عندما نبدأ البحث في شيء ما، نميل إلى الرغبة في المزيد من المواد. نقرأ المقالات، ونجمع الأرقام، ونبحث عن آراء الخبراء، ونطلب من الذكاء الاصطناعي أن يلخّص. نشعر وكأن زيادة المعلومات ينبغي أن تجعل حكمنا أكثر موثوقية. وبالطبع، إذا كانت المواد المتاحة قليلة جدًا، فقد نفوّت حقائق مهمة. لكن زيادة المواد ليست هي نفسها فهم السؤال. وحتى بعد قراءة عشرة مصادر، إذا ظل كل واحد منها منفصلًا، فقد يبقى من غير الواضح ما الذي نحتاج فعلًا إلى الحكم عليه.
لنفترض أننا ندرس منطقة أدخلت شكلًا جديدًا من وسائل النقل. يمكننا جمع أرقام كثيرة: عدد المستخدمين، والتكلفة، ووقت التنقل، والأثر البيئي، والسلامة، وغير ذلك. لكن لا يوجد رقم واحد يحدد معناه بنفسه. فحتى إذا زاد الاستخدام، يهم ما إذا كان المستخدمون قد انتقلوا فقط من وسيلة نقل أخرى، أم أن أشخاصًا لم يكونوا قادرين على التنقل من قبل أصبح بإمكانهم الوصول إليها. وحتى إذا انخفضت التكاليف، يتغير التقييم إذا أصبحت منطقة الخدمة أصغر. لا يتطلب البحث جمع الحقائق فحسب، بل يتطلب أيضًا فحص العلاقات بينها.
يمكن للذكاء الاصطناعي أن يقلل بدرجة كبيرة الوقت اللازم للعثور على المواد وتنظيم محتوياتها. وهذه ميزة مهمة للبحث. وفي الوقت نفسه، عندما يصبح التلخيص أسرع، قد تُضغط مصادر متعددة نحو استنتاجات متشابهة، فتغدو الاختلافات بينها أقل وضوحًا. وحتى المصادر التي تتناول الموضوع نفسه لا يمكن دمجها ببساطة إذا اختلفت في المنطقة أو الفترة الزمنية أو الظروف أو طرق القياس. ولا تعتمد جودة البحث على القدرة على ضغط المعلومات فحسب، بل تعتمد أيضًا على قدرتنا على تحديد الاختلافات التي تؤثر في السؤال.
كما أن النظر إلى العلاقات يغيّر معنى الأدلة المخالفة. عندما نجد نتيجة واحدة تختلف عن وجهة نظرنا، يمكننا أن نستبعدها باعتبارها استثناءً. لكن إذا سألنا: «لماذا حدثت النتيجة المعاكسة في ظل هذه الظروف؟»، يظهر سؤال جديد. فالأدلة المخالفة لا تعرقل الاستنتاج فحسب؛ بل يمكنها أن تُظهر لنا إلى أي مدى يظل ذلك الاستنتاج صالحًا. والبحث ليس مجرد تكديس المعلومات في الاتجاه نفسه، بل هو أيضًا البحث عن الاختلافات في الظروف الكامنة وراء النتائج المختلفة.
ما يمكن أن نتوقعه من الذكاء الاصطناعي هنا ليس مجرد «العثور على المزيد من المواد ذات الصلة». إذ يمكنه أيضًا فصل الأدلة التي تدعم ادعاءً عن الأدلة التي تعارضه، ومقارنة الظروف التي تتغير فيها النتائج، والإشارة إلى علاقات لم يتم تأكيدها بعد. لكن تلك الروابط لا تصبح صحيحة تلقائيًا. فلا يزال على البشر فحص المصدر، والفئة محل الدراسة، والفترة الزمنية، وطريقة القياس، وتحديد ما إذا كانت المعلومات التي ربطها الذكاء الاصطناعي تجيب فعلًا عن السؤال نفسه.
مع تقدم البحث، قد يتغير السؤال الأصلي. فقد نبدأ بالسؤال: «هل تنجح هذه الطريقة؟» ثم نكتشف أن السؤال الحقيقي هو: «لمن تنجح، وتحت أي ظروف؟». وهذا ليس فشلًا للبحث. فرؤية العلاقات بين أجزاء المعلومات كشفت أن السؤال الأصلي كان عامًا أكثر من اللازم. والبحث الجيد لا يُجبر الإجابة على العودة إلى السؤال الأول؛ بل يحدّث السؤال نفسه عند الضرورة.
وهذا أيضًا هو سبب تعامل Sai＊aus Labo مع المعرفة من خلال العلاقات. فبدلًا من عزل مقال بوصفه إجابة مكتملة، يمكن ربطه بأسئلة أخرى، وأدلة مضادة، وظروف، ومعرفة جرى الحصول عليها لاحقًا. وعند بدء بحث جديد، يمكن استخدام مقال سابق ليس بمجرد تكراره، بل بفحص «ما الذي تغيّر عن فهمنا السابق». ولا تكمن قيمة المعرفة في كونها محفوظة فحسب، بل أيضًا في بقائها مفتوحة لإعادة النظر من خلال السؤال التالي.
يبدأ البحث بجمع المعلومات، لكنه لا يحتاج إلى أن ينتهي عند ذلك. فمن خلال فحص العلاقات بين الحقائق، وبين الأدلة والأدلة المضادة، وبين النتائج والظروف، وبين أسئلة الماضي والحاضر، تقترب المعلومات من أن تصبح معرفة يمكنها دعم الحكم. ومع جعل الذكاء الاصطناعي عملية الجمع أسرع، ينتقل الموضع الذي يحتاج إلى التفكير البشري من عدد المصادر إلى معنى العلاقات. ولا يتغير عمق البحث بحسب مقدار ما نجمعه فقط، بل أيضًا بحسب العلاقات التي نكتشفها.
ليست إجابات. بل فهم.