الذكاء الاصطناعي للاكتشاف العلمي: من التنبؤ بالطقس إلى علم المواد، كيف يُسرّع الذكاء الاصطناعي البحث العلمي

عندما يتفوق الذكاء الاصطناعي على المعيار الذهبي

في نوفمبر 2023، نشر Google DeepMind دراسة في مجلة Science أظهرت أن GraphCast، نموذج التنبؤ بالطقس بالذكاء الاصطناعي، يمكنه إنتاج تنبؤات جوية عالمية لعشرة أيام أكثر دقة من نظام التنبؤ المتكامل (IFS) التابع للمركز الأوروبي للتنبؤات الجوية المتوسطة المدى (ECMWF) — المعيار الذهبي الذي اعتمدت عليه الوكالات الجوية حول العالم لعقود. أنتج GraphCast هذه التنبؤات في أقل من دقيقة على وحدة Google TPU v4 واحدة، مقارنة بساعات وقت الحاسوب الخارق المطلوبة بواسطة نماذج التنبؤ العددي التقليدية.

لم يكن هذا تحسناً هامشياً. تفوق GraphCast على نموذج HRES التابع لـ ECMWF في أكثر من 90% من 1,380 متغيراً اختبارياً وآفاقاً زمنية للتنبؤ. عند الاقتصار على التروبوسفير — منطقة الغلاف الجوي الأقرب لسطح الأرض، بارتفاع 6 إلى 20 كيلومتراً، حيث دقة التنبؤ أكثر أهمية — تفوق GraphCast على HRES في 99.7% من المتغيرات الاختبارية. بالنسبة للظواهر الجوية القاسية، أظهر GraphCast قوة خاصة في التنبؤ بمسارات الأعاصير المدارية، متفوقاً على النماذج التقليدية بهوامش كبيرة. حقق Pangu-Weather من Huawei، المنشور في Nature في العام نفسه، دقة مماثلة، متفوقاً على التنبؤات التشغيلية لـ ECMWF للعديد من المتغيرات بسرعة تفوقها 10,000 مرة. كان FourCastNet من Nvidia (2022) رائداً في نهج التنبؤ الجوي بالذكاء الاصطناعي بدقة عالية لكنه لم يبلغ الدقة التشغيلية — GraphCast وPangu-Weather هما من أثبتا أن الذكاء الاصطناعي يمكنه حقاً مجاراة النماذج القائمة على الفيزياء وتجاوزها.

تمتد التداعيات إلى ما هو أبعد من الطقس بكثير. ما أظهره GraphCast هو أن الذكاء الاصطناعي يمكنه تعلم فيزياء الأنظمة المعقدة مباشرة من البيانات — في هذه الحالة، 40 عاماً من بيانات إعادة التحليل ERA5 — دون أن يُبرمج صراحة بالمعادلات الحاكمة. يُطبّق المبدأ نفسه الآن على علم المواد والرياضيات والأحياء والفيزياء الأساسية، مما يطرح السؤال: هل يصبح الذكاء الاصطناعي ليس مجرد أداة للعلماء، بل عالِماً في حد ذاته؟

---

من GraphCast إلى GenCast: التنبؤ الجوي بالذكاء الاصطناعي يصبح تشغيلياً

كانت اختراقة GraphCast مجرد البداية. في ديسمبر 2024، نشر DeepMind GenCast في Nature، نموذج طقس احتمالي من الجيل التالي تفوق على التنبؤ المجمع لـ ECMWF (ENS) في 97.2% من الأهداف — وفي 99.8% عند الآفاق الزمنية الأطول من 36 ساعة. على عكس التنبؤات الحتمية النقطية لـ GraphCast، ينتج GenCast مجموعات من 50 تنبؤاً أو أكثر تمثل النطاق الكامل للسيناريوهات الجوية الممكنة، مقدماً للمتنبئين توزيعات احتمالية بدلاً من إجابات فردية. يستغرق تنبؤ مجمع لـ 15 يوماً 8 دقائق فقط على وحدة Google Cloud TPU v5 واحدة.

جاء التحقق الأقوى في 2025، عندما تبنّت ECMWF ذاتها — المؤسسة التي تفوق الذكاء الاصطناعي على نماذجها المرجعية — الذكاء الاصطناعي تشغيلياً. في فبراير 2025، أطلقت ECMWF نظام التنبؤ بالذكاء الاصطناعي (AIFS) كمنتج تشغيلي يعمل جنباً إلى جنب مع نظام IFS التقليدي القائم على الفيزياء. في يوليو 2025، تبعته النسخة المجمعة (AIFS ENS، 51 عضواً). يتفوق AIFS ENS على المجموعة الفيزيائية في العديد من القياسات، بما في ذلك تنبؤات درجة حرارة السطح، بمكاسب تصل إلى 20% — مع استخدام طاقة أقل بما يصل إلى 1,000 مرة. بُني النظام على Anemoi، إطار عمل مفتوح المصدر طُوّر بالتعاون مع الدول الأعضاء في ECMWF.

عندما تُشغّل أبرز وكالة تنبؤ جوي في العالم نماذج ذكاء اصطناعي بشكل تشغيلي، لم يعد التحول النموذجي نظرياً. إنه بنية تحتية.

---

علم المواد: 2.2 مليون بلورة جديدة — وأسئلة صعبة

في نوفمبر 2023 — الشهر نفسه الذي نُشر فيه GraphCast — أعلن DeepMind عن GNoME (Graph Networks for Materials Exploration)، نظام ذكاء اصطناعي تنبأ باستقرار 2.2 مليون بنية بلورية جديدة، منها 381,000 اعتُبرت مستقرة وقابلة للتصنيع المحتمل. لوضع هذا في سياقه، كان العدد الإجمالي للبلورات غير العضوية المستقرة المعروفة التي اكتشفها العلماء البشر عبر التاريخ بأكمله نحو 48,000. وسّع GNoME المشهد المعروف للمواد المستقرة بعامل يقارب ثمانية أضعاف، في مشروع بحثي واحد. نُشرت النتائج في Nature وأُضيفت 380,000 مادة مستقرة إلى قاعدة بيانات Materials Project في Berkeley Lab.

علم المواد أساسي للتقدم التكنولوجي. الكيمياء الجديدة للبطاريات تتطلب مواد أقطاب وإلكتروليت جديدة. الخلايا الشمسية الأكثر كفاءة تعتمد على مواد شبه موصلة ذات فجوات نطاق محددة. الموصلات الفائقة، المحفزات، المواد الكهروحرارية — كل تكنولوجيا حدودية مقيّدة في نهاية المطاف بالمواد المتاحة لبنائها. اكتشاف المواد التقليدي بطيء بشكل مُضنٍ: يفترض الباحث مركباً، يصنّعه في المختبر، يختبر خصائصه، وينشر النتائج. تستغرق هذه العملية أشهراً إلى سنوات لكل مادة مرشحة.

ضغط GNoME خطوة توليد الفرضيات من سنوات إلى ساعات. أفاد A-Lab التابع لـ Lawrence Berkeley National Laboratory، وهو مختبر مستقل يجمع بين التنبؤ بالذكاء الاصطناعي والتصنيع الروبوتي، بإنتاج 41 من أصل 58 مادة تنبأ بها GNoME حاول تصنيعها على مدى 17 يوماً من التشغيل المتواصل. لكن تحليلاً لاحقاً أجراه باحثون من Princeton وUniversity College London طعن في هذه النتائج، مُجادلاً بأن معظم المواد المزعوم أنها جديدة كانت في الواقع خلائط من مركبات معروفة بالفعل وأن منهجية التحقق كانت غير موثوقة. اعترض فريق Berkeley على النقد لكنه أقرّ بأن مادتين على الأقل لم تكونا جديدتين حقاً. يُبرز هذا الحادث توتراً متكرراً في العلم المدفوع بالذكاء الاصطناعي: التنبؤ الحسابي يسبق التحقق التجريبي بمراحل. كما أشار MIT Technology Review أواخر 2025، رغم الضجيج حول اكتشاف الذكاء الاصطناعي لملايين المواد الجديدة، لم تظهر بعد أي «مادة خارقة» من هذه التنبؤات — الخطوة الأكثر استهلاكاً للوقت والتكلفة تبقى تصنيعها في العالم الحقيقي.

---

الرياضيات والأحياء والحدود المتوسعة

تمتد مساهمات الذكاء الاصطناعي العلمية إلى ما هو أبعد من الطقس والمواد. في يوليو 2024، حلّ AlphaProof وAlphaGeometry 2 من DeepMind أربعة من ستة مسائل في الأولمبياد الدولي للرياضيات (IMO)، محققاً 28 من 42 نقطة ممكنة — ما يعادل ميدالية فضية. حلّ AlphaProof مسألتي جبر ومسألة نظرية أعداد، بما في ذلك أصعب مسألة في المسابقة (حلّها خمسة متسابقين بشر فقط). جمع AlphaProof بين نموذج لغوي ونظام البرهان الصوري Lean، متعلماً بناء حجج رياضية صحيحة عبر التعلم التعزيزي. أثبت AlphaGeometry 2 مسألة الهندسة.

ثم في فبراير 2025، تقدّم DeepMind أكثر. حلّت نسخة متقدمة من Gemini مع Deep Think خمسة من ستة مسائل IMO 2025، محققة 35 من 42 نقطة — مستوى الميدالية الذهبية. على عكس AlphaProof، عمل Gemini Deep Think بالكامل باللغة الطبيعية، منتجاً براهين رياضية صارمة مباشرة من الأوصاف الرسمية للمسائل ضمن الحد الزمني للمسابقة البالغ 4.5 ساعات. أكّد القفز من الفضية إلى الذهبية في عام واحد سرعة تقدم الاستدلال الرياضي للذكاء الاصطناعي.

في البيولوجيا البنيوية، يستمر تأثير AlphaFold في التراكم. منذ التنبؤ بالهياكل ثلاثية الأبعاد لجميع البروتينات المعروفة عملياً (أكثر من 200 مليون) في 2022، تم الاستشهاد بـ AlphaFold أكثر من 20,000 مرة واستُخدم من قبل أكثر من 3 ملايين باحث في 190 دولة. في أكتوبر 2024، حصل Demis Hassabis وJohn Jumper على جائزة نوبل في الكيمياء عن AlphaFold — إلى جانب David Baker لتصميم البروتينات الحسابي — بينما حصل Geoffrey Hinton وJohn Hopfield على جائزة نوبل في الفيزياء عن العمل التأسيسي في الشبكات العصبية. كانت المرة الأولى التي ينال فيها بحث الذكاء الاصطناعي جائزتي نوبل العلميتين في العام نفسه. وسّع AlphaFold 3، المُصدر في مايو 2024، التنبؤات لتشمل تفاعلات البروتين-الحمض النووي والبروتين-الحمض النووي الريبي والبروتين-الجزيء المرتبط، مُصمّماً نمذجة الآلية الجزيئية الكاملة للخلايا. نُشر الكود والأوزان للاستخدام الأكاديمي في نوفمبر 2024. في فبراير 2026، أعلنت Isomorphic Labs، الفرع المنبثق من DeepMind لاكتشاف الأدوية، عن نظام من الجيل التالي ضاعف أداء AlphaFold 3 أكثر من مرتين في أصعب حالات تصميم الأدوية.

في فيزياء الجسيمات، يدمج CERN نماذج بديلة وأساليب محاكاة سريعة مدفوعة بالذكاء الاصطناعي لتقليل التكلفة الحسابية لنمذجة تصادمات الجسيمات، مع لجنة توجيه الذكاء الاصطناعي الجديدة (CAISC، المُنشأة في أبريل 2025) التي تُنظّم الاستراتيجية عبر المنظمة. في علم المناخ، يتقدم محاكيات الذكاء الاصطناعي بسرعة: أصبح ACE2 من Allen AI أول محاكي مناخي دقيق لكل من تقلب المناخ وتغيره، مُحاكياً 1,200 عام من المناخ يومياً على وحدة GPU H100 واحدة — تسريع بألف ضعف مقارنة بالنماذج التقليدية. أنتج NeuralGCM من Google، وهو نموذج هجين فيزياء-ذكاء اصطناعي، محاكاات مناخية معقولة لمدة 30 عاماً، رغم استمرار مشكلات الاستقرار. في علم الجينوم، تواصل أنظمة الذكاء الاصطناعي التنبؤ بأنماط التعبير الجيني وتحديد المتغيرات المرتبطة بالأمراض وتصميم تسلسلات DNA اصطناعية. الخيط المشترك واحد: يتفوق الذكاء الاصطناعي في تعلم التعيينات المعقدة من البيانات، والعلم يتعلق جوهرياً بتعيين المدخلات إلى المخرجات في أنظمة معقدة.

---

التحول المنهجي: من الفرضية إلى البيانات

الأهمية الأعمق لهذه الإنجازات منهجية. يتبع العلم التقليدي المنهج الفرضي-الاستنتاجي: صياغة فرضية، تصميم تجربة لاختبارها، تحليل النتائج، وتحسين النظرية. هذا النهج قاد التقدم العلمي لقرون، لكن له قيوداً متأصلة — لا يمكن للعالم اختبار إلا الفرضيات التي يمكنه تصوّرها، وفضاء الفرضيات مقيّد بالقدرة المعرفية البشرية والمعرفة السابقة.

العلم المدفوع بالذكاء الاصطناعي يعكس هذه العملية. بدلاً من البدء بنظرية واختبارها مقابل البيانات، يبدأ الذكاء الاصطناعي بالبيانات ويكتشف أنماطاً قد تُوحي بنظريات جديدة. لم يبدأ GNoME بفرضية حول أي البنى البلورية يجب أن تكون مستقرة — تعلّم العلاقة بين التركيب الذري والهندسة البلورية والاستقرار الديناميكي الحراري من البيانات الموجودة، ثم عمّم للتنبؤ بملايين المركبات الجديدة. لم يُشفّر GraphCast معادلات Navier-Stokes التي تحكم ديناميكيات الغلاف الجوي — تعلّم التطور الزمني لحالات الطقس مباشرة من الملاحظات التاريخية.

يُثير هذا الانعكاس أسئلة معرفية يناقشها العلماء بنشاط. هل يمكن تسمية نمط اكتشفه الذكاء الاصطناعي «اكتشافاً» إذا لم يفهم أي إنسان سبب وجود هذا النمط؟ عندما يتنبأ GNoME ببنية بلورية مستقرة، فإنه لا يُفسّر الآلية الفيزيائية للاستقرار — إنه يُحدد انتظاماً إحصائياً. يُجادل بعض فلاسفة العلم بأن الفهم يتطلب التفسير، لا مجرد التنبؤ. يردّ آخرون بأن التنبؤ هو الاختبار الأقصى للمعرفة العلمية، وأن التفسير تفضيل معرفي بشري وليس متطلباً علمياً.

قد يكون الحل العملي براغماتياً. أنظمة الذكاء الاصطناعي أدوات تولّد فرضيات بسرعة فوق بشرية. يختبر العلماء البشر بعدها ويتحققون من أكثر التنبؤات الواعدة المولّدة بالذكاء الاصطناعي ويفسرونها. قد يمثل تقسيم العمل هذا — الذكاء الاصطناعي لتوليد الفرضيات والبشر للتفسير والتحقق التجريبي — المنهج العلمي المستقبلي. يُوضح جدل A-Lab الرهانات: عندما تسبق تنبؤات الذكاء الاصطناعي القدرة التجريبية بأوامر من الحجم، ينتقل عنق الزجاجة من الأفكار إلى التحقق. الخطر أن يصبح العلم معتمداً على أنظمة ذكاء اصطناعي مبهمة لا يمكن تدقيق تنبؤاتها، خالقاً «صندوقاً أسود» في أساس المعرفة. لكن جوائز نوبل 2024 تُشير إلى أن المؤسسة العلمية تتبنى الذكاء الاصطناعي ليس كتهديد للمنهج، بل كأقوى مسرّع له.

---

المصادر والقراءات الإضافية

• GraphCast: Learning Skillful Medium-Range Global Weather Forecasting — Science
• GenCast: Probabilistic Weather Forecasting with Machine Learning — Nature
• ECMWF’s AI Forecasts Become Operational — ECMWF
• GNoME: Scaling Deep Learning for Materials Discovery — Nature
• A-Lab: Autonomous Laboratory for Accelerated Synthesis — Nature
• AlphaProof and AlphaGeometry 2: AI Solves IMO Problems at Silver Medal Level — Google DeepMind
• Gemini Deep Think Achieves Gold Medal Standard at IMO — Google DeepMind
• AlphaFold 3: Accurate Structure Prediction of Biomolecular Interactions — Nature
• Nobel Prize in Chemistry 2024 — NobelPrize.org
• Pangu-Weather: Accurate Medium-Range Global Weather Forecasting — Nature
• AI Materials Discovery Now Needs to Move into the Real World — MIT Technology Review
• AlphaFold Protein Structure Database — DeepMind / EMBL-EBI