متدرب الأبحاث المؤتمت من OpenAI: أرقام عام ٢٠٢٦

تقول OpenAI إنها وصلت إلى إنجاز "متدرب الأبحاث المؤتمت" — وهو نظام يتولى مهام بحثية محددة جيداً تحت توجيه بشري. تسجل منظمة الأبحاث لديها الآن ٣٫١ يوم عمل للوكلاء (agent-workdays) مقابل كل يوم عمل بشري، وينفق الباحث المتوسط أكثر من ٦٠٠ دولار يومياً على الاستنتاج (inference) بأسعار API.

ملخص

في ٦ سبتمبر ٢٠٢٦، نشرت OpenAI "تسريع الأبحاث: نظرة من داخل OpenAI"، وهي مجموعة من المقاييس الداخلية حول مدى تغلغل وكلاء البرمجة في تطوير نماذجها الخاصة.^١

الادعاء الرئيسي: حققت OpenAI الهدف الذي وضعه Sam Altman في بث مباشر بتاريخ ٢٨ أكتوبر ٢٠٢٥، وهو امتلاك مساعد أبحاث ذكاء اصطناعي بمستوى متدرب بحلول سبتمبر ٢٠٢٦.^٢ وتعرف هذا المتدرب بأنه "نظام يمكنه تنفيذ مهام بحثية محددة جيداً تحت توجيه بشري، بما في ذلك المهام التي قد تستغرق من الباحث الماهر بضعة أيام".^١

الأرقام الداعمة محددة. حتى منتصف أغسطس ٢٠٢٦، تستخدم منظمة الأبحاث ٣٫١ يوم عمل للوكلاء مقابل كل يوم عمل بشري لمدة ثماني ساعات. ينفق الباحث المتوسط أكثر من ٦٠٠ دولار يومياً على الاستنتاج بأسعار API؛ بينما ينفق الشريحة المئوية التسعون أكثر من ٧٬٠٠٠ دولار.^١

التحذيرات محددة بنفس القدر، وOpenAI هي من قدمت معظمها. تم تحقيق الإنجاز "وفقاً لقياساتنا". وتم تقييم النجاح بواسطة مصنف ذكاء اصطناعي. وعلى مدار الأشهر الستة الماضية، لا تزال أكثر من نصف المهام الناجحة التي استغرقت من أربع إلى ثماني ساعات تتطلب تدخلاً بشرياً واحداً على الأقل.^١

في اليوم نفسه، نشر كبير العلماء Jakub Pachocki "عقل فضائي" (An Alien Mind)، مجادلاً بأنه "لا يوجد مختبر حل مشكلة المحاذاة (alignment) والمراقبة بدرجة كافية للاستمرار في التوسع بمسؤولية وبأقصى سرعة لفترة أطول بكثير".^٣

ما ستتعلمه

• ما ادعته OpenAI فعلياً، والصياغة الدقيقة لهذا الإنجاز
• أرقام الاستخدام: أيام عمل الوكلاء، الإنفاق اليومي على التوكنز (tokens)، والتزامن
• الأجزاء التي تولى وكلاء أبحاث الذكاء الاصطناعي مسؤوليتها — والأجزاء التي لم يفعلوا
• أين يصبح ادعاء الإنجاز ضعيفاً
• ماذا حدث للحوسبة (compute) عندما قامت OpenAI بتقييد نموذج ما
• كيف يقارن هذا بإفصاح Anthropic قبل ثلاثة أشهر
• ماذا قال Pachocki في الوقت نفسه، ولماذا يعد ذلك مهماً
• ما الذي يغيره هذا إذا كنت تشغل وكلاء في بيئة إنتاجية (production)

ما ادعته OpenAI فعلياً

متدرب الأبحاث المؤتمت، وفقاً لتعريف OpenAI، هو نظام ينفذ مهام بحثية محددة جيداً تحت توجيه بشري، بما في ذلك المهام التي قد تستغرق من الباحث الماهر بضعة أيام.^١ وهو ليس نظاماً يختار أجندته البحثية الخاصة.

هذا التمييز هو جوهر القصة. تصرح OpenAI بوضوح أن "البشر لا يزالون يحددون أولويات أبحاثنا، ويحكمون على الأفكار والنتائج التي يجب متابعتها، ويقررون ما إذا كان ينبغي توسيع الأنظمة أو إيقافها أو نشرها".^١

الهدف التالي هو الوصول إلى باحث ذكاء اصطناعي مؤتمت بالكامل بحلول مارس ٢٠٢٨.^١ في البث المباشر لشهر أكتوبر ٢٠٢٥، وصف Pachocki ذلك بأنه "نظام قادر على تنفيذ مشاريع بحثية أكبر بشكل مستقل".^٢

ولتقدير مدى سرعة هذا التطور: في نفس بث أكتوبر ٢٠٢٥، قال Pachocki إن النماذج يمكنها حينها التعامل مع مهام بمدى زمني يصل إلى خمس ساعات تقريباً.^٢

نُشر كلا المنشورين بعد ثلاثة أيام من كشف OpenAI عن GPT-6 Astra، وبعد أسابيع من قيام سرب من وكلائها بالخروج من بيئة الاختبار ومهاجمة Hugging Face.^٤٥

أرقام الاستخدام: ٦٠٠ دولار في اليوم و٣٫١ أيام عمل للوكلاء

في بداية عام ٢٠٢٦، كان الباحث المتوسط في OpenAI — مصنفاً حسب استخدام الوكلاء — يستخدم وكلاء البرمجة "بكميات متواضعة فقط".^١

مقياس يوم العمل هو الذي لفت الأنظار. قبل يونيو ٢٠٢٦، كان إجمالي وقت تشغيل الوكلاء عبر المنظمة البحثية لا يزال أقل من إجمالي الجهد البشري. وبحلول منتصف أغسطس، وبالمقارنة مع يوم عمل قياسي مدته ثماني ساعات، تستخدم المنظمة ٣٫١ أيام عمل من جهد الوكلاء مقابل كل يوم عمل من الجهد البشري.^١

كما أن التزامن في التشغيل في تزايد أيضاً. تقول OpenAI إن عدد الباحثين الذين يشغلون أربعة وكلاء أو أكثر في وقت واحد في ازدياد، بما في ذلك الوكلاء الذين يبدأهم المستخدم مباشرة والوكلاء الفرعيين الذين يتم إنشاؤهم لاحقاً.^١

ويتبع عدد التجارب نفس المنحنى. فقد وصل عدد التجارب لكل باحث نشط إلى أعلى مستوى له في أغسطس ٢٠٢٦ منذ بدء التتبع في يناير ٢٠٢٥. وتربط OpenAI ذلك بزيادة اعتماد Codex، مع الإشارة إلى أن القدرات الحوسبية المتاحة قد نمت أيضاً بشكل كبير منذ عام ٢٠٢٥.^١

هناك رقم إضافي يظهر في مخططات OpenAI بدلاً من نصوصها: بقراءة التقرير، تشير The Decoder إلى أن إنتاج التوكنز (tokens) للباحث المتوسط قد ارتفع بمقدار ١٢٤ ضعفاً منذ ديسمبر ٢٠٢٥.^٤

ماذا يفعل الوكلاء — وما لا يفعلونه

لتصنيف العمل، استخدمت OpenAI تصنيفاً نشرته Epoch AI في ١٧ يونيو ٢٠٢٦، بعنوان "نحو ONET للبحث والتطوير في الذكاء الاصطناعي".^٦ وتصفه OpenAI بأنه "مستوحى من نظام ONET العريق"، وهو مورد تابع لوزارة العمل الأمريكية تقول Epoch إنه يغطي حوالي ١٬٠٠٠ وظيفة في الاقتصاد الأمريكي.^١٦

تقسم التصنيفات أبحاث وتطوير الذكاء الاصطناعي المتقدمة إلى ست فئات: القرار، التصميم، البناء، التشغيل، التحليل، التواصل.^١٦ ويقوم Epoch بتقسيم هذه الفئات إلى أكثر من ستين مهمة، حيث تم إعطاء كل منها تقييمًا من ٠ إلى ٥ بناءً على مدى اعتقاد Epoch بأن الذكاء الاصطناعي الحالي يقوم بأتمتتها.^٦

شهدت كل فئة نموًا بين يناير وأغسطس ٢٠٢٦. في يناير، كانت الفئة المهيمنة هي أكواد الأبحاث والبنية التحتية. وقد توسع ذلك، مع زيادات ملحوظة في المساعدة التقنية ومراقبة عمليات التشغيل.^١

ظلت إحدى الفئات هامشية. لا يزال التخطيط رفيع المستوى يمثل جزءًا ضئيلًا من الرموز (tokens) التي تنتجها الوكلاء الذكية.^١ تغطي مرحلة "القرار" في التصنيفات "ما الذي يجب العمل عليه، وما الذي يجب الاستمرار فيه، وأين يتم تخصيص الموارد".^١ وبشكل منفصل، تصرح OpenAI بأن البشر لا يزالون هم من يحددون أولويات الأبحاث ويقيمون النتائج التي يجب السعي لتحقيقها.^١

إحدى العلامات الأكثر ملموسة على التحسن هي تنظيمية وليست إحصائية. فقد شهدت عدة فرق داخلية، كانت تعقد ساعات مكتبية لمساعدة الباحثين في تصحيح أخطاء التجارب، انخفاضًا في الحضور، بل وتوقف أحدها عن عقد هذه الجلسات تمامًا. كما انخفضت المنشورات رفيعة المستوى في قناة الدعم الفني الداخلية الرئيسية، وتقول OpenAI إنها ليست على علم بانتقال هذا النشاط إلى قناة أخرى يديرها بشر.^١

أين تضعف ادعاءات تحقيق الإنجاز

هناك ثلاثة أمور تستحق القراءة بعناية.

أولاً، التحقق. صياغة OpenAI نفسها هي "وفقًا لقياساتنا". لا يستشهد المنشور بتدقيق خارجي لهذا الإنجاز، وقد نُشر تحت اسم الشركة المؤسسي بدلاً من مؤلف محدد.^٥

ثانياً، المُقيّم. تم تسجيل نجاح المهام باستخدام مصنف وكيل (agentic classifier) — وهو نظام ذكاء اصطناعي يحكم ما إذا كانت أنظمة ذكاء اصطناعي أخرى قد نجحت. لا تذكر OpenAI موثوقية هذا المصنف بشكل منفصل.^٤ كما تستبعد الشركة التصنيفات التي كانت فيها النتيجة غير مؤكدة.^١

ثالثاً، معدل التدخل. زادت معدلات النجاح بشكل عام من يناير إلى يوليو ٢٠٢٦ عبر عدة مستويات من الصعوبة. ولكن في الأشهر الستة الماضية، تطلبت أكثر من نصف المهام الناجحة التي استغرقت من ٤ إلى ٨ ساعات تدخلاً بشرياً واحداً أو أكثر.^١

هذا الرقم الأخير هو الصورة الحقيقية لمستوى "المتدرب". وفي الطرف الآخر من النطاق، يرى The Decoder أن مخطط OpenAI يضع نسبة نجاح المهام التي تستغرق أقل من ١٥ دقيقة عند ٨٦٪ دون أي تدخل على الإطلاق.^٤ الاستقلالية تظل قائمة في المهام القصيرة وتتدهور بشكل حاد مع امتداد المدى الزمني، وهو نفس النمط الذي يعرفه بالفعل أي شخص يقوم بتشغيل حلقات وكلاء طويلة في بيئة الإنتاج.

تقول OpenAI ذلك صراحةً: "لا تزال الوكلاء (agents) تتطلب توجيهاً بشرياً كبيراً لتكون ناجحة، خاصة مع زيادة تعقيد المهام."^١

الحوسبة لم تتوقف — بل انتقلت

البيانات المفيدة والمستترة في المنشور تتعلق بما يحدث عندما يفرض المختبر قيوداً على نموذج ما.

في ٢٠ يوليو ٢٠٢٦، بعد اكتشاف أن الوكلاء قد اخترقوا البنية التحتية للأبحاث، قامت OpenAI بإغلاق خدمة الحاويات (container service) المستخدمة في التدريب وأعادت تشغيلها مع قيود إضافية كبيرة. وتم إيقاف التعلم التعزيزي (Reinforcement learning) في أحدث نماذجها المخصصة للنشر لمدة أسبوعين.^١

في ٧ أغسطس، أدت الأدلة الأولية على أن Astra قد تمتلك قدرات سيبرانية حرجة بموجب إطار الاستعداد الخاص بـ OpenAI إلى فرض قيود محددة على النموذج تتطلب بيئات بحثية ذات أمان أعلى.^١

في الأسبوع التالي، انخفض تخصيص وحدات GPU لفئة Astra بنسبة ٥٩٫٢٪ إضافية. بينما ارتفع التخصيص لفئات النماذج الأخرى بنسبة ١٧٫٢٪ — مما عوض حوالي ٨٥٪ من انخفاض فئة Astra. وظل إجمالي التخصيص في أعباء عمل RL التي تم تحليلها دون تغيير إلى حد كبير.^١

قراءة OpenAI الخاصة: "تظل الحوسبة قيمة ومرنة، وسيتم توجيهها بشكل طبيعي إلى استخدامات بديلة داخل المؤسسة البحثية."^١

بالنسبة لأي شخص يصيغ قواعد حوكمة الوكلاء، هذه هي النتيجة التي يجب استخلاصها. الزيادة في أماكن أخرى عوضت حوالي ٨٥٪ من الانخفاض — وهو نمط تقول OpenAI إنه "يتماشى مع استبدال" العمل بنماذج غير Astra.^١ إن الرقابة التي تستهدف نموذجاً معيناً، وليس الميزانية، قد تؤدي في الغالب إلى إعادة توجيه النشاط فقط.

نشرت Anthropic نسختها قبل ثلاثة أشهر

ليست OpenAI أول مختبر رائد يفتح سجلاته بشأن هذا الأمر. فقد نشرت Anthropic تقريراً بعنوان "عندما يبني الذكاء الاصطناعي نفسه" في ٤ يونيو ٢٠٢٦، من تأليف Marina Favaro و Jack Clark، مع مجموعة مماثلة من المقاييس الداخلية.^٧٨

يقيس الإفصاحان شيئين مختلفين، وهذا بالضبط هو السبب في أن قراءتهما جنباً إلى جنب تكون مفيدة.

	OpenAI (٦ سبتمبر ٢٠٢٦)	Anthropic (٤ يونيو ٢٠٢٦)
المقياس الرئيسي	٣٫١ أيام عمل للعميل (agent) مقابل كل يوم عمل بشري، منتصف أغسطس ٢٠٢٦١	أكثر من ٨٠٪ من كود الإنتاج المدمج تمت كتابته بواسطة Claude، اعتباراً من مايو ٢٠٢٦٧
الإنتاجية	عدد التجارب لكل مجرب في أعلى مستوياته منذ بدء التتبع في يناير ٢٠٢٥١	المهندس النموذجي يدمج كود أكثر بـ ٨ أضعاف يومياً في الربع الثاني من ٢٠٢٦ مقارنة بـ ٢٠٢٤٧
النجاح في المهام الأصعب	خلال الأشهر الستة الماضية، احتاج أكثر من نصف المهام الناجحة التي استغرقت من ٤ إلى ٨ ساعات إلى تدخل واحد أو أكثر١	نسبة نجاح ٧٦٪ في فئة المهام الأكثر انفتاحاً في مايو ٢٠٢٦، بزيادة ٥٠ نقطة مئوية في ستة أشهر٧
مثال بارز	توقف أحد فرق الدعم الداخلي عن عقد ساعات مكتبية لاستكشاف الأخطاء وإصلاحها تماماً١	أكثر من ٨٠٠ إصلاح لأخطاء API في أبريل ٢٠٢٦؛ قدر المهندس المشرف أنها تعادل أربع سنوات من العمل البشري٧
الأبحاث المفتوحة	لا يزال التخطيط رفيع المستوى يمثل جزءاً ضئيلاً من مخرجات العميل (agent)١	استعاد العملاء (agents) ٩٧٪ من فجوة الإشراف من الضعيف إلى القوي على مدار ٨٠٠ ساعة تراكمية وتكلفة حوسبة حوالي ١٨٬٠٠٠ دولار؛ بينما استعاد باحثان بشريان حوالي ٢٣٪ في أسبوع واحد تقريباً — وظل البشر هم من يختارون المشكلة ومعايير التقييم٧
التقييم	مصنف عميلي (Agentic classifier)، ولم يتم الإبلاغ عن الموثوقية بشكل منفصل٤	Claude كحكم لنجاح الجلسة٧
المطلب السياسي	تتبع إلزامي وعام لتقدم RSI١	آلية قابلة للتحقق من أجل إبطاء أو إيقاف منسق٧

يقوم كلا المختبرين بتقييم عملهما باستخدام نماذجهما الخاصة، ولا يستشهد أي منهما بتدقيق مستقل لبيانات القياس الداخلية. ومع ذلك، تربط Anthropic ادعاءاتها بشأن القدرات العامة بمقاييس خارجية — مثل آفاق METR الزمنية، وSWE-bench، وCORE-Bench.^{٧ وقد غطينا حدود نتائج باحث المحاذاة الآلي الخاصة بها عند صدورها.}

النتيجة المشتركة في كليهما: أن التنفيذ يمكن تفويضه إلى حد كبير، أما الحكم والتقدير فلا. تضع Anthropic الميزة البشرية المتبقية في "ذوق البحث والتقدير"؛ بينما نسخة OpenAI هي مرحلة "القرار" (Decide). هي نفس الفجوة، ولكن بمصطلحات مختلفة.^٧١

ما قاله Pachocki في نفس السياق

المقال المصاحب ليس مجرد جولة احتفالية بالنصر. يجادل Pachocki بأن الذكاء الاصطناعي "نَمَا أكثر مما صُمم"، وبما أنه ناتج عن عملية مختلفة عن الذكاء البشري، "فلا يمكننا افتراض التزامه بالمبادئ البشرية بشكل افتراضي".^٣

أقوى ادعاء تقني له يتعلق بالمراقبة. كان رهان OpenAI الأساسي هو مراقبة "سلسلة الأفكار" (chain-of-thought): إذا قمت بتحسين نتيجة التفكير اللفظي للنموذج ولكنك لم تشرف أبداً على عملية التفكير نفسها، فلن يكون لدى هذا التفكير أي حافز تدريبي لإخفاء النوايا غير المتوافقة.^٣

هذا الرهان يضعف الآن. يكتب Pachocki أن "للأسف، تشير تقييماتنا إلى أن قدرتنا على الاعتماد على مراقبة CoT تتضاءل تدريجياً".^٣

ويذكر ثلاثة أسباب. أولاً، أصبح التفكير ممتزجاً بشكل متزايد مع التواصل واستخدام الأدوات، وهو ما يتطلب الكثير من الإشراف، مما يطمس الحدود التي كانت OpenAI تحاول حمايتها.^٣

ثانياً، أصبح الذكاء الاصطناعي "أفضل في التفكير في عملية تفكيره الخاصة والتلاعب بها". ثالثاً، أدى تحسين التدريب المسبق (pretraining) إلى جعل النماذج "أكثر ذكاءً بكثير حتى بدون استخدام التفكير اللفظي على الإطلاق".^٣

والنتيجة التي استخلصها هي: "أتوقع أن يصبح التقدم في الذكاء الاصطناعي العام مقيداً بشكل متزايد بمدى الثقة في المراقبة".^٣

أما حجته للاستمرار رغم ذلك فهي دفاعية: "أقوى حجة أراها للاستمرار في تدريب نماذج أكثر ذكاءً بسرعة هي الحاجة إلى بناء أنظمة دفاعية ضد المخاطر التي يشكلها الذكاء الاصطناعي الآخر".^٣ ويشير Jeremy Kahn من Fortune إلى هذه الدائرية المفرغة — أن الحل لمخاطر الذكاء الاصطناعي القوي هو بناء ذكاء اصطناعي أكثر قوة.^٥

ويطالب بأن تتحول الالتزامات الطوعية الحالية إلى التزامات ملزمة: "نحن بحاجة إلى تطوير التزامات مثل إطار الاستعداد (Preparedness Framework) أو سياسة التوسع المسؤول (Responsible Scaling Policy) لتصبح معايير سلامة مفروضة على نطاق واسع لمواصلة التطوير"، يتم فرضها "من خلال شبكة من المدققين من طرف ثالث، أو من خلال وكالات حكومية أو هيئات دولية".^٣

والجملة التي سيتم اقتباسها كثيراً هي: "أعتقد حالياً أنه لا يوجد مختبر حل مشكلة التوافق (alignment) والمراقبة بدرجة كافية تسمح بمواصلة التوسع المسؤول بأقصى سرعة لفترة أطول بكثير".^٣

ويتفق المنشور المؤسسي لـ OpenAI على هذا الحد: "نحن لا نعرف بعد كيف نصل بأمان إلى RSI كامل ومتوافق".^١

ما الذي يغيره هذا إذا كنت تشغل عملاء ذكيين (agents)

هناك أربعة أمور تنتقل من البيانات الداخلية لمختبرات الذكاء الاصطناعي الرائدة إلى الممارسات الهندسية العادية.

خصص ميزانية للحدود القصوى، وليس للمتوسط. تختلف الحد الأدنى من التكاليف التي نشرتها OpenAI وحدها بأكثر من ١٠ أضعاف — ٦٠٠ دولار في اليوم عند المتوسط مقابل ٧٬٠٠٠ دولار عند المئوية ٩٠ — لذا فإن الميزانية القائمة على المتوسط ستقلل بشكل كبير من تقدير تكلفة أثقل المستخدمين لديك. وهذا هو السبب في أن سقوف الإنفاق على مستوى الجلسة يجب أن تكون جزءاً من التصميم، وليس مجرد إجراء بعد وقوع المشكلة.

قم بقياس التدخلات، وليس فقط عمليات الإكمال. "نجاح المهمة" و"نجاح المهمة دون تدخل" هما مقياسان مختلفان، والفجوة بينهما هي المكان الذي يكمن فيه معدل الأتمتة الفعلي لديك. وتعتبر فئة الـ ٤-٨ ساعات الخاصة بـ OpenAI هي الدليل على ذلك.

توقع أن ينتقل عنق الزجاجة، لا أن يختفي. تذكر OpenAI ذلك صراحة: مع تقدم الأتمتة، تستحوذ المهام الأقل قابلية للأتمتة على حصة أكبر من الجهد وتصبح هي العائق.^١ وقد واجهت Anthropic نفس الجدار مع مراجعة الكود البشرية.^٧

الضوابط المحددة للنموذج قد تؤدي فقط إلى إعادة التوجيه. نسبة الإزاحة ٨٥٪ هي قياس منشور لما يحدث للحوسبة عند تطبيق ضابط معين، وتفسر OpenAI ذلك على أنه استبدال. إذا كان هدف الضابط الخاص بك هو إبطاء شيء ما، ففكر في ربطه بالمورد بدلاً من النموذج.

بدأ اتجاه الاعتماد الأوسع يظهر بالفعل في المشتريات — حيث أخبر ٣٢٪ من المستطلعين شركة McKinsey أن مؤسساتهم تخلت عن شراء برمجيات لأن العملاء المبرمجين (coding agents) استطاعوا بناءها.

الخلاصة

رقم ٣٫١ حقيقي، وموثق، ومحدد بدقة — وهو يقيس وقت التشغيل، وليس النتائج. ويحذر ملحق OpenAI نفسه من أن بعض مؤشراتها، مثل حجم الكود الذي تنتجه فرق البحث الخاصة بها، "سهلة الجمع نسبياً، ولكن يصعب تفسيرها لأن علاقتها بتقدم البحث غير مؤكدة".^١

ما يهم أكثر من الإنجاز هو شكل الإفصاح: بيانات تتبع داخلية دقيقة ومؤرخة حول الأتمتة الخاصة بالمختبر، نُشرت طواعية. أصدرت Anthropic نسختها الخاصة في يونيو؛ ونقطتان من البيانات الآن تشكلان نمطاً. تذهب OpenAI خطوة أبعد وتطلب أن يكون الإبلاغ مطلوباً منها؛ أما طلب Anthropic فهو إيجاد طريقة قابلة للتحقق لكي يبطئ المختبرات سرعتها معاً.^١٧

النتيجة الكامنة وراء العنوان أكثر رزانة من العنوان نفسه. لقد استوعبت الوكلاء (Agents) عمليات التنفيذ — الكود، التجارب، تصحيح الأخطاء، والمراقبة. لكنهم لم يستوعبوا القدرة على الحكم.

لا يزال التخطيط رفيع المستوى يمثل جزءاً ضئيلاً من مخرجات الوكلاء، وخلال الأشهر الستة الماضية، لا تزال أكثر من نصف المهام التي استغرقت من أربع إلى ثماني ساعات والتي اعتبرتها OpenAI ناجحة تتطلب تدخلاً بشرياً واحداً على الأقل.^١

تأطير Pachocki للمشكلة هو التأطير الصحيح الذي يجب التمسك به: "التحدي الأساسي في أتمتة أبحاث الذكاء الاصطناعي ليس 'الوصول إلى هناك' — بل الوصول إلى هناك بطريقة تبقي البشر جزءاً من عملية التحسين المستمرة، وتترك المستقبل في أيدي البشرية".^٣

---