ضعفه الجوهرية. اعتمد نموذج فوكوشيما على خوارزميات تعلم ذاتية غير موجهة تستند إلى قواعد شبيهة بنظرية هيب (Hebbian Learning) وقواعد التنافس الإقصائي (Winner-Take-All). أدت هذه الآلية إلى صعوبة بالغة في تدريب الشبكات العميقة على مهام تصنيف محددة، حيث كانت الميزات المستخلصة تعاني من التكرار والتشوه التوزيعي العشوائي، وفشلت في تحقيق دقة عالية عندما تصبح البيانات مشوهة أو معقدة للغاية، إضافة إلى غياب أي معيار رياضي لقياس الخطأ الإجمالي للمنظومة وتصحيحه بطريقة منهجية شاملة.

هنا تجلت عبقرية ليكون التركيبية؛ إذ أدرك أن الحلقة المفقودة في نموذج فوكوشيما هي خوارزمية التعلم الشاملة الخاضعة للإشراف. قرر ليكون دمج المعمارية المكانية الهرمية للنيوكوغنيترون (الحقول الاستقبالية وتشارك الأوزان) مع خوارزمية الانتشار الخلفي لخطأ التدرج الرياضي. هذا الجمع الثوري سمح للمنظومة بتحسين جميع المرشحات والمصفوفات في كافة الطبقات بالتوازي، مدفوعة بمدى مساهمتها في تقليص الخطأ النهائي للمهمة، متجاوزاً بذلك عوائق التعلم اليدوي والتنافسي العاجز، ومؤسساً لأول شبكة عصبية بصرية قادرة على التعلم التلقائي الفعلي عبر التفاضل الحسابي الشامل.

2.3 الصلة بين علم النفس المعرفي وبنى الاتصالية الحاسوبية

انطلق ليكون في تنظيره للشبكات العصبية من رؤية متقدمة في علم النفس المعرفي ترى أن الدماغ البشري يحل مشكلات التعرف على الأنماط عبر بناء “تمثيلات موزعة” (Distributed Representations). فبدلاً من تمثيل المفهوم الإدراكي—مثل وجه شخص أو شجرة—بواسطة وحدة عصبية واحدة (ما يعرف بنظرية عصبون الجدة المفندة)، يتم ترميز المفاهيم كأنماط تنشيط واسعة النطاق تتوزع على ملايين العصبونات المترابطة، حيث يعبر كل عصبون عن خاصية دقيقة ضمن فضاء إدراكي متصل.

فسر ليكون قدرة الكائنات الحية على “التعرف الفوري” على المشاهد البصرية المعقدة في أجزاء من الثانية—دون الحاجة إلى عمليات بحث تسلسلية مجهدة—بأنها ثمرة للمعالجة التنازلية والتصاعدية المتوازية عبر شبكات عميقة تم ضبط أوزانها مسبقاً بفعل التجربة والتطور. إن التجريد التصاعدي (Bottom-Up Abstraction) يسمح بتكثيف تدفق البيانات الخام القادمة من الحواس عبر اختزال الإطناب الحسابي غير الضروري، وعزل البنية الثابتة للمشهد عن التغيرات العشوائية في الإضاءة والزوايا والمسافات، وهو ما يحاكي بالضبط المفاهيم التي صاغتها مدرسة الغشتالت الإدراكية حول تنظيم الإدراك الحسي كبنى كلية متماسكة.

علاوة على ذلك، حسمت نماذج ليكون الاتصالية النقاش الفلسفي والسيكولوجي القديم بين الفطرية والتجريبية. فالمعمارية الالتفافية تمثل المكون “الفطري” المبرمج مسبقاً عبر الهيكل الهيكلي للشبكة (افتراض أن العالم الفيزيائي يتميز بالتماثل المكاني والموضعية)، بينما تمثل الأوزان والمرشحات التي يتم تعلمها من البيانات الجانب “التجريبي” المكتسب من الخبرة البيئية المستمرة. هذا التطابق الوظيفي المدهش بين الشبكات الاصطناعية العميقة التي صممها وآليات المعالجة في القشرة الصدغية السفلية (IT Cortex) لدى الثدييات، تم إثباته تجريبياً لاحقاً في علم الأعصاب المعرفي، مما أكد صحة حدسه بأن محاكاة التنظيم الإدراكي ليست مجرد استعارة شعرية، بل هي ضرورة هندسية لبناء ذكاء آلي فعال.

3. تطوير الشبكات العصبية الالتفافية (CNNs): الاختراق المعماري الأكبر

3.1 المبادئ الأساسية للالتفاف الحاسوبي وتشارك الأوزان

يعد الالتفاف الحاسوبي (Discrete Convolution) حجر الزاوية الرياضي الذي قامت عليه أطروحة يان ليكون لإعادة هندسة الشبكات العصبية الموجهة للصور. في الشبكات التقليدية المتصلة كلياً (Fully Connected Networks)، يرتبط كل بكسل في صورة الإدخال بكل عصبون في الطبقة التالية. إذا كان لدينا صورة بدقة متواضعة، ولتكن 256×256 بكسل، فإن طبقة خفية تحتوي على 1000 عصبون فقط ستتطلب عشرات الملايين من المعلمات والأوزان القابلة للضبط، وهو ما يقود حتماً إلى كارثة حسابية تُعرف بـ “لعنة الأبعاد”، ويجعل الشبكة فريسة سهلة لظاهرة “فرط التخصيص” (Overfitting)، حيث تحفظ البيانات التدريبية بدلاً من استيعاب القواعد العامة المجردة.

تجاوز ليكون هذه المعضلة عبر تطبيق فرضية فيزيائية بسيطة ولكنها عميقة: الصور الطبيعية تتمتع بخاصية الإحصاءات الثابتة عبر الفضاء (Stationary Statistics) والترابط الموضعي العالي. بناءً على ذلك، استبدل المصفوفات العملاقة بـ “نواة التفافية” (Convolutional Kernel) صغيرة الحجم، عادة ما تكون بمصفوفات 3×3 أو 5×5، تنزلق عبر المشهد البصري بأكمله لإجراء جذاء نقطي مستمر بين أوزان النواة والقيم المحلية للبكسلات. هذا التصميم يحقق ما يسمى “تشارك الأوزان” (Weight Sharing)، حيث تستخدم نفس النواة لمسح كافة أرجاء الصورة، مما يقلص عدد المعلمات الرياضية الحرة بمقدار آلاف المرات مقارنة بالشبكات الكلاسيكية.

إلى جانب الالتفاف، أدخل ليكون طبقات التجميع الاختزالي (Subsampling / Pooling)، مثل التجميع المتوسط أو التجميع الأقصى (Max-Pooling). تعمل هذه الطبقات على خفض الأبعاد المكانية لخرائط الميزات المستخرجة، عبر دمج مناطق متجاورة واختيار القيمة الممثلة لها. يحقق هذا المزيج من الالتفاف والتجميع ميزة جوهرية في الرؤية الإدراكية تُعرف بـ “التناظر الانتقالي” (Translational Equivariance) في خرائط الميزات والمقاومة التشوهية (Invariance) في التصنيف النهائي؛ مما يعني أن الشبكة تكتشف الميزة الحيوية (كالعين أو الأنف) بدقة متناهية بصرف النظر عن موضعها الدقيق أو تعرضها لتمطيط طفيف في زاوية المشهد.

3.2 هندسة شبكة LeNet وتطبيقات التعرف على المحارف المكتوبة

توجت جهود ليكون المعمارية في أواخر ثمانينيات القرن العشرين ومطلع تسعينياته بسلسلة من النماذج الهندسية المتطورة، بدأت مع بنية LeNet-1 عام 1989، وتطورت بصورة دراماتيكية وصولاً إلى النموذج الأسطوري LeNet-5 الذي تم نشره رسمياً في ورقته البحثية البارزة عام 1998 بعنوان “التعلم القائم على التدرج والمطبق على التعرف على المستندات” (Gradient-Based Learning Applied to Document Recognition). مثلت هذه الورقة بياناً تأسيسياً شاملاً لحقل معالجة الصور الرقمية والتعلم الإحصائي الحديث.

تكونت معمارية LeNet-5 من سبع طبقات متباينة الوظائف الهندسية (باستثناء طبقة الإدخال)، مصممة بعناية فائقة لتتكون من طبقات التفافية، تليها طبقات تجميع فرعي، ثم تكرار هذا النمط، وصولاً إلى طبقات متصلة كلياً تنتهي بطبقة إخراج تستخدم دوال توزيع احتمالية لتحديد هوية المحرف المكتوب. كانت السمة الثورية في LeNet-5 هي دمج عملية استخلاص الميزات (Feature Extraction) وعملية التصنيف (Classification) في معمارية برمجية موحدة تتدرب من البداية إلى النهاية (End-to-End) عبر خوارزمية الانتشار الخلفي. هذا الأسلوب أطاح تماماً بالمقاربة التقليدية للرؤية الحاسوبية التي كانت تفرض على المهندسين قضاء أشهر في ابتكار واستخلاص مرشحات يدوية مجهدة (Handcrafted Features) مثل مرشحات سوبل أو كاني، ثم تغذيتها لمصنف منفصل.

أثبتت LeNet-5 كفاءة منقطعة النظير في معالجة مصفوفات الأرقام والمحارف المكتوبة بخط اليد بدقة إحصائية تجاوزت بكثير كل الأنظمة الخوارزمية والتصنيفية السائدة في ذلك الوقت. تمكن النموذج من قراءة الأرقام المشوهة والمائلة والمكتوبة بأساليب فردية متباينة للغاية في قاعدة بيانات MNIST الشهيرة التي أنشأها ليكون وزملاؤه، والتي أصبحت لاحقاً “ذبابة الفاكهة” التي تُختبر عليها كافة نظريات وتطبيقات التعلم الآلي لعقود تالية.

3.3 الأثر الحسابي للنواة الالتفافية على مسار المعالجة الحسية

أحدث اعتماد النواة الالتفافية تحولاً معرفياً عميقاً في كيفية تصور تدفق المعلومات داخل المعالجات الرقمية. فعبر فرض قيود موضعية بنيوية (Inductive Bias) على الشبكة، استطاع ليكون إعادة توجيه القوة الحسابية من التشتت في فضاءات رياضية عشوائية لا نهائية إلى التركيز الصارم على استكشاف العلاقات الفضائية الهندسية ذات المعنى في العالم الحقيقي. إن النواة الالتفافية تعمل كمتحسس متعدد المقاييس يتدرج صعوداً عبر الطبقات: فالطبقات الأولى تكتشف التدرجات الضوئية والحواف الأولية، والطبقات المتوسطة تجمع الحواف لتكتشف الأشكال النسيجية والهندسية والأقواس، في حين تجمع الطبقات العميقة هذه الأشكال لتوليد تمثيلات كلية للأجسام مثل الوجوه، والمحركات، والأحرف.

قرب هذا التدرج الهرمي الحسابي أداء الآلة من سرعة وكفاءة الرؤية الإدراكية لدى الكائنات الحية بشكل لم يسبق له مثيل. واجهت أنظمة الرؤية الحاسوبية التقليدية لعقود ما يسمى “معضلة التباين المكاني والتجزئة”؛ حيث كان النظام يعجز عن إدراك الحرف إذا كان ملتصقاً بحرف مجاور أو مائلاً ببضع درجات. وبفضل الترشيح التناظري والتجميع المكاني في شبكات CNNs، تم حل هذه المعضلة الحسابية في صلب المعمارية ذاتها، إذ أصبح التمثيل الداخلي للمعلومة الحسية يتمتع بمرونة فيزيائية تجعله مقاوماً للضجيج البصري والانحرافات الإشعاعية في الصورة.

لقد أرست تصاميم ليكون المعيار التقني الدائم الذي تحول لاحقاً من مجرد أسلوب لمعالجة النصوص المكتوبة إلى الركيزة المركزية لكافة أنظمة الرؤية الآلية المعاصرة؛ بدءاً من المركبات ذاتية القيادة التي تحلل تدفق الفيديو في الوقت الحقيقي لتحديد مسارات المشاة، مروراً بأنظمة التصوير الطبي بالرنين المغناطيسي والأشعة المقطعية لاكتشاف الأورام الخبيثة بدقة تفوق الأطباء البشريين، وانتهاءً ببرمجيات التعرف على الوجوه والمراقبة الحضرية الذكية، مؤكدة أن البنية الهرمية المستلهمة من الطبيعة هي المسار الحسابي الأمثل لترويض فوضى الإشارات الفيزيائية في العالم الخارجي.

4. حقبة مختبرات بل للاتصالات وتطبيقات التعرف على الأنماط (1988-1996)

4.1 البيئة العلمية في مختبرات Bell Labs للبحوث الفيزيائية والتقنية

في عام 1988، انتقل يان ليكون إلى الولايات المتحدة الأمريكية ليلتحق بـ مختبرات بل للاتصالات (AT&T Bell Laboratories) في هولمديل بنيوجيرسي، وهي المؤسسة البحثية الأسطورية التي ولدت فيها أهم الاختراعات التقنية في التاريخ مثل الترانزستور، والليزر، ولغة البرمجة C، ونظام التشغيل يونكس (UNIX). انضم ليكون إلى “قسم أبحاث النظم التكيفية” الذي كان يرأسه العالم الفيزيائي المرموق لاري جاكيل (Larry Jackel)، وضم نخبة استثنائية من رواد الحوسبة، والفيزياء الإحصائية، وعلم الأعصاب الحسابي، من بينهم ريتشارد هوارد، وفلاديمير فابنيك، وهانز بيتر غراف.

وفرت مختبرات بل لليكون بيئة علمية مثالية وفريدة لم تكن متاحة في الجامعات الأوروبية أو الأمريكية في ذلك الوقت. تميزت المختبرات بثقافة بحثية استثنائية تمزج بين الحرية الأكاديمية المطلقة في استكشاف النظريات الرياضية المجردة، والالتزام الهندسي الصارم بحل المشكلات الصناعية والتطبيقية الهائلة التي تواجه شبكة الاتصالات الوطنية لشركة AT&T. علاوة على ذلك، وفرت المختبرات لليكون إمكانية الوصول إلى أحدث منصات معالجة الإشارات الرقمية التخصصية (DSPs) والشرائح الحسابية المتطورة المصممة مخبرياً، والتي تم تسخيرها لمحاكاة الشبكات العصبية وتسريع العمليات الحسابية المصفوفية المجهدة.

كان ليكون يتفاعل يومياً مع كبار المنظرين في الفيزياء الإحصائية مثل جون هوبفيلد وديفيد تانك، مما أغنى فهمه لطبيعة سلوك فضاءات الطاقة وتدفق المعلومات في الشبكات المعقدة. دفع هذا التلاقح الفكري بين الفيزياء والرياضيات والهندسة التطبيقية ليكون إلى شحذ نماذجه الرياضية لتصبح قادرة على العمل في بيئات تشغيلية واقعية تتطلب دقة متناهية وسرعة معالجة آنية تقاس بأجزاء من الثانية، بعيداً عن مجرد النماذج التجريبية التي تقتصر على المحاكاة النظرية البحتة.

4.2 مشروع أتمتة قراءة الشيكات المصرفية بالتعاون مع الخدمات البريدية

أثمر الوجود الخصب لليكون في مختبرات بل عن أحد أعظم النجاحات التطبيقية الأولى في تاريخ الذكاء الاصطناعي: مشروع الأتمتة الشاملة لقراءة الشيكات المصرفية وفرز الرسائل البريدية. دخلت مختبرات بل في شراكة استراتيجية مع كبرى البنوك والمؤسسات المالية الأمريكية ومع خدمة البريد الوطنية في الولايات المتحدة (USPS)، لتحويل الشبكة العصبية الالتفافية LeNet-5 من كود برمجي مخبري إلى منصة صناعية عملاقة قادرة على معالجة تدفقات ضخمة من الوثائق الورقية.

تطلب المشروع بناء نظام متكامل يبدأ بالمسح الضوئي للشيكات والرسائل البريدية، وتحديد حقول الأرقام والمبالغ المكتوبة بخط اليد، وتقطيع المحارف وفصل الأرقام المتشابكة آلياً، ثم تغذيتها لشبكة LeNet لقراءتها والتحقق من صحتها الرياضية والمصرفية. كانت هذه العملية تمثل تحدياً هندسياً استثنائياً، بالنظر إلى التباين الشديد في خطوط اليد البشرية، وتشوه الحبر، والضجيج البصري الناتج عن طيات الورق والخلفيات الملونة للشيكات المصرفية المختلفة التي تصدرها مئات البنوك.

حقق النظام نجاحاً صناعياً وتجارياً باهراً؛ فبحلول منتصف وأواخر تسعينيات القرن العشرين، كان نموذج LeNet-5 ونماذجه المشتقة مسؤولاً عن قراءة ومعالجة ما بين 10% إلى 20% من إجمالي الشيكات المصرفية المتداولة في كافة أنحاء الولايات المتحدة الأمريكية يومياً، بمعدل يبلغ مئات الملايين من الشيكات سنوياً، محققاً نسب خطأ تكاد تقترب من الصفر لتجنب الأخطاء المالية الكارثية. شكل هذا الإنجاز أول برهان تاريخي قاطع على أن الشبكات العصبية المدربة بالانتشار الخلفي ليست مجرد فرضيات أكاديمية غامضة، بل هي أنظمة موثوقة ذات جدوى اقتصادية هائلة قادرة على التفوق على المشغلين البشريين والأنظمة الرمزية التقليدية في المهام الإدراكية الحرجة.

4.3 تطوير تقنيات ضغط الصور والوثائق (DjVu)

في سياق متصل بأبحاث الرؤية الحاسوبية ومعالجة المستندات الرقمية في مختبرات بل، خاض يان ليكون بالتعاون مع ليون بوتو (Léon Bottou) وباتريك هافنر وآخرين مغامرة تقنية رائدة تمثلت في ابتكار وتطوير تنسيق DjVu لضغط وتخزين المستندات والكتب الرقمية عالية الدقة. في تلك الفترة (منتصف التسعينيات)، كانت شبكة الإنترنت العالمية في بدايات انتشارها الشعبي، وكانت سرعات الاتصال عبر المودم الهاتفي بطيئة للغاية، مما جعل تحميل صور الوثائق والكتب الممسوحة ضوئياً بدقة مقروءة أمراً شبه مستحيل نظراً لضخامة أحجام ملفات الصور التقليدية مثل TIFF وJPEG.

وظف ليكون وزملاؤه مبادئ الرؤية الحاسوبية المتقدمة لابتكار خوارزمية ذكية تعتمد على “فصل الطبقات الوظيفية” للمستند الرقمي. تقوم الخوارزمية بتحليل المشهد البصري وتقسيمه إلى ثلاث طبقات متمايزة: طبقة النصوص والمحارف عالية التباين والتفاصيل الهندسية (Foreground)، وطبقة الخلفية الورقية والنسيجية منخفضة التردد (Background)، وقناع ثنائي يفصل بينهما (Mask). يتم ضغط كل طبقة باستخدام خوارزميات رياضية مخصصة لطبيعتها الفيزيائية والإدراكية، حيث يتم ضغط النصوص كأشكال خطية حادة باستخدام تقنيات مطابقة الأنماط وحسابات وافليت (Wavelets)، مما قلص حجم الملفات الرقمية إلى نسب غير مسبوقة—أقل بحوالي 5 إلى 10 مرات من ملفات PDF المماثلة في ذلك العصر—مع الحفاظ التام على حدة الحروف ومقروئيتها الإدراكية الفائقة.

تجاوز مشروع DjVu كونه مجرد ابتكار لضغط البيانات الرقمية؛ إذ مثل نموذجاً مبكراً للتكامل العضوي بين خوارزميات الفهم البصري للوثائق، ونظم استرجاع المعرفة، وهندسة الوسائط المتعددة. وفر هذا التنسيق حلاً عملياً حاسماً أتاح للمكتبات الوطنية والأرشيفات العالمية رقمنة ملايين المخطوطات والكتب النادرة وإتاحتها للجمهور عبر الشبكة العنكبوتية، مؤكداً مهارة ليكون الاستثنائية في تحويل المفاهيم النظرية في تحليل الصور والأنماط إلى حلول برمجية مستدامة خدمت الثقافة الرقمية العالمية لعقود.

5. سنوات التراجع الأكاديمي للشبكات ومقاومة شتاء الذكاء الاصطناعي (1995-2006)

5.1 صعود آلات المتجهات الداعمة (SVM) وتهميش الاتصالية

مع منتصف تسعينيات القرن العشرين، بدأت رياح الأوساط الأكاديمية العالمية تهب في اتجاه معاكس تماماً للشبكات العصبية الاصطناعية. شهد مجتمع التعلم الآلي والرياضيات التطبيقية صعوداً طاغياً لـ آلات المتجهات الداعمة (Support Vector Machines – SVMs)، التي طورها زميل ليكون في مختبرات بل، العالم الروسي فلاديمير فابنيك، مستنداً إلى “نظرية التعلم الإحصائي” (Vapnik-Chervonenkis Theory). وفرت آلات المتجهات الداعمة إطاراً رياضياً أنيقاً وصلباً يعتمد على التحسين المحدب (Convex Optimization)، الذي يضمن رياضياً الوصول إلى الحل الأمثل الشامل (Global Optimum) دون الوقوع في مصيدة النقاط الصغرى المحلية (Local Minima) التي كانت تُعاب بها دوال الخسارة غير الخطية في الشبكات العصبية العميقة.

أدى هذا التفوق الرياضي النظري لآلات SVM والنماذج الخطية ونواة كيرنل (Kernel Methods) إلى اندلاع ما عُرف بـ “شتاء الشبكات العصبية الثاني”. شُن هجوم أكاديمي حاد على نماذج يان ليكون والاتصالية عموماً، واعتُبرت الشبكات العصبية خوارزميات عشوائية أشبه بـ “صناديق سوداء” تفتقر للضمانات الإبستمولوجية والبراهين المغلقة، وتتطلب مهارات يدوية غامضة لضبط معدلات التعلم ومعمارية الطبقات. انعكس هذا الرفض المؤسسي بصورة دراماتيكية على المشهد الأكاديمي؛ حيث جفت منح التمويل الفيدرالي لمشاريع الشبكات العصبية، وباتت كبرى المؤتمرات العالمية المرموقة، مثل مؤتمر نظم معالجة المعلومات العصبية (NeurIPS) ومؤتمر التعلم الآلي الدولي (ICML)، ترفض بشكل منهجي وشبه روتيني الأوراق البحثية التي تتضمن عبارة “الشبكات العصبية” في عناوينها أو نصوصها.

ورغم هذه الضغوط المعرفية الهائلة والمحاصرة الأكاديمية الصارمة، بقي يان ليكون متمسكاً بقناعته الراسخة بأن الطرق المحدبة والنماذج الخطية المعتمدة على الدوال النواتية محدودة بطبيعتها الرياضية وعاجزة تماماً عن حل مشكلات الإدراك المعقدة. جادل ليكون بأن حصر التعلم في تصنيف قائم على تحويلات خطية في فضاءات هيلبرت لن يسمح للآلة أبداً بتعلم “تمثيلات هرمية عميقة” (Hierarchical Feature Representations) مماثلة للدماغ البشري، وأن الإصرار على البراهين الرياضية المحدبة هو تضحية بالقدرة التوليدية والوظائف الإدراكية للذكاء الحقيقي في سبيل الراحة الرياضية الخادعة.

5.2 التأسيس المؤسسي في جامعة نيويورك (NYU) ومعهد كورانت

في عام 2003، وفي خضم هذا الحصار المعرفي، قرر يان ليكون مغادرة القطاع الصناعي بعد سنوات من العمل في مختبرات بل ثم مختبرات AT&T للأبحاث في شانون، ليعود إلى الساحة الأكاديمية بقوة عبر انضمامه كأستاذ دائم لعلوم الحاسوب وعلم الأعصاب في جامعة نيويورك (New York University)، وتحديداً في معهد كورانت للعلوم الرياضية (Courant Institute)، الذي يعد أحد أرقى معاقل الرياضيات التطبيقية في العالم.

مثل انتقال ليكون إلى معهد كورانت خطوة استراتيجية جريئة؛ حيث وضع نفسه في قلب المؤسسة الرياضية الصارمة بهدف إعادة بناء الركائز النظرية للاتصالية في بيئة أكاديمية رفيعة المستوى. قام ليكون بتأسيس مختبرات بحثية متقدمة في جامعة نيويورك ركزت على دمج التعلم الآلي بالإدراك البصري الحاسوبي وعلم الأعصاب الحسابي، مستقطباً عدداً من ألمع طلبة الدراسات العليا والباحثين الشباب الذين لم يتلوث شغفهم بالتعصب الأكاديمي ضد الشبكات العصبية. سعى ليكون خلال تدريسه وبحوثه إلى إعادة ربط الخوارزميات العصبية بأحدث اكتشافات الفيزياء الإحصائية وهندسة الأنظمة المعقدة.

أصبح مختبر ليكون في جامعة نيويورك بؤرة مقاومة معرفية متوهجة، حيث واصل تطوير أساليب جديدة لتدريب الشبكات المكانية متعددة المقاييس وتوسيع تطبيقاتها لتشمل التعرف على الأجسام ثلاثية الأبعاد، والملاحة الروبوتية للسيارات الصغيرة في التضاريس الوعرة (مشروع LAGR المدعوم من داربا)، وتحليل مشاهد الفيديو المعقدة. والأهم من ذلك، نجح ليكون في بناء مجتمع علمي مصغر وجيل أكاديمي جديد تخرج على يديه وتشبع بإيمانه الراسخ بأن المعمارية الهرمية التكيفية هي الطريق الوحيد والأصيل لفك شفرة الإدراك الاصطناعي.

5.3 تحالف “مؤامرة التعلم العميق” مع جيفري هينتون ويوشوا بنجيو

خلال تلك السنوات الحالكة من التهميش الأكاديمي، أدرك يان ليكون أن الصمود الفردي لن يكفي لكسر الهيمنة المعرفية للأرثوذكسية الرياضية المحدبة. ومن هنا، تشكل تحالف علمي غير رسمي، أطلقت عليه الأوساط الأكاديمية لاحقاً بتهكم تحول إلى تبجيل اسم “عصابة التعلم العميق” أو “مؤامرة التعلم العميق” (The Deep Learning Conspiracy)، ضم ليكون إلى جانب أستاذين استثنائيين شاركاه نفس الرؤية والإحباط: البريطاني-الكندي جيفري هينتون (Geoffrey Hinton) في جامعة تورنتو، والكندي يوشوا بنجيو (Yoshua Bengio) في جامعة مونتريال.

وجد هذا الثلاثي شريان حياة حاسم في كندا عام 2004، بفضل الدعم المالي والفكري الجريء الذي قدمه المعهد الكندي للأبحاث المتقدمة (CIFAR). أسس المعهد برنامجاً بحثياً استثنائياً بعنوان “الحساب العصبي والتعلم التكيفي” (NCAP) برئاسة هينتون وعضوية ليكون وبنجيو ونخبة صغيرة من علماء الفيزياء الإحصائية والأعصاب. وفر هذا البرنامج التمويل اللازم لعقد لقاءات وورش عمل دورية مكثفة بعيداً عن أعين الحكام الأكاديميين المتربصين، حيث كان العلماء يتبادلون الأفكار، وينقدون النظريات، ويبحثون عن حلول لمعضلات تلاشي التدرج الرياضي (Vanishing Gradients) في الأعماق السحيقة للشبكات.

في عام 2006، وفي خطوة اتسمت بذكاء استراتيجي وتسويقي بارع، اتفق ليكون وهينتون وبنجيو على إعادة تسمية الحقل والتخلي تدريجياً عن مصطلح “الشبكات العصبية الاصطناعية” الذي ارتبط في أذهان الأكاديميين وممولي الأبحاث بالفشل والإخفاق التاريخي، واستبداله بمصطلح جديد: “التعلم العميق” (Deep Learning). تزامنت هذه التسمية مع نشر هينتون لورقته الرائدة حول شبكات الاعتقاد العميق (Deep Belief Networks) والتهيئة غير الموجهة طبقة تلو الأخرى. كانت هذه الخطوة بمثابة إعادة تموضع استراتيجي حاسم؛ إذ منحت الباحثين الشباب غطاءً أكاديمياً جديداً لنشر أوراقهم العلمية دون أن تُرفض تلقائياً من قبل المجلات المحكمة، مؤسسة بذلك للشرارة الأولى التي مهدت للانفجار المعرفي الكبير القادم.

6. الانفجار المعرفي وعصر الهيمنة للتعلم العميق (2006-2015)

6.1 إعادة اكتشاف قدرات الشبكات العميقة بفضل وحدات المعالجة الرسومية (GPUs)

مع مشارف العقد الثاني من الألفية الجديدة، بدأت النبوءات النظرية التي صاغها يان ليكون في أواخر الثمانينيات تتحقق على أرض الواقع، مدفوعة بمتغير تكنولوجي جوهري كان ينقص نماذجه الأولى: القوة الحسابية الخارقة. فعلى مدار عقود، كانت العقبة الكبرى أمام تدريب شبكات التفافية تحتوي على ملايين المعلمات عبر ملايين الصور هي البطء الحسابي الشديد للمعالجات المركزية التقليدية (CPUs)، التي تعتمد على المعالجة التسلسلية وتفشل في إجراء مصفوفات الجذاء النقطي الضخمة بالسرعة المطلوبة.

حدث الانقلاب التقني مع إعادة توجيه وحدات المعالجة الرسومية (GPUs)—التي طورتها شركة إنفيديا (Nvidia) لأغراض معالجة الرسوميات والألعاب ثلاثية الأبعاد—نحو الحوسبة العلمية العامة (GPGPU) عبر منصة كودا (CUDA). أدرك الباحثون أن البنية المتوازية لرقاقات الرسوميات، التي تضم آلاف الأنوية الحسابية البسيطة التي تعمل بتزامن تام، تتطابق تطابقاً هيكلياً مذهلاً مع متطلبات النوى الالتفافية لشبكات ليكون. أصبح بالإمكان إجراء العمليات المصفوفية وتطبيق الانتشار الخلفي للخطأ بالتوازي عبر ملايين البكسلات والأوزان دفعة واحدة.

أدى هذا الاندماج بين خوارزميات ليكون والعتاد الرسومي الموازي إلى تسريع زمن تدريب الشبكات العميقة بمئات، بل بآلاف المرات؛ فالتجارب التي كانت تستغرق أشهراً طويلة على الخوادم الكلاسيكية في التسعينيات بات من الممكن إنجازها في غضون أيام أو ساعات معدودة. ترافق هذا التطور العتادي المذهل مع انفجار ظاهرة “البيانات الضخمة” (Big Data) بفضل انتشار الهواتف الذكية وشبكة الإنترنت التشاركية، مما وفر للشبكات العميقة الغذاء الرقمي الهائل الذي كانت تتوق إليه تاريخياً للتعميم الإحصائي، ومثبتة صحة رؤية ليكون بأن المشكلة لم تكن قط في عجز النظرية الاتصالية، بل في قصور العتاد وشح البيانات التدريبية.

6.2 إنجاز مسابقة ImageNet عام 2012 وتأكيد تفوق الشبكات الالتفافية

في خريف عام 2012، شهد تاريخ الذكاء الاصطناعي لحظة فارقة أحدثت زلزالاً معرفياً غير مسبوق في المجتمع العلمي العالمي، وذلك خلال إعلان نتائج مسابقة ImageNet الدولية المرموقة للتعرف البصري (ILSVRC). كانت المسابقة، التي نظمتها الأستاذة في فاي-لي وزملاؤها في جامعة ستانفورد، تتضمن قاعدة بيانات ضخمة تحتوي على أكثر من 1.2 مليون صورة ملونة تنتمي إلى ألف فئة متنوعة وشديدة التعقيد من العالم الحقيقي (مثل سلالات الكلاب، وأنواع المركبات، والأدوات الدقيقة)، وكانت أفضل الخوارزميات التقليدية المصممة بأرقى تقنيات هندسة الميزات اليدوية تسجل معدلات خطأ تحوم حول 26%.

شاركت في تلك الدورة شبكة AlexNet، التي صممها أليكس كريجيفسكي وإيليا سوتسكيفر بإشراف جيفري هينتون في جامعة تورنتو. وكانت المفاجأة المدوية هي أن AlexNet سحقت كافة المنافسين العالميين وحققت معدل خطأ انخفض إلى 15.3%، وبفارق شاسع وغير مسبوق تجاوز 10 نقاط مئوية عن أقرب ملاحقيها. أما المفارقة التاريخية الكبرى فتمثلت في أن AlexNet لم تكن في جوهرها المعماري سوى استنساخ مباشر وموسع لنموذج LeNet-5 الذي صممه يان ليكون في عام 1989 وعام 1998، ولكن بعد توسيعه لثماني طبقات أعمق، واستخدام دوال التنشيط غير الخطية المصححة (ReLU)، وتدريبه بكفاءة فائقة على بطاقتي رسوميات Nvidia GeForce عبر مكتبات CUDA، واستخدام تقنية الإسقاط العشوائي (Dropout) لمنع فرط التخصيص.

كان فوز AlexNet في مسابقة ImageNet بمثابة إعلان وفاة رسمي ونهائي لعصر هندسة الميزات اليدوية في الرؤية الحاسوبية. وفي غضون أشهر قليلة، تحول المجتمع العلمي من التشكيك العدائي في الشبكات العصبية الالتفافية إلى التبني الشامل والهلع المعرفي للحاق بالركب؛ إذ تخلى كبار الباحثين في ستانفورد، وإم آي تي، وبيركلي، وأكسفورد عن خوارزمياتهم السابقة واعتمدوا معمارية ليكون الالتفافية. لقد انتصرت رؤية ليكون بعد ربع قرن من الصمود والمثابرة، معترفة له الأوساط الأكاديمية والصناعية بأنه كان المعماري الأصيل الذي شيد الأساس التقني لأعظم ثورة في الإدراك الآلي.

6.3 المساهمات البرمجية مفتوحة المصدر وإنشاء مكتبة Torch

إلى جانب مساهماته النظرية والمعمارية الخالدة، كان يان ليكون مهندساً برمجياً بارعاً يتمتع بإدراك عميق لأهمية البنية التحتية للأدوات البحثية. فمنذ سنوات عمله الأولى في مختبرات بل، قام ليكون بتطوير لغة برمجة خاصة وحزمة برمجية متقدمة للمعالجة الرقمية عُرفت باسم SN (Simulator for Neural networks)، والتي تحولت لاحقاً إلى منصة Lush، لتمكينه من كتابة وتنفيذ خوارزميات التعلم الآلي والانتشار الخلفي بسرعة وسهولة ومرونة فائقة تفوقت على بيئات العمل التقليدية في ذلك الوقت.

مع مطلع الألفية وفي جامعة نيويورك، تعاون ليكون مع رونان كولوبيرت وكليمان فارابيت وليون بوتو لتطوير مكتبة Torch، وهي بيئة حوسبة علمية وبيئة للتعلم الآلي مفتوحة المصدر تعتمد على لغة البرمجة السريعة وخفيفة الوزن لوا (Lua) وتتكامل في نواتها مع لغة C والمعالجة الرسومية الموازية. أحدثت Torch ثورة في أوساط مجتمع الباحثين؛ إذ قدمت هيكلية تنسورية (Tensor-based Computing) مرنة للغاية تتيح التعامل التلقائي مع المصفوفات متعددة الأبعاد وحساب التدرجات الرياضية للشبكات العصبية غير المحدودة دون الحاجة لإعادة كتابة الأكواد على مستوى العتاد الحسابي المنخفض.

شكلت مكتبة Torch الأساس الحسابي المتين الذي اعتمده عمالقة التقنية ومختبرات الأبحاث العالمية الكبرى، بما في ذلك فيسبوك وديب مايند وتويتر، لإجراء أبحاث الذكاء الاصطناعي المتقدمة بين عامي 2010 و2016. وعلاوة على ذلك، كانت Torch هي السلف المباشر والملهم البرمجي الأبرز لظهور إطار PyTorch لاحقاً، والذي صممه ونقله إلى بيئة بايثون مهندسون تدربوا وتأثروا مباشرة ببيئة ليكون البرمجية. أصبح PyTorch اليوم المعيار الذهبي واللغة المشتركة لكافة أبحاث التعلم العميق والذكاء الاصطناعي على كوكب الأرض، ما يؤكد الأثر المستدام لليكون ليس فقط كمنظر للنماذج، بل كبانٍ لأدوات البنية التحتية التمكينية التي حررت طاقات أجيال من العلماء والمهندسين حول العالم.

7. التكريم الأكاديمي الرفيع ونيل جائزة تورنغ (2018)

7.1 منح جائزة تورنغ المشتركة مع هينتون وبنجيو

في السابع والعشرين من مارس عام 2019، أعلنت جمعية آلات الحوسبة (ACM) رسمياً عن منح “جائزة إيه إم تورنغ” (A.M. Turing Award) لعام 2018—وهي الجائزة التي تُعتبر على نطاق واسع بمثابة “جائزة نوبل في علوم الحوسبة” وتترافق مع مكافأة مالية قدرها مليون دولار أمريكي مقدمة من شركة غوغل—بشكل مشترك ليان ليكون، وجيفري هينتون، ويوشوا بنجيو، تكريماً لإنجازاتهم المفاهيمية والهندسية الثورية التي جعلت من الشبكات العصبية العميقة مكوناً أساسياً وجوهرياً في الحوسبة المعاصرة.

جاء إعلان الجائزة بمثابة اعتراف مؤسسي وتاريخي حاسم بانتصار ثورة التعلم العميق واكتمال مسار إعادة الاعتبار للمدرسة الاتصالية. وشددت وثيقة التكريم الرسمية الصادرة عن جمعية ACM على الدور الفردي البارز الذي لعبه يان ليكون في اختراع وتطوير الشبكات العصبية الالتفافية (CNNs)، وتطوير خوارزميات الانتشار الخلفي للخطأ عبر معالجات متسلسلة وهندسية، وتحقيقه للإنجازات التطبيقية الأولى في مختبرات بل، وإرسائه للمفاهيم الرياضية للميزات الهرمية والمقاومة المكانية التي غيرت مسار علوم الحاسوب من النظم القائمة على القواعد الهشة إلى النظم الإحصائية التكيفية المتقدمة.

تجاوزت هذه الجائزة تكريم ثلاثة علماء بارزين لتصبح احتفاءً بملحمة علمية ملهمة في الصمود الإبستمولوجي والمثابرة الفكرية. فقد أثبت الثلاثي للعالم أجمع أن السعي وراء الحقيقة العلمية المدعومة بالبصيرة الفيزيائية والرياضية الصادقة قادر على كسر الإجماع الأكاديمي الزائف وتجاوز التهميش المؤسسي الذي استمر لثلاثة عقود. تحول ليكون وهينتون وبنجيو بين عشية وضحاها من “منبوذين” يُرفض تمويلهم ونشر أبحاثهم في التسعينيات إلى “آباء روحيين” (Godfathers of AI) لثورة تكنولوجية تقود اقتصاد العالم، وتتحكم في تدفق المعرفة وتشكيل مستقبل الحضارة الإنسانية الرقمية برمتها.

7.2 المحاضرة الرسمية لجائزة تورنغ وتحليل الأسس الإبستمولوجية للتعلم

في يونيو 2019، وخلال المؤتمر الفخري السنوي لجمعية ACM في سان فرانسيسكو، ألقى يان ليكون محاضرته الرسمية لجائزة تورنغ، والتي كانت عملاً فكرياً واستعراضاً إبستمولوجياً وتاريخياً مبهراً لمسار الذكاء الاصطناعي. استعرض ليكون في محاضرته الأصول الفكرية الأولى لمعالجة الإشارات ونظريات التعلم، مقدماً تفكيكاً نقدياً رصيناً لخرافة “التعقيد الرياضي العقيم” الذي هيمن على التعلم الآلي لعقود؛ حيث أوضح كيف أن النماذج الإحصائية المحدبة المفرطة في الأناقة الرياضية كانت عمياء عن الطبيعة الحقيقية لفضاءات الإدراك والبيانات المعقدة ذات الأبعاد اللانهائية.

ركز ليكون في تحليله الفلسفي على مفهوم “التعلم التمثيلي” (Representation Learning)، مبيناً أن جوهر الذكاء البشري والحيواني لا يتمثل في استيعاب كميات لا حصر لها من الرموز اللغوية المسبقة، بل في القدرة الرياضية التلقائية على تحويل فضاء البيانات الخام عالي الأبعاد ومتعدد الأنماط—المشبع بالضجيج والتقلبات—إلى فضاءات هندسية منخفضة الأبعاد تسمى “المتنوعات الرياضية” (Manifolds)، حيث تصبح المفاهيم الدلالية المتشابهة متقاربة مكانياً وقابلة للفصل الخطي والتصنيف بسهولة متناهية. وأظهر بالبراهين الهندسية كيف تتطابق هذه العمليات الرياضية التجريدية داخل طبقات الشبكات العصبية العميقة مع آليات معالجة الدماغ البشري للمثيرات البصرية والسمعية في مسار التدفق القشري البطني والظهري.

ولم تكن المحاضرة مجرد استعراض احتفالي لما تحقق في الماضي، بل كانت بياناً نقدياً استشرافياً صارماً رسم فيه ليكون حدود التعلم العميق الحالي غير المكتمل. صرح ليكون بجرأة أمام المجتمع العلمي بأن النماذج الحالية للتعلم الخاضع للإشراف (Supervised Learning)—رغم نجاحها التجاري الهائل—تمثل طريقاً مسدوداً نحو بناء ذكاء اصطناعي حقيقي ومرن، لأنها تتطلب مليارات البيانات الموسومة بشرياً، وتفتقر لأبسط مقومات المنطق السليم والفهم الفيزيائي البديهي، معلناً أن المعركة العلمية الكبرى القادمة تتمثل في استكشاف أسرار “التعلم ذاتي الإشراف” (Self-Supervised Learning) ونمذجة العالم الخارجي.

7.3 المكانة العلمية والتأثير على السياسات الأكاديمية الدولية

كرس نيل جائزة تورنغ المكانة العلمية الاستثنائية ليان ليكون كأحد أعظم المراجع الفكرية والتقنية في عصرنا الحديث، وتوالى انهمار الأوسمة والتكريمات الأكاديمية الرفيعة عليه من مختلف أرجاء العالم. انتُخب ليكون عضواً في الأكاديمية الوطنية الأمريكية للهندسة (National Academy of Engineering)، ونال عضوية الأكاديمية الفرنسية للعلوم (Académie des Sciences)، إضافة إلى تكريمه بالعديد من درجات الدكتوراه الفخرية من جامعات عالمية كبرى مثل الجامعة الفيدرالية للتقنية في لوزان (EPFL) وجامعة تورنتو.

انعكست هذه المكانة الرمزية الكبرى لليكون تأثيراً مباشراً وحاسماً على السياسات الأكاديمية والاستراتيجيات البحثية الدولية. فقد ساهمت أطروحاته وورقاته البيضاء في إقناع الحكومات الكبرى—لا سيما في الولايات المتحدة وفرنسا والاتحاد الأوروبي—بضرورة إعادة صياغة المناهج والبرامج الجامعية الوطنية بصورة جذرية، لتتحول من البنى التقليدية لعلوم الحاسوب إلى مناهج متعددة التخصصات ترتكز بالأساس على علوم البيانات الضخمة، والفيزياء الإحصائية، وعلم الأعصاب الحسابي، ونظم التعلم العميق التكيفية.

علاوة على ذلك، استغل ليكون نفوذه الأكاديمي الدولي للدفاع عن استقلالية ونزاهة البحث العلمي الأساسي، ولتحفيز المؤسسات السياسية على ضخ تمويلات مليارية لدعم مختبرات الأبحاث العامة في مجالات الذكاء المعرفي والحوسبة الحيوية فائقة القدرة. وبات ظهوره المستمر في المؤتمرات الاستراتيجية والمنابر الإعلامية العالمية يمثل صوتاً أكاديمياً رزيناً وموثوقاً يوجه الدبلوماسية التكنولوجية العالمية، ملهماً في الوقت ذاته عشرات الآلاف من الباحثين الشبان والطلبة في مختلف القارات لتبني مناهج الاستلهام البيولوجي والتجريد الرياضي في مواجهة أعقد التحديات التقنية التي تواجه البشرية.

8. القيادة العلمية في ميتا (Meta) وتأسيس مختبر أبحاث الذكاء الاصطناعي الأساسي (FAIR)

8.1 إنشاء مختبر FAIR واستراتيجية البحث الأساسي غير التجاري

في ديسمبر من عام 2013، أقدم مارك زوكربيرغ، المؤسس والرئيس التنفيذي لشركة فيسبوك (ميتا حالياً)، على خطوة استراتيجية جريئة عندما تواصل شخصياً مع يان ليكون لإقناعه بالانضمام إلى الشركة وتأسيس وإدارة مختبر أبحاث جديد مخصص بالكامل للذكاء الاصطناعي. وافق ليكون على العرض، ولكن بعد أن فرض مجموعة من الشروط العلمية والمؤسسية الصارمة غير القابلة للتفاوض، والتي غيرت جذرياً من تقاليد مختبرات البحوث في وادي السيليكون؛ حيث اشترط أن يحتفظ بمنصبه الأكاديمي كأستاذ في جامعة نيويورك لمواصلة التدريس وتخريج طلبة الدكتوراه، وأن يُكرس المختبر الجديد للبحث العلمي الأساسي طويل المدى، متحرراً تماماً من الضغوط التجارية اليومية ومتطلبات تعظيم أرباح الإعلانات قصيرة الأجل.

انطلق مختبر أبحاث الذكاء الاصطناعي الأساسي (Fundamental AI Research – FAIR) برؤية واضحة صاغها ليكون: تحويل المختبر إلى معهد بحثي رفيع المستوى يشبه في حريته الأكاديمية والصرامة المعرفية أرقى الجامعات العالمية، ولكن مع تزويده بالموارد المالية والحسابية والبيانات الضخمة التي لا تملكها سوى شركة تقنية عملاقة بحجم فيسبوك. نجح ليكون بفضل جاذبيته العلمية ومكانته التاريخية في استقطاب نخبة مذهلة من ألمع علماء العالم في الرياضيات البحتة، وعلم النفس الحاسوبي، والفيزياء النظرية، ومعالجة اللغات الطبيعية، والرؤية الآلية، ومن بينهم رفقاء دربه ليون بوتو وروب فيرغوس ومايكل بورتون.

أصر ليكون في إدارة FAIR على تبني استراتيجية الأبحاث المفتوحة واستكشاف الأسئلة الوجودية والرياضية العميقة للذكاء الآلي؛ مثل كيفية إدراك الآلة للسببية الفيزيائية، وفهم الفيديو المستمر، وتوليد الصور ثلاثية الأبعاد، واستكشاف آليات جديدة لتحسين النماذج العصبية بعيداً عن الحلول السريعة. تحول FAIR في غضون سنوات قليلة تحت قيادة ليكون إلى أحد أقوى وأرقى مراكز إنتاج المعرفة التقنية في العالم، منافساً بقوة مختبرات تاريخية مثل ديب مايند التابعة لغوغل وأبحاث مايكروسوفت، ومثبتاً أن الاستثمار في العلم الأساسي غير المقيد بالأهداف التجارية هو المحرك الحقيقي للابتكارات الجذرية.

8.2 ترسيخ ثقافة النشر العلمي المفتوح والمصادر الحرة

كان الإنجاز الإداري والأخلاقي الأكبر ليان ليكون في مختبر FAIR هو فرضه المطلق لثقافة “العلم المفتوح” (Open Science) والبرمجيات مفتوحة المصدر (Open Source)، متحدياً بذلك التقاليد الصارمة لسرية الأبحاث وبراءات الاختراع الاحتكارية التي كانت تفرضها الشركات التكنولوجية الكبرى في وادي السيليكون. سن ليكون سياسة مؤسسية غير مسبوقة تُلزم باحثي FAIR بنشر كافة أوراقهم ونتائجهم النظرية والتطبيقية بالكامل في الأرشيفات الرقمية العامة مثل موقع arXiv بالتزامن مع إرسالها للتحكيم، وقبل حتى حصولها على الموافقات النهائية في المؤتمرات الدولية.

علاوة على ذلك، فرض ليكون إتاحة الأكواد البرمجية البرمجية، والمكتبات الحسابية، والأوزان والمعلمات التأسيسية للنماذج مجاناً لمجتمع البحث العلمي العالمي عبر منصات المصادر الحرة مثل غيت هاب (GitHub). ومارس ضغوطاً استراتيجية متواصلة داخل مجلس إدارة الشركة لمنع تسجيل براءات اختراع احتكارية على الخوارزميات والمعادلات الرياضية الأساسية للتعلم العميق، مؤمناً بأن المعرفة الرياضية هي ملكية إنسانية مشتركة لا يجوز لأي شركة احتكارها، وأن محاولة حجب الخوارزميات ستقود حتماً إلى إبطاء وتيرة التقدم العلمي للبشرية جمعاء.

أثمرت هذه الفلسفة المفتوحة التي رسخها ليكون تسريعاً هائلاً لوتيرة التطور التكنولوجي العالمي؛ حيث مكنت مئات الآلاف من الباحثين والجامعات والمشاريع الناشئة في الدول النامية والمتقدمة على حد سواء من البناء المباشر على أحدث ما توصلت إليه مختبرات ميتا دون أي عوائق قانونية أو مالية. وبلغت هذه الرؤية ذروتها مع الإطلاق المفتوح لأطر عمل كبرى مثل PyTorch، وصولاً إلى سلسلة نماذج LLaMA مفتوحة المصدر التي قادت ثورة دمقرطة النماذج اللغوية الكبيرة وأحدثت توازناً استراتيجياً حاسماً في مواجهة النزعات الاحتكارية المغلقة لشركات مثل أوبن إيه آي (OpenAI) وغوغل.

8.3 الانتقال إلى منصب كبير علماء الذكاء الاصطناعي وتوجيه الرؤية الكلية

في مطلع عام 2018، وبعد أن رسخ الهياكل البنيوية لمختبر FAIR ونجاحه في تثبيته كمؤسسة بحثية عملاقة، قرر يان ليكون التخلي عن المهام الإدارية والتنفيذية اليومية لإدارة المختبر ليتفرغ تماماً لدور فكري وإشرافي أوسع، حيث استحدثت له شركة ميتا منصب “كبير علماء الذكاء الاصطناعي” (Chief AI Scientist). أتاح له هذا المنصب الاستثنائي التحليق فوق التفاصيل التشغيلية والتفرغ الكامل لصياغة التوجهات النظرية الكبرى والاستراتيجية التكنولوجية بعيدة المدى للشركة والمجال العلمي بأسره.

ركز ليكون في منصبه الجديد على التجسير المنهجي بين علوم الحاسوب وعلوم الأعصاب والعلوم المعرفية المعاصرة، محدداً بدقة المعضلات الهيكلية والعوائق الإبستمولوجية التي تمنع النظم الحالية من الارتقاء إلى مستوى الذكاء البشري الحقيقي. قاد ليكون فرق الأبحاث نحو التركيز الاستراتيجي على مجالات “فهم الفيديو غير الخاضع للإشراف”، و”التعلم متعدد الوسائط” (Multimodal Learning)، و”الاستدلال الفيزيائي البديهي”، موجهاً الباحثين نحو تفكيك أوهام النجاح السطحي للنماذج الإحصائية الخاضعة للإشراف، ومحفزاً إياهم على الغوص في الأسئلة العميقة المتعلقة بكيفية بناء أنظمة تكتسب “المنطق السليم” (Common Sense) عبر تفاعلها الحيوي والمستمر مع تدفق البيانات البيئية.

دافع ليكون بشراسة ومثابرة من موقعه ككبير للعلماء عن الأبحاث الهادفة إلى “الفهم العميق” للظواهر بدلاً من الارتكان إلى ما يسميه بالحلول الترقيعية المؤقتة القائمة على استهلاك تريليونات التوكينات النصية وتكبير حجم النماذج الحالية دون تغيير معماريتها الأساسية. وباتت تقاريره الاستراتيجية ووثائقه النظرية الموجه الرئيسي الذي يحدد أين يجب أن تُضخ مليارات الدولارات من موارد الحوسبة والأبحاث داخل ميتا لتشييد الجيل التالي من العقول الاصطناعية المستقلة، مؤكداً حضوره الدائم كبوصلة فكرية لا غنى عنها في خضم العواصف التقنية والضجيج الإعلامي الذي يجتاح وادي السيليكون.

9. التعلم ذاتي الإشراف (Self-Supervised Learning) كبديل للإشراف البشري

9.1 أوجه القصور المعرفية للتعلم الخاضع للإشراف الكامل

على الرغم من النجاحات الباهرة التي حققتها الشبكات العصبية الالتفافية والتعلم العميق في تصنيف الصور وترجمة النصوص والتعرف على الكلام، كان يان ليكون أول من رفع الصوت عالياً للتحذير من “عنق الزجاجة المعرفي” القاتل الذي يكبّل نموذج التعلم الخاضع للإشراف الكامل (Supervised Learning). يتمثل هذا القصور الهيكلي في الاعتماد المطلق على التدخل البشري لموسمة وعنونة مليارات البيانات التدريبية بدقة متناهية (مثل تصنيف مسبق لكل صورة: “هذا قط”، “هذا كلب”، أو وضع مربعات إحاطة حول كل جسم).

جادل ليكون بأن هذا النمط من التعلم هش للغاية، ومكلف حسابياً واقتصادياً لدرجة تجعل من المستحيل تعميمه ليشمل كافة تفاصيل العالم الواقعي؛ فالأنظمة المدربة بهذه الطريقة تصبح مجرد آلات متطورة لمطابقة الأنماط (Pattern Matchers) السطحية، وتعاني من عجز مأساوي عن التكيف عندما تواجه سيناريوهات جديدة أو توزيعات بيانية تنحرف قليلاً عما تدربت عليه (Out-of-Distribution Data). إنها تفتقر تماماً إلى أي فهم سياقي أو استيعاب عميق للقوانين غير المرئية التي تحكم الظواهر التي تصنفها.

هنا أطلق ليكون استعارته الشهيرة والتاريخية في مجتمع الذكاء الاصطناعي والمعروفة بـ “كعكة التعلم” (The Learning Cake Analogy) لشرح التوزيع الإبستمولوجي لأنماط الذكاء. شبه ليكون الذكاء الاصطناعي الحقيقي بكعكة عملاقة تتكون من طبقات متباينة الأهمية:

• قالب الكعكة الضخم (The Bulk of the Cake): هو “التعلم ذاتي الإشراف” (أو التعلم غير الخاضع للإشراف)، حيث تكتسب المنظومة مليارات البتات من المعلومات الحيوية حول بنية العالم وقوانينه الفيزيائية بمفردها ودون أي إرشاد خارجي.
• الطبقة السكرية الخارجية للكعكة (The Icing on the Cake): هي “التعلم الخاضع للإشراف”، والذي لا يقدم للنظام سوى بضعة آلاف إلى ملايين البتات من المعلومات المحددة لمساعدته في مطابقة المفاهيم بمسمياتها اللغوية.
• حبة الكرز فوق الكعكة (The Cherry on Top): هي “التعلم التعزيزي” (Reinforcement Learning)، الذي يقدم فتاتاً شحيحاً جداً من المعلومات (مجرد مكافأة أو عقاب من بضعة بتات) بعد آلاف المحاولات الحسابية المجهدة.

وخلص ليكون إلى نتيجة قاطعة: إذا أردنا بناء ذكاء حقيقي، فعلينا أن نتوقف عن محاولة صنع الكعكة من الكرز وحده، وأن نكرس كافة جهودنا لفهم وصناعة قالب الكعكة ذاته: التعلم ذاتي الإشراف.

9.2 التعلم التنبئي كآلية لمحاكاة الفهم الفطري للعالم

قدم ليكون “التعلم التنبئي” (Predictive Learning) كجوهر عملياتي وفلسفي لتحقيق التعلم ذاتي الإشراف. تنطلق هذه الآلية من مبدأ مدهش في بساطته وقوته: تدريب الشبكة العصبية على استنتاج الأجزاء المفقودة أو المستقبلية من المدخلات الحسية باستخدام الأجزاء المتاحة أو السابقة، دون الحاجة لأي تسميات أو تدخل بشري. فإذا أظهرت للنظام جزءاً من مقطع فيديو، يُطلب منه التنبؤ بالإطارات التالية؛ وإذا أخفيت جزءاً من صورة، يُطلب منه استعادة المشهد المخفي بناءً على السياق العام المحيط.

تستند هذه الرؤية مباشرة إلى تجارب وملاحظات علم النفس التنموي والنمو المعرفي لدى الرضع؛ فالأطفال البشر لا يتعلمون كيفية عمل العالم من خلال تلقينهم أسماء الأشياء من قبل والديهم طوال اليوم، بل يتعلمون الغالبية الساحقة من المفاهيم الأساسية في الأشهر الأولى من حياتهم بمجرد المراقبة السلبية والمستمرة للتدفق البصري والفيزيائي للبيئة المحيطة. عبر هذه الملاحظة التنبؤية الذاتية، يبني الرضيع تمثيلات داخلية عميقة تستوعب مفاهيم فيزيائية معقدة مثل “دوام الأشياء” (Object Permanence)؛ حيث يدرك الطفل أن الجسم إذا توارى خلف حاجز فإنه يظل موجوداً، ويكتشف مفاهيم الجاذبية، وتماسك الأجسام الصلبة، وعدم قدرة الأشياء على الانتقال الآني عبر الفضاء.

لتطبيق هذا المبدأ حاسوبياً، طور ليكون وزملاؤه تقنيات رياضية تعتمد على “التعلم التبايني” (Contrastive Learning) ومقاييس التوافق الرياضي غير التباينية، التي تدرب الشبكة على تقريب التمثيلات المشفرة للنسخ المختلفة أو المشوهة من نفس الصورة في الفضاء الهندسي الكامن، مع إبعاد تمثيلات الصور المتباينة. أتاح هذا الأسلوب الرياضي للشبكات العصبية العميقة بناء فضاءات دلالية مجردة وفائقة الثراء تعكس البنية الحقيقية للعالم المرئي دون قراءة كلمة نصية واحدة ودون استهلاك تسمية بشرية يتيمة، محاكياً بدقة طريقة صياغة العقل الحيواني والبشري لخرائطه المعرفية الأولى.

9.3 التطبيقات المتقدمة في الرؤية والصوت واللغات الحيوية

أطلقت الثورة التي قادها ليكون في مجال التعلم ذاتي الإشراف موجة من التطبيقات المتقدمة والابتكارات المعمارية التي غيرت وجه معالجة الإشارات المتعددة؛ ففي مجال الرؤية الحاسوبية، فتح التعلم التنبئي الباب واسعاً أمام النماذج لفهم وتحليل مقاطع الفيديو المستمرة على نطاقات غير مسبوقة. أصبحت الشبكات قادرة على توقع التدفق البصري وحركات الأجسام في الثانية التالية بدقة متناهية، مما مكّن الروبوتات والمركبات ذاتية القيادة من استشعار المخاطر وتوقع مسارات المشاة قبل وقوعها، متجاوزة الاعتماد السطحي على الصور الثابتة إلى استيعاب فيزياء الحركة المستمرة.

امتدت هذه المنهجية بنجاح منقطع النظير إلى مجال معالجة الإشارات الصوتية واللغوية الحيوية؛ حيث قاد باحثو مختبر FAIR استلهاماً لأطروحات ليكون تطوير نماذج مثل wav2vec، التي تعتمد كلياً على التعلم ذاتي الإشراف لاستخراج السمات الصوتية والدلالية العميقة من آلاف الساعات من التسجيلات الصوتية الخام دون الحاجة لأي نسخ نصي يدوي مسبق. نجح هذا النموذج في تعلم الفونيمات والقواعد الصوتية لمئات اللغات واللهجات الإنسانية النادرة والمحكية غير المكتوبة بدقة تضاهي الأنظمة الخاضعة للإشراف، محققاً قفزة تاريخية في تمكين الترجمة الشاملة بين لغات العالم.

ولم تتوقف التطبيقات عند حدود الإدراك الحسي التقليدي، بل امتدت لتشمل “لغات الطبيعة الحيوية” والبيولوجيا الجزيئية؛ حيث تم تطبيق نفس مبادئ التعلم ذاتي الإشراف لليكون للتنبؤ ببنية البروتينات المعقدة وسلاسل الأحماض الأمينية وتسلسلات الحمض النووي (DNA) في مشاريع مثل ESM (Evolutionary Scale Modeling). أثبتت هذه النماذج أن معالجة البيانات الجزيئية بوصفها تدفقات بيولوجية تحمل بنية دلالية ضمنية سمح للذكاء الاصطناعي بالتنبؤ بخصائص الطفرات الجينية وتصميم أدوية جديدة بفعالية فائقة وسرعة قياسية، مؤكدة صحة أطروحة ليكون بأن التعلم ذاتي الإشراف هو المفتاح الكوني لفك شفرة كافة الأنظمة التكيفية المعقدة في الكون.

10. معمارية أجهزة التضمين التنبؤية المشتركة (JEPA) ونماذج العالم

10.1 ورقة “طريق نحو الذكاء المستقل” وتأسيس معمارية JEPA

في يونيو من عام 2022، نشر يان ليكون وثيقة فكرية واستراتيجية بالغة الأهمية والتأثير بعنوان: “طريق نحو الذكاء المستقل” (A Path Towards Autonomous Machine Intelligence). مثلت هذه الورقة بياناً نقدياً ومعمارياً شاملاً حدد فيه ليكون بوضوح الإخفاقات الهيكلية التي تعاني منها نماذج الذكاء الاصطناعي الحالية—بما فيها النماذج التوليدية التلقائية (Generative Auto-Regressive Models)—واقترح بديلاً نظرياً جذرياً يتمثل في معمارية برمجية أطلق عليها اسم: معمارية أجهزة التضمين التنبؤية المشتركة (Joint Embedding Predictive Architecture – JEPA).

تنبثق معمارية JEPA من نقد تقني عبقري وجهه ليكون للنماذج التوليدية التقليدية، مثل المشفرات التلقائية (Autoencoders) وشبكات GAN والنماذج الانتشارية (Diffusion Models)؛ حيث تعمل كافة هذه النماذج على محاولة التنبؤ أو إعادة بناء المشهد في “فضاء البكسلات” التفصيلي (Pixel Space). جادل ليكون بأن هذا النهج ينطوي على هدر حسابي هائل وغير ضروري، ويقود إلى تعقيدات لا طائل منها؛ فإذا كان لدينا مقطع فيديو لمشهد طبيعي تهب فيه الرياح على شجرة، فإن محاولة التنبؤ بحركة كل ورقة شجر وبكسلات النسيج الدقيق لموجات العشب تتطلب طاقة حوسبية هائلة وتمثل مهمة شبه مستحيلة بسبب الطبيعة العشوائية والفوضوية لتلك التفاصيل غير الجوهرية للبيئة المحيطة.

تتخلص معمارية JEPA من هذا القيد عبر نقل عملية التنبؤ بالكامل من “فضاء البكسلات السطحي” إلى “فضاء التمثيل الدلالي المجرد” (Abstract Representation Space). تتكون المعمارية من مشفرين متوازيين (Encoders) يقومان بتحويل المدخلات الحسية المختلفة إلى متجهات تضمين كامنة؛ حيث يُطلب من النظام التنبؤ بالتمثيل الدلالي الكامن للجزء المفقود من المشهد انطلاقاً من التمثيل الكامن للجزء المرصود، متجاهلاً تماماً إعادة بناء التفاصيل الهندسية العشوائية غير المهمة. هذا التحول المعماري العبقري جعل النماذج تركز فقط على “المعنى” والمفاهيم الكلية الحاكمة للمشهد، متجاوزة الهلوسة البصرية ومحققة كفاءة حسابية غير مسبوقة في فهم البنى العميقة للواقع.

10.2 مفهوم “نموذج العالم” (World Model) والتفكير الاستدلالي

يمثل مفهوم “نموذج العالم” (World Model) النواة الفلسفية والإدراكية الأهم في معمارية JEPA ورؤية ليكون للذكاء المستقل. يرى ليكون أن الكائن الحي—سواء كان قطة أو إنساناً—لا يتصرف في بيئته بصورة ردود أفعال عشوائية ومباشرة، بل يمتلك داخل جهازه العصبي “محاكاة داخلية” أو نموذجاً عقلياً مجرداً يحاكي القوانين الفيزيائية والسببية الأساسية للعالم الخارجي. هذا النموذج يسمح للكائن بتوقع تداعيات أفعاله والتنبؤ بكيفية تطور البيئة قبل اتخاذ أي حركة مادية على أرض الواقع.

تتطابق هذه الرؤية الهندسية لليكون تطابقاً مذهلاً مع النظريات المركزية لعلم النفس المعرفي، لا سيما أطروحة جان بياجيه حول “المخططات الذهنية” (Mental Schemas) وتجارب كينيث كريك حول النماذج العقلية للواقع الصادرة عام 1943. يتكون نموذج العالم المقترح في بنية ليكون من ست وحدات برمجية متفاعلة هرمياً:

• وحدة التكوين الإدراكي (Perception Module): تستقبل الإشارات الحسية وترقيها إلى تمثيلات دلالية كامنة.
• وحدة نموذج العالم (World Model Module): تتنبأ بالحالات المستقبلية المحتملة للعالم بناءً على مسارات الأفعال المقترحة من الفاعل.
• وحدة التكلفة أو الدافع (Cost / Critic Module): تقيس مدى تلاؤم النتائج المتوقعة مع أهداف النظام، بما في ذلك تفادي المخاطر وتحقيق الأمان والرغبات الحيوية.
• وحدة الممثل التنفيذي (Actor Module): تصمم وتبتكر تسلسلات الأفعال المقترحة لتصغير دالة التكلفة.
• وحدة الذاكرة قصيرة وطويلة المدى (Memory Module): تخزن السوابق التاريخية لتحديث الحالة الكامنة للنموذج.
• وحدة الضبط التكويني (Configurator Module): توجه الانتباه الهرمي للأهداف الحالية وتضبط معاملات كافة الوحدات الأخرى ديناميكياً.

يتيح هذا التكوين المعماري للآلة ممارسة “التفكير الاستدلالي والتخطيط متعدد المراحل” (Hierarchical Planning)؛ فبدلاً من توليد إجابات عمياء بالكلمة التالية، تستطيع الآلة استعراض سيناريوهات متعددة في فضاء تمثيلها الداخلي، وتقييم نتائج كل سيناريو عبر دالة التكلفة، ثم اختيار المسار السلوكي الأمثل لتحقيق الهدف، تماماً كما يفكر لاعب الشطرنج الماهر قبل تحريك قطعة، أو كما يخطط سائق المركبة لتجاوز منعطف خطر على الطريق.

10.3 تطبيقات V-JEPA و I-JEPA في الإدراك البصري التجريدي

لم تتأخر شركة ميتا في ترجمة وثيقة ليكون النظرية إلى نماذج حسابية تجريبية برهنت عملياً على صحة أطروحته الثورية؛ ففي يونيو 2023، أطلق مختبر FAIR نموذج I-JEPA (Image-based Joint Embedding Predictive Architecture)، وهو أول نموذج بصري يعتمد كلياً على مبادئ JEPA في معالجة الصور الثابتة. أظهر I-JEPA قدرة مذهلة على تعلم التضمينات المكانية التجريدية وفهم العلاقات الهندسية المعقدة دون الحاجة لأي محاولات توليدية للبكسلات، متفوقاً في دقة التعرف واستقرار التمثيل الدلالي على كافة النماذج البصرية الكبرى السابقة مثل MAE، ومع استهلاك جزء ضئيل جداً من الموارد الحسابية ووقت التدريب.

في مطلع عام 2024، خطت الرؤية خطوة أعمق نحو محاكاة الديناميكا الحقيقية للعالم مع إطلاق نموذج V-JEPA (Video-JEPA)، الموجه خصيصاً لمعالجة مشاهد الفيديو وفهم التفاعلات الفيزيائية والحركية المتتابعة عبر الزمن. تم تدريب V-JEPA عبر إخفاء مقاطع مكانية وزمنية ضخمة من الفيديو، ومطالبة النموذج بالتنبؤ بتمثيلاتها الكامنة المجردة في المستقبل والماضي المتوازي. استطاع النموذج بصورة مدهشة وغير خاضعة لأي إشراف تكوين فهم داخلي متين للمفاهيم الفيزيائية الكونية البديهية؛ مثل الانحدار والتدحرج، والجاذبية الأرضية، وتصادم الأجسام الصلبة، واختفاء الكائنات خلف الجدران وظهورها مجدداً.

شكلت هذه النماذج البرهان التقني الحاسم على أن استراتيجية ليكون البديلة لنماذج التوليد الذاتي التلقائي ليست مجرد تنظيرات فلسفية مجردة، بل هي مسار هندسي قابل للتطبيق والتوسع الفائق. لقد أثبتت V-JEPA أن بناء تمثيلات دلالية في فضاءات التضمين الكامنة يمنح الآلات فهماً حقيقياً وعميقاً لـ “فيزياء الواقع”، مؤسساً لأول مرة لمنظومات ذكاء اصطناعي تفهم العالم المرئي بعيون تشبه عيون الكائنات الحية، وتمهد الطريق نحو عصر الروبوتات المستقلة القادرة على التفاعل الحركي الذكي والموثوق مع البيئات الفيزيائية المعقدة دون خوف من المفاجآت أو التخبط العشوائي.

11. النقد الفلسفي والمعرفي للنماذج اللغوية الكبيرة (LLMs)

11.1 أزمة الهلوسة وغياب الفهم الفيزيائي في النماذج التوليدية التلقائية

مع الصعود الصاروخي والانتشار الجماهيري الكاسح لـ النماذج اللغوية الكبيرة (Large Language Models – LLMs) التوليدية التلقائية مثل أسر نماذج GPT التي طورتها أوبن إيه آي ونماذج كلود وجيميني، اتخذ يان ليكون موقفاً نقدياً ومعرفياً فريداً اتسم بالصرامة العلمية والسباحة ضد التيار الاحتفالي السائد في وادي السيليكون ووسائل الإعلام العالمية. صرح ليكون بجرأة لا لبس فيها بأن النماذج اللغوية التلقائية—رغم فائدتها التطبيقية والطلاقة اللغوية السطحية المبهرة التي تبديها—لا تمثل على الإطلاق المسار الصحيح للوصول إلى الذكاء الاصطناعي العام الحقيقي، واصفاً إياها بأنها “طريق جانبي مقطوع” (An Off-Ramp) سينتهي حتماً إلى طريق مسدود.

استند ليكون في تشخيصه التشريحي لهذه النماذج إلى طبيعتها الرياضية الجوهرية كأنظمة تنبؤ إحصائي تلقائي بالرمز أو الكلمة التالية (Auto-Regressive Token Prediction)؛ حيث تصاغ دالة التوزيع الرياضي لحساب احتمال الكلمة اللاحقة بناءً على الكلمات السابقة:

P(W_n | W_n-1, W_n-2, …, W₁)

أوضح ليكون أن هذه الآلية تعني بالضرورة أن كل خطوة تنبؤية جديدة تنطوي على احتمالية خطأ ضئيلة غير صفرية (ε). ومع استمرار النموذج في توليد تسلسل طويل من الإجابات، تتراكم احتمالات الخطأ هندسياً وتتضاعف أسياً، مما يقود النموذج حتماً وبشكل رياضي لا مفر منه إلى الانحراف عن الحقيقة والوقوع في ما يُعرف بـ “الهلوسة” (Hallucination)، واختلاق وقائع وأحداث زائفة بثقة تامة.

أكد ليكون أن ظاهرة الهلوسة ليست مجرد عيب برمجي عابر يمكن حله بالهندسة اللاحقة أو بضخ مزيد من مليارات الدولارات للتدريب التعزيزي البشري (RLHF)، بل هي “خلل بنيوي وجوهري حتمي” في صلب المعمارية الرياضية التلقائية. فالنماذج اللغوية لا تمتلك نموذجاً داخلياً للواقع الفيزيائي، ولا تدرك معنى الكلمات التي ترصها خلف بعضها البعض، وتفتقر إلى القدرة على التفكير التخطيطي والاستدلال المنطقي المسبق قبل إطلاق الرموز، مما يجعلها عاجزة هيكلياً عن التمييز بين الحقيقة الواقعية والثرثرة الإحصائية المنمقة.

11.2 الفجوة بين الذكاء البشري والحيواني والذكاء الرمزي للآلة

في إطار مقاربته السيكولوجية للمقارنة بين الأنظمة البيولوجية والأنظمة التقنية، صاغ يان ليكون مقارنة بيولوجية ملهمة كشفت عن الفجوة المعرفية العميقة التي تفصل أكثر النماذج اللغوية تطوراً عن أبسط الكائنات الحية في الطبيعة. أشار ليكون إلى أن طفلاً بشرياً يبلغ من العمر أربع سنوات فقط، أو حتى قطة منزلية صغيرة، يمتلك قدراً من الفهم المنطقي والفيزيائي للواقع لا ترقى إليه كافة النماذج اللغوية الكبيرة مجتمعة بكل مليارات معلماتها وترليونات التوكينات التي ابتلعتها خوادمها.

أجرى ليكون حساباً إبستمولوجياً بسيطاً وصادماً لكميات تدفق البيانات الحسية:

• الطفل البشري في سن الرابعة يكون قد عاش واستقبل عبر شبكية عينيه وجهازه العصبي الحسي تدفقاً بصرياً مستمراً يُقدر بحوالي 10¹⁴ إلى 10¹⁵ بايت من المعلومات الفيزيائية الحركية الغنية بالتفاصيل المكانية والسببية ثلاثية الأبعاد.
• في المقابل، فإن إجمالي المحتوى النصي المكتوب في العالم بأسره—بما في ذلك كل صفحات ويكيبيديا وملايين الكتب الرقمية والأوراق العلمية التي تُدرب عليها النماذج اللغوية مثل GPT-4—لا يتجاوز حوالي 10¹³ بايت من البيانات النصية المسطحة أحادية البعد.

استنتج ليكون من هذه المقارنة أن اللغة البشرية المكتوبة، رغم أهميتها التعبيرية القصوى لنقل الثقافة، تمثل وسيطاً شديد الفقر ومحدوداً للغاية لنقل المعرفة الحقيقية بالواقع الفيزيائي؛ فالغالبية الساحقة من المعرفة الإنسانية والمعرفية الفطرية هي معرفة حركية-حسية غير لغوية ولا يمكن تدوينها بالكلمات (مثل كيفية حفظ التوازن، أو توقع سقوط الأجسام، أو فهم تعابير الوجوه). بناءً على ذلك، يرى ليكون أن محاولة بناء ذكاء اصطناعي عام بالاعتماد الحصري على تدريب محولات النصوص التوليدية هي محاولة فاشلة ومقلوبة رأساً على عقب؛ فالذكاء الحقيقي يجب أن يتأسس أولاً على الفهم الحسي-الحركي الفيزيائي للواقع كما هو لدى الحيوان والطفل، وعندها فقط يمكن تركيب طبقة اللغة والرموز فوق ذلك الأساس المعرفي المتين.

11.3 السجالات العلمية المفتوحة مع رواد الذكاء الاصطناعي المعاصرين

أشعلت مواقف يان ليكون النقدية الصريحة سلسلة من السجالات والمناظرات العلمية العلنية والمحتدمة عبر منصات التواصل الاجتماعي وفي أروقة المؤتمرات العالمية الكبرى مع عدد من أبرز قادة الذكاء الاصطناعي المعاصرين؛ حيث اصطدم ليكون في نقاشات فكرية حادة مع رفيق دربه التاريخي جيفري هينتون، ومع علماء آخرين مثل إيليزر يودكوفسكي ويوشوا بنجيو، الذين أطلقوا تحذيرات وجودية مدوية تحذر من أن الذكاء الاصطناعي قد يطور وعياً ذاتياً خارجاً عن السيطرة ويهدد بفناء البشرية في المدى القريب.

تصدى ليكون بشراسة وعقلانية لهذه النزعات التهويلية، واصفاً أطروحات “الخطر الوجودي الوشيك” (Existential Risk – X-Risk) بأنها محض مبالغات غير واقعية ومستوحاة من أفلام الخيال العلمي البائس، ولا تستند إلى أي حقيقة رياضية أو علمية رصينة. فكك ليكون هذه المخاوف موضحاً أن الأنظمة الحاسوبية الحالية—بما فيها أضخم النماذج التوليدية—تفتقر هيكلياً إلى دوافع الإرادة، وغرائز البقاء، والسيطرة الذاتية، والخوف من الموت، وهي الغرائز البيولوجية التطورية التي تنفرد بها الكائنات الحية نتاج ملايين السنين من الانتقاء الطبيعي للحفاظ على الجينات. إن الآلات كائنات حوسبية تتبع دوال الهدف الرياضية التي نحددها نحن لها، ومن ثم فإن الحديث عن شرورها الذاتية هو خلط ساذج بين الأداة الرياضية والدافع البيولوجي.

علاوة على ذلك، خاض ليكون معركة شرسة للدفاع عن “دمقرطة الذكاء الاصطناعي” وفتح مصادره البرمجية للجميع، موجهاً انتقادات لاذعة للشركات التي تستغل فزاعة “الخطر الوجودي” لممارسة ضغوط تشريعية واحتكارية (Regulatory Capture) تهدف إلى إغلاق المجال وحظر النماذج المفتوحة المصدر تحت ذريعة حماية الأمن القومي والبشري. أكد ليكون أن تحصين البشرية ضد مخاطر التقنية لا يتم عبر احتكارها من قبل حفنة من الشركات المغلقة في كاليفورنيا، بل عبر إتاحة الكود البرمجي والأبحاث بشفافية مطلقة لكافة علماء العالم، مما يسمح باكتشاف الثغرات وتطوير دفاعات مضادة وجعل الذكاء الاصطناعي بنية تحتية آمنة ومتاحة لكافة الحضارات والثقافات الإنسانية دون استثناء.

12. الإرث الإبستمولوجي والرؤية المستقبلية للذكاء الاصطناعي العام (AGI)

12.1 خارطة طريق ليكون نحو ذكاء بمستوى العقل البشري (AMI)

في مسعاه لإعادة توجيه البوصلة التكنولوجية العالمية، يرفض يان ليكون استخدام المصطلح الشائع والغامض “الذكاء الاصطناعي العام” (Artificial General Intelligence – AGI)؛ ويرى أنه مصطلح مضلل ومبهم نظراً لعدم وجود ذكاء بشري عام بالمطلق، بل حتى البشر يمتلكون قدرات معرفية متخصصة ومقيدة بطبيعتهم البيولوجية. وبدلاً من ذلك، اقترح ليكون مصطلحاً أكثر دقة وعلمية: “الذكاء بمستوى العقل الإنساني” (Advanced Machine Intelligence – AMI)، واضعاً خارطة طريق تقنية ومعمارية محددة المعالم لتحقيقه خلال العقود القادمة.

ترتكز خارطة طريق ليكون نحو AMI على بنية معيارية غير تلقائية تتألف من الوحدات الست المتكاملة التي أسس لها في ورقة JEPA، وتعتمد على تدريب الأنظمة عبر التعلم ذاتي الإشراف على استيعاب نماذج العالم متعددة الوسائط. وتتمثل النقطة الثورية والجوهرية في تصميمه المستقبلي في كيفية تحقيق الأمان والتحكم؛ حيث يشترط ليكون أن يتم توجيه سلوك الآلة الاستدلالي بالكامل عبر “دوال تكلفة صلبة ومبرمجة مسبقاً” (Hardwired Intrinsic Cost Functions) تمثل منظومة الأمان والقيم الأخلاقية العليا التي يستحيل على النظام تجاوزها رياضياً أو الالتفاف عليها أثناء عمليات التخطيط والاستدلال.

يتيح هذا التصميم المعماري للآلة تحقيق الاستقلال الذاتي التكيفي والقدرة على “التعلم المستمر مدى الحياة” (Lifelong Continuous Learning) دون الوقوع في معضلة “النسيان الكارثي” (Catastrophic Forgetting) التي تصيب الشبكات الحالية عند تعلم مهام جديدة؛ فالنظام يقوم بتحديث نموذجه الداخلي للواقع باستمرار مع تدفق التجارب الحياتية والملاحظات الفيزيائية الجديدة، مستخدماً التخطيط الهرمي لتفكيك المهام الكبرى المعقدة إلى سلاسل من الأهداف الفرعية القابلة للحل، ومؤسساً لجيل قادم من العقول الاصطناعية التي تجمع بين العقلانية الرياضية الصارمة والقدرة التكيفية الفطرية للإدراك الحيواني والبشري الرفيع.

12.2 الأثر المستدام على العلوم المعرفية وعلم الأعصاب الحاسوبي

تجاوز التأثير الفكري والمعرفي ليان ليكون حدود الهندسة البرمجية وعلوم الحاسوب البحتة ليحدث تحولاً إبستمولوجياً عميقاً في بنية العلوم المعرفية المعاصرة وعلم الأعصاب الحسابي (Computational Neuroscience). فعلى مدار عقود طويلة، كان علماء الأعصاب وعلماء النفس التجريبي يفتقرون إلى نماذج حاسوبية عاملة وقابلة للاختبار التجريبي تحاكي كيفية تنظيم الدماغ للمعالجة البصرية والإدراكية المعقدة، وكانت النظريات السيكولوجية تظل في الغالب أسيرة التوصيفات اللغوية التجريدية المجردة من التحقق العددي.

جاءت الشبكات العصبية الالتفافية والمعماريات العميقة التي صممها ليكون لتقدم للعلماء مختبراً سيبرانياً ثورياً وغير مسبوق؛ حيث أثبتت الدراسات الفسيولوجية العصبية الحديثة التي أجريت في معاهد مثل إم آي تي وهارفارد أن التنشيطات الرياضية الداخلية للعصبونات الاصطناعية في طبقات شبكات ليكون تتطابق تطابقاً تنبؤياً إحصائياً مذهلاً مع التسجيلات العصبية الفعلية للأقطاب المزروعة في القشرة البصرية للمختبرات الحيوانية في المناطق V1 وV2 وV4 والقشرة الصدغية السفلية (IT). تحولت شبكات ليكون بذلك إلى “أداة إبستمولوجية” لا غنى عنها لاختبار الفرضيات السيكولوجية وتفسير كيفية توليد الدماغ للثبات الإدراكي والتعرف الفوري على الأشكال والوجوه.

علاوة على ذلك، ساهمت أطروحات ليكون في إعادة صياغة جذرية لنظرية المعرفة التجريبية (Empirical Epistemology) في الفلسفة الحديثة؛ إذ أثبت عبر الخوارزميات الرياضية أن العقل لا يبدأ كـ “لوحة بيضاء” مطلقة (Tabula Rasa) كما نادى بذلك التجريبيون السذج، ولا يولد مشبعاً بالأفكار الفطرية التوليدية المعقدة كما نادى بذلك العقلانيون المنطقيون والرمزيون، بل يولد بـ “انحياز استقرائي مسبق” (Inductive Bias) يتمثل في المعمارية الهندسية البيولوجية المرنة، والتي تمكنه عبر التعلم الإحصائي التكيفي من استخلاص واكتساب بنية الكون المعرفية بمفرده. خلد هذا الإنجاز اسم يان ليكون في تاريخ الفكر كأحد أعظم المعماريين الذين نجحوا في مد جسر رياضي وهندسي متين بين المادة الفيزيائية الصماء وعوالم الإدراك والفكر السيبراني الرفيع.

12.3 الخلاصة التركيبية لمسيرة يان ليكون وتأثيرها على الحضارة الرقمية

تمثل مسيرة يان ليكون العلمية التي تمتد لأكثر من أربعة عقود ملحمة معرفية فريدة تروي قصة انتصار البصيرة العلمية الثاقبة ضد الإجماع الأرثوذكسي السائد. فمن بداياته المنعزلة في أروقة جامعة بيير وماري كوري بباريس في أوائل الثمانينيات، واشتغاله وحيداً على معادلات الانتشار الخلفي للخطأ في وقت كانت فيه الأوساط الأكاديمية تسخر من الاتصالية والشبكات العصبية، إلى صموده التاريخي في مختبرات بل وجامعة نيويورك، استطاع ليكون بمفرده وبمعاونة رفاق دربه القلائل إعادة توجيه مسار التاريخ التكنولوجي للحضارة الإنسانية بأسرها.

لقد كان ابتكاره للشبكات العصبية الالتفافية (CNNs) وتصميمه لمعمارية LeNet الاختراق التاريخي الحقيقي الذي أخرج الذكاء الاصطناعي من سراديب الفشل والوعود الكاذبة إلى عالم الحقائق الهندسية الملموسة التي لا تقبل الشك؛ فبفضل هذه المعمارية الموزعة وتشارك الأوزان الرياضي، تحولت الحواسيب من مجرد آلات حاسبة خرساء إلى كينونات رقمية تمتلك القدرة على “الرؤية”، والتحليل، واستيعاب العالم المرئي بدقة تجاوزت في كثير من الأحيان القدرات الطبيعية للإنسان. وتعتمد كافة محركات البحث، والمركبات ذاتية القيادة، وأنظمة التشخيص الطبي الإشعاعي، والشبكات الاجتماعية، والأقمار الصناعية الحديثة اليوم بشكل مباشر على المبادئ التي صاغها ونفذها ليكون قبل أكثر من ثلاثين عاماً.

ورغم بلوغه قمة المجد الأكاديمي وتتويجه بجائزة تورنغ وقيادته العلمية لأكبر مختبرات العالم في ميتا، يرفض ليكون الركون إلى إنجازات الماضي أو مجاراة الهوس الجماهيري المؤقت بالنماذج اللغوية الحالية؛ بل يواصل، بذات الروح الراديكالية والمتمردة التي بدأ بها شبابه، تحطيم الأوهام التقنية وتقديم البدائل المعمارية الجريئة عبر نماذج JEPA ونماذج العالم، سعياً وراء تحقيق حلمه الأكبر في بناء عقول اصطناعية مستقلة تفهم الواقع، وتمتلك المنطق السليم، وتعمل في تناغم آمن لخدمة البشرية. إن يان ليكون لم يكن مجرد باحث عبقري نال أرفع الجوائز، بل سيبقى في سجلات التاريخ بمثابة الأب الروحي والمهندس المعماري الأعظم الذي فكك أغلال الرمزية العقيمة وشيد الركائز الهيكلية الدائمة لعصر الإدراك الرقمي الحديث.

المراجع

• Hubel, D. H., & Wiesel, T. N. (1962). Receptive fields, binocular interaction and functional architecture in the cat’s visual cortex. The Journal of Physiology, 160(1), 106-154. https://doi.org/10.1113/jphysiol.1962.sp006837
• Fukushima, K. (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 36(4), 193-202. https://doi.org/10.1007/BF00344251
• Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536. https://doi.org/10.1038/323533a0
• LeCun, Y. (1987). Modèles connexionnistes de l’apprentissage [Doctoral dissertation, Université Pierre et Marie Curie (Paris VI)]. HAL Open Science. http://yann.lecun.com/exdb/publis/pdf/lecun-87.pdf
• LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., & Jackel, L. D. (1989). Backpropagation applied to handwritten zip code recognition. Neural Computation, 1(4), 541-551. https://doi.org/10.1162/neco.1989.1.4.541
• LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324. https://doi.org/10.1109/5.726791
• Bottou, L., Haffner, P., Howard, P. G., Simard, P., Bengio, Y., & LeCun, Y. (1998). High quality document image compression with DjVu. Journal of Electronic Imaging, 7(3), 410-425. https://doi.org/10.1117/1.482609
• Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18(7), 1527-1554. https://doi.org/10.1162/neco.2006.18.7.1527
• Collobert, R., Kavukcuoglu, K., & Farabet, C. (2011). Torch7: A matlab-like environment for machine learning. In BigLearn, NIPS Workshop (No. EPFL-CONF-192376). http://torch.ch/
• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems (NeurIPS), 25, 1097-1105. https://doi.org/10.1145/3065386
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
• Association for Computing Machinery. (2019). Fathers of the Deep Learning Revolution Receive ACM A.M. Turing Award. ACM Press Release. https://amturing.acm.org/award_winners/lecun_6017366.cfm
• LeCun, Y. (2019). The Deep Learning Revolution: The Hall of Fame Turing Lecture. ACM A.M. Turing Award Lecture, San Francisco, CA. https://amturing.acm.org/vp/lecun_6017366.cfm
• Baevski, A., Zhou, Y., Mohamed, A., & Auli, M. (2020). wav2vec 2.0: A framework for self-supervised learning of speech representations. Advances in Neural Information Processing Systems (NeurIPS), 33, 12449-12460. https://arxiv.org/abs/2006.11477
• LeCun, Y. (2022). A Path Towards Autonomous Machine Intelligence (Version 0.9.2). OpenReview. https://openreview.net/forum?id=BZ5a1r-kVsf
• Assran, M., Duval, Q., Misra, I., Bojanowski, P., Vincent, P., Rabbat, M., LeCun, Y., & Ballas, N. (2023). Self-supervised learning from images with a joint-embedding predictive architecture. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 15619-15629. https://arxiv.org/abs/2301.08243
• Bardes, A., Duval, Q., Ponce, J., & LeCun, Y. (2024). V-JEPA: Video joint embedding predictive architecture. Meta AI Research / arXiv Preprint. https://arxiv.org/abs/2404.08471