حلول جميلة للغز رياضي صغير

كم يبلغ عدد المثلثات الموجودة في الصورة؟

رسم للغز رياضي بسيط لإيجاد عدد المثلثات الناتجة عن تقاطع 6 خطوط
رسم للغز رياضي بسيط لإيجاد عدد المثلثات الناتجة عن تقاطع 6 خطوط
TT

حلول جميلة للغز رياضي صغير

رسم للغز رياضي بسيط لإيجاد عدد المثلثات الناتجة عن تقاطع 6 خطوط
رسم للغز رياضي بسيط لإيجاد عدد المثلثات الناتجة عن تقاطع 6 خطوط

سنتحدث عن مسألة رياضيات مثيرة للاهتمام أعدها بو شين لوه من جامعة كارنيجي ميلون الأميركية.
لغز رياضي
لا تعتمد هذه الأحجية أو اللغز على رموز غامضة. وفي الحقيقة، فإن اللغز الرياضي هذا لا يحتوي على رموز أبداً، بل يتألف من رسم بياني ومن سؤال: ما هو عدد المثلثات التي يمكن رسمها من الخطوط الستة المتقاطعة هذه؟
والأكيد عند النظر إلى هذا الرسم هو عدم وجود خطين متوازيين وعدم وجود نقاط يتقاطع فيها أكثر من خطين. والواضح أنّ التحدي هنا يكمن في إيجاد طريقة تتيح لنا احتساب الجواب، ولكن ليس عبر التعداد الدقيق لعدد المثلثات.
وأقدم هنا تلميحاً مهماً من الباحث لوه، وهو: «يتألف المثلث من ثلاثة خطوط، أي أضلاع. لذا، في حال كنا نملك ستة خطوط، يصبح السؤال: كيف يمكنني انتقاء ثلاثة من هذه الخطوط الستة الموجودة؟».
على «تويتر» وفي تعليقات المشاركين على موقع «نيويورك تايمز»، يتضح أنّ بعض القراء نجحوا سريعاً في معرفة كيفية حل المسألة لأنّهم استخدموا مبدأ التوافقيات combinatorics، وهو فرع من مادة الرياضيات يوضح عدد الطرق التي يمكن من خلالها مزج الأشياء. في المقابل، حاول قراءٌ آخرون استخدام وسيلة التعداد ولكن دون جدوى، حيث قال لوه إنّه «لا يعتقد أنّه صادف شخصاً واحداً نجح في العد».
حل المسألة
لحل المسألة، أبدأوا بالملاحظة والتدقيق: 3 خطوط في الرسم البياني ترسم مثلثاً واحداً، وواحدا فقط. ويترتب على ذلك أن إجمالي عدد المثلثات سيكون مساوياً لعدد مجموعات الخطوط الثلاثة التي يمكن اختيارها من الخطوط الستة في الرسم.
كيف تحتسبون هذه المسألة؟ اختاروا خطاً، أي خط. يحتوي الرسم على ستة خطوط، ما يعني أنكم تملكون ستة خيارات. بعدها، اختاروا خطأ آخر ليكون الجهة الثانية من المثلث. في البداية، قد تعتقدون أنّه هناك ستة خيارات من جديد، ولكنّ اختياركم لخط الجهة الأولى يعني أنّ الخيارات المتبقية هي خمسة. والأمر نفسه ينطبق على الجهة الثالثة من المثلث، فيبقى لكم أربعة خطوط لتختاروا منها.
وهكذا، يكون إجمالي عدد الطرق التي تتيح لكم اختيار جوانب المثلثات يساوي 6×5×4، أو 120. الأكيد أنّ الرسم البياني لا يحتوي على 120 مثلثاً، وهذا الرقم ناتج عن فكرة أنّ هذه المجموعات يتم عدها أكثر من مرة واحدة.
لمزيد من الوضوح، رقّموا الخطوط من 1 إلى 6، وانظروا إلى المثلث المحدد بين الخطوط 1، 2، 3. هذا المثلث هو نفسه سواء اخترتم الخط 1، ثم الخط 2، ثم الخط 3، أو الخط 1، ثم الخط 3، ثم الخط 2.
في الواقع، إنّ عدد الطرق المتوفرة لتحديد المثلثات يوازي عدد الطرق المتوفّرة لاختيار الخطوط 1، 2، 3. امزجوا الأرقام بكل التركيبات الممكنة: 123، 132، 213، 231، 312، 321، ولذا توجد 6 احتمالات. وبالطريقة نفسها، يمكنكم تحديد أي مثلث في الرسم البياني بـ6 طرق ممكنة.
والآن، قسّموا التكرار ليتبين أنّ إجمالي عدد المثلثات المرسومة بواسطة هذه الخطوط الستة هو (4×5×6)/6 أو 20. هذا هو الجواب.
وهنا تصبح الرياضيات مادة فعّالة. هذه العملية نفسها تُطبّق على أي عدد من الخطوط. ما هو عدد المثلثات التي يمكن تكوينها من سبعة خطوط غير متوازية؟ هو (5×6×7)-6 أو 35. وماذا عن 23 خطاً؟ (21×22×23)-6، أو 1771. وماذا عن 2300 خط؟ الجواب هو (2298×2299× 2300)/ 6، أو عدد كبير جداً هو 2.025.189.100.
هذه العملية الحسابية نفسها تُطبّق مهما اختلف عدد الخطوط التي تملكونها. قارنوا هذه المقاربة بالعد الشامل، الذي لا يعتبر مرهقا ومفتوحا على الخطأ فحسب، بل يفتقر أيضاً إلى إمكانية التحقّق من صحّة الجواب. تلعب الرياضيات دور الحل والمنطق في هذه المسألة. كما أنّها تكشف أنّ المسائل الأخرى بجوهرها متطابقة. ضعوا 6 كرات بألوان مختلفة في كيس كبير. اسحبوا ثلاثة منها: ما هو العدد المحتمل لمجموعات الألوان المتبقّية في الكيس؟ 20 طبعاً. هذه هي التوافقيات، وهي شديدة الفعالية في حل هذا النوع من المسائل.

جمال الرياضيات في اختزال الحساب
> تأتي هذه الطريقة مع نظريتها الخاصة لاختزال عملية الحساب، وتحتوي على الكثير من علامات التعجب. العبارة n! – تسمى بالإنجليزية «n factorial,» (مضروب n)، وعندما تقال بصوت مرتفع «أن فاكتوريال» فإنها، تصف نتاج ضرب جميع الأعداد الصحيحة من 1 وحتى n (أو بالضبط هي نتيجة ضرب بكل الأرقام من n وبتلك التي تحتn وهي n - 1، n - 2، n - 3، وهكذا إلى الأخير).
وهذا يعني أن 1! يساوي 1؛ 2! يساوي 1×2 أو 2؛ أما 3! فيساوي 1×2×3، أو 6، وهكذا.
وفي المسألة التي أعدها لوه، يمكن كتابة العملية الحسابية لعدد المثلثات كالتالي: (!3!3)-!6. أي 6x5x4x3x2x1-(3x2x1 X3x2x1)= 720-36=20.
كما يمكن كتابتها مرة أخرى على شكل (3.6)C التي تُقرأ على الشكل التالي: «6 اختر 3». تفصيلاً، هي عبارة عن شرح رياضي لعدد الطرق لاختيار 3 من 6، وتُقرأ بهذه الصيغة: C(n، r) = n!-((n–r)!r!). هذه هي المعادلة التي يحفظها الطالب، أي الاختصار الفعّال.
بمعنى آخر، إذا نسيتم الصيغة، يمكنكم تركيبها من جديد عبر تذكّر ما تريدون حله. وهنا يكمن جمال الرياضيات، أو جمال جزء منها. فالمعادلة الجيدة هي أكثر من مجرد تلاوة للقواعد؛ بل هي تعبّر عن وجود هذه القواعد، وتكشف أنماط ونقاط المسائل الجديدة التي تتطلب حلاً.
خدمة «نيويورك تايمز»



ما السبب الحقيقي لفشل مبادرات الذكاء الاصطناعي في المؤسسات؟

ما السبب الحقيقي لفشل مبادرات الذكاء الاصطناعي في المؤسسات؟
TT

ما السبب الحقيقي لفشل مبادرات الذكاء الاصطناعي في المؤسسات؟

ما السبب الحقيقي لفشل مبادرات الذكاء الاصطناعي في المؤسسات؟

عندما طرح «تشات جي بي تي» في نوفمبر (تشرين الثاني) 2022، كان رد الفعل فورياً وقوياً: إنه يعمل! ولأول مرة، اختبر ملايين الأشخاص الذكاء الاصطناعي ليس بوصفه وعداً بعيد المنال، بل بوصفه شيئاً مفيداً وبديهياً. وحتى مع عيوبه، فقد ظهر أنه يتمتع بقدرات مذهلة.

حدس صحيح واستنتاج خاطئ

كان هذا الحدس صحيحاً. أما الاستنتاج الذي تلاه فكان خاطئاً. لأن ما ينجح ببراعة مع فرد أمام لوحة المفاتيح، أثبت عدم فاعليته بشكل مفاجئ داخل المؤسسة.

الشركات لا تُدار باللغة

بعد عامين، وبعد مليارات الدولارات من الاستثمارات، وعدد لا يحصى من التجارب، وتدفق مستمر من «المساعدين» الأذكياء، يتبلور واقع مختلف: الذكاء الاصطناعي التوليدي استثنائي في إنتاج اللغة... لكن الشركات لا تُدار باللغة: بل تُدار بالذاكرة والسياق والتغذية الراجعة والقيود.

وهذه هي الفجوة. ولهذا السبب تفشل الكثير من مبادرات الذكاء الاصطناعي في المؤسسات بهدوء. إذ حتى مع الانتشار الواسع، هناك تأثير محدود... وشعور متزايد بالتكرار.

فشل 95 % من المشاريع التجريبية

ليست هذه قصة عن تقنية فشلت في اكتساب زخم، بل على العكس تماماً.

وأظهر تحليل مدعوم من معهد ماساتشوستس للتكنولوجيا، والذي حظي باهتمام واسع، أن نحو 95 في المائة من المشاريع التجريبية للذكاء الاصطناعي التوليدي في المؤسسات تفشل في تحقيق نتائج ملموسة، حيث لا يصل سوى 5 في المائة منها إلى مرحلة الإنتاج المستدام. وتشير تغطيات أخرى للنتائج نفسها إلى النمط نفسه: تجارب مكثفة، وتحول محدود.

والتفسير واضح: المشكلة ليست في الحماس، ولا حتى في القدرة، بل في أن توظيف الأدوات لا يُترجم إلى تغيير عملي حقيقي... ليست هذه مشكلة للتبني، بل مشكلة هيكلية.

المفارقة المزعجة: ذكاء اصطناعي... لكن لا شيء يتغير

داخل معظم الشركات اليوم، يتعايش واقعان: من جهة، يستخدم الموظفون أدوات مثل «تشات جي بي تي» باستمرار. فهم يصيغون ويلخصون ويبتكرون ويسرّعون عملهم بطرق تبدو طبيعية وفعالة.

من جهة أخرى، تكافح مبادرات الذكاء الاصطناعي الرسمية في المؤسسات للتوسع خارج نطاق المشاريع التجريبية الخاضعة لرقابة دقيقة. يصف التحليل نفسه المتعلق بمعهد ماساتشوستس للتكنولوجيا فجوةً متزايدةً في «التعلم»: يجد الأفراد فائدة وقيمةً بسرعة، لكن المؤسسات تفشل في دمج هذه القيمة في سير العمل ذي الأهمية. والنتيجة هي ما يشبه «الذكاء الاصطناعي الخفي»: يستخدم الأفراد ما يُجدي نفعاً، بينما تستثمر الشركات فيما لا يُجدي.

الخطأ الأساسي: التعامل مع نموذج اللغة كنظام تشغيل

تركز معظم تفسيرات هذا الفشل على التنفيذ: بيانات غير دقيقة، حالات استخدام غير واضحة، نقص في التدريب. كل هذا صحيح، لكنه ثانوي.

المشكلة الحقيقية أبسط وأكثر جوهرية: نماذج اللغة الكبيرة مصممة للتنبؤ بالنصوص. هذا كل شيء. كل شيء آخر، من الاستدلال إلى التلخيص والمحادثة، إلخ، هو خاصية ناشئة عن هذه القدرة.

الأدوات الذكية التوليدية لا تعمل ضمن الواقع

لكن الشركات لا تعمل كسلاسل من النصوص. إنها تعمل كأنظمة متطورة ذات حالة وذاكرة وتوابع وحوافز وقيود... هذا هو التناقض. كما ذكرتُ سابقاً، هذا هو العيب البنيوي الأساسي للذكاء الاصطناعي: نماذج اللغة لا «ترى» العالم. فهي لا تحتفظ بحالة مستمرة. ولا تتعلم من ردود الفعل الواقعية إلا إذا صُممت خصيصاً لذلك... إنها تُنتج لغة مقنعة عن الواقع، لكنها لا تعمل ضمنه.

إجابات متميزة منفصلة عن النظام الفعلي

لا يمكنك إدارة شركة بناءً على تنبؤات الكلمات.اطلب من نموذج اللغة ما يلي:

-«زيادة مبيعاتي»

-«تصميم استراتيجية دخول السوق»

- «تحسين أداء الفريق»

وستحصل على إجابة. غالباً ما تكون جيدة جداً. إجابة منظمة، بليغة، ومقنعة. ولكنها منفصلة تماماً تقريباً عن النظام الفعلي الذي من المفترض أن تؤثر فيه.

وذلك لأن نموذج اللغة لا يستطيع تتبع مسار المبيعات، أو إدارة الحوافز، أو دمج بيانات إدارة علاقات العملاء، أو التكيف بناءً على النتائج. إذ يمكنه وصف استراتيجية، لكنه لا يستطيع تنفيذها.

وتؤكد نتائج معهد ماساتشوستس للتكنولوجيا هذه النقطة: أدوات الذكاء الاصطناعي التوليدي فعّالة في المهام الفردية المرنة، لكنها تعجز عن العمل في بيئات المؤسسات التي تتطلب التكيف والتعلم والتكامل. وبعبارة أخرى: يمكن للأداة الذكية كتابة المذكرة، لكنها لا تستطيع إدارة الشركة.

زيادة قدرات الحوسبة لن تحل المشكلة

كان ردّ فعل القطاع حتى الآن متوقعاً: بناء نماذج أكبر، ونشر بنية تحتية أوسع، وتوسيع نطاق كل شيء. لكن التوسع لا يُصلح خللاً في التصميم. إذا كان النظام يفتقر إلى أساس واقعي، فلن تُوفّر له المزيد من المعايير هذا الأساس. وإذا كان يفتقر إلى الذاكرة، فلن تُوفّر له المزيد من الرموز الذاكرة. وإذا كان يفتقر إلى حلقات التغذية الراجعة، فلن تُنشئها المزيد من مراكز البيانات.

يُضخّم التوسع ما هو موجود، لكنه لا يُنشئ ما هو مفقود. وما هو مفقود هنا ليس المزيد من اللغة، بل المزيد من العالم.

المرحلة المقبلة... نظم ذكية ضمن بيئات حقيقية

لن تُحدّد المرحلة التالية من الذكاء الاصطناعي المؤسسي بواجهات دردشة أفضل أو نماذج لغوية أكثر قوة، بل ستُحدّد بشيء آخر تماماً: أنظمة قادرة على الحفاظ على الحالة، والاندماج في سير العمل، والتعلم من النتائج، والعمل ضمن قيود.

أنظمة لا تُولّد نصوصاً فحسب، بل تعمل ضمن بيئات حقيقية. لهذا السبب؛ لن يُبنى مستقبل الذكاء الاصطناعي في الشركات على نماذج اللغة وحدها، بل على بنى تُدمجها ضمن نماذج أكثر ثراءً للواقع.

أقول ما يعرفه الكثيرون بالفعل... ولكن نادراً ما يقولونه: هناك زخم كبير، واستثمارات ضخمة، وسرديات كثيرة مبنية على فكرة أن توسيع نطاق نماذج اللغة سيحل كل شيء في النهاية. هذا لن يحدث.

فرصة حقيقية

هذه ليست نهاية الذكاء الاصطناعي المؤسسي، بل هي نهاية مفهوم خاطئ. فنماذج اللغة ليست بنية مؤسسية، بل هي طبقة واجهة. طبقة قوية، لكنها غير كافية بمفردها. الشركات التي تُدرك هذا أولاً لن تُحسّن فقط من استخدام الذكاء الاصطناعي، بل ستُنشئ شيئاً مختلفاً جذرياً.

مجلة «فاست كومباني»


الموظفون الأميركيون يستخدمون الذكاء الاصطناعي للتعلّم أثناء العمل

الموظفون الأميركيون يستخدمون الذكاء الاصطناعي للتعلّم أثناء العمل
TT

الموظفون الأميركيون يستخدمون الذكاء الاصطناعي للتعلّم أثناء العمل

الموظفون الأميركيون يستخدمون الذكاء الاصطناعي للتعلّم أثناء العمل

يتنافس الموظفون على تطوير مهاراتهم في الذكاء الاصطناعي. ووفقاً لتقرير جديد، فإنهم يستخدمونه أيضاً لتعزيز تعلمهم، سواءً كان ذلك لطلب مساعدة إضافية منه لتوضيح المفاهيم وحل المشكلات، أو لاكتساب مهارات جديدة، كما كتبت سارة بريغل (*).

تحسين المهارات

يستند التقرير إلى نتائج استطلاع أجرته شركة «فراكتل» لصالح الكلية الأميركية للتعليم (ACE)، شمل أكثر من 1000 موظف أميركي يستخدمون أدوات الذكاء الاصطناعي في عملهم اليومي.

وكما هو متوقع، تستخدم نسبة كبيرة من الموظفين الذكاء الاصطناعي لتحسين مهاراتهم. فقد أفاد 63 في المائة منهم بأنهم استخدموا الذكاء الاصطناعي لتعلم مهارات لم يتلقوا تدريباً رسمياً عليها من مؤسساتهم.

القلق من دقة المعلومات

ومع ذلك، أعرب 65 في المائة منهم عن قلقهم بشأن دقة الذكاء الاصطناعي. إلا أن 23 في المائة من الموظفين لا يزالون يعدّون الذكاء الاصطناعي خيارهم الأول عندما يحتاجون إلى تعلم شيء جديد.

فوائد سرعة الإجابات

قد يعود جزء من ذلك إلى سرعة توفير الذكاء الاصطناعي للإجابات: إذ قال ما يقرب من نصف الموظفين (46 في المائة) إنهم يستخدمون الذكاء الاصطناعي للبحث عن الإجابات لأنه أسرع من طلب المساعدة.

التعلّم سراً لتفادي الاتهامات بالجهل

وربما الأهم من ذلك، أن استخدام هذه التقنية يعني أيضاً أن الموظفين لا يضطرون إلى الاعتراف بجهلهم بشيء ما. فقد قال ما يقرب من ثلثهم (29في المائة) إنهم يستخدمون الذكاء الاصطناعي لتعلم مهارات جديدة دون الإفصاح عن ذلك. ويُعدّ المديرون أكثر عرضةً لهذا الأمر: إذ اعترف 32 في المائة منهم بأنهم يتعلمون سراً.

وبشكل عام، قال 69 في المائة من الموظفين إن استخدام الذكاء الاصطناعي حسّن إنتاجيتهم، وقال أكثر من 55 في المائة إنه ساعدهم على الشعور بمزيد من الثقة في وظائفهم.

الذكاء الاصطناعي نقطة انطلاق

ومع ذلك، فبينما يستخدم الموظفون الذكاء الاصطناعي بوضوح لسدّ فجوة ما، فإنهم ليسوا راضين تماماً عن قدراته التعليمية. فقد قال 7 في المائة فقط من الموظفين إنهم يشعرون بأن تعلم المهارات من الذكاء الاصطناعي كافٍ، وقال 39 في المائة إنهم يعدّون التدريب الذي يحصلون عليه من الذكاء الاصطناعي نقطة انطلاق لمزيد من التعلم.

الذكاء الاصطناعي يحفّز للانخراط في دورات تدريبية

أفاد ما يقارب نصف المشاركين (48 في المائة) بأنهم التحقوا بدورات تدريبية بعد أن عرّفهم الذكاء الاصطناعي على مواضيع معينة رغبوا في استكشافها بتعمق. والأكثر إثارة للإعجاب، أن 80 في المائة من العاملين أكدوا استمرارهم في التعلم بشكل أو بآخر بعد تعلمهم شيئاً ما باستخدام الذكاء الاصطناعي.

مع أن الذكاء الاصطناعي قد لا يحل محل التدريب العملي تماماً، فإنه يمثل حالياً نقطة انطلاق لغالبية العاملين الساعين لاكتساب مهارات جديدة.

* مجلة «فاست كومباني»


لسانك لا يكذب… «بصمة تنبئية» للأمراض

حين يقرأ الذكاء الاصطناعي ما لا تراه العين
حين يقرأ الذكاء الاصطناعي ما لا تراه العين
TT

لسانك لا يكذب… «بصمة تنبئية» للأمراض

حين يقرأ الذكاء الاصطناعي ما لا تراه العين
حين يقرأ الذكاء الاصطناعي ما لا تراه العين

في حضارات وادي الرافدين، حيث تشكّلت البدايات الأولى للطب المنهجي، لم يكن التشخيص يعتمد على أجهزة، أو تحاليل مختبرية، بل على ملاحظة الجسد نفسه. كان الطبيب ينظر، ويتأمل التفاصيل التي قد تبدو عابرة، ومن بينها اللسان.

حين كان اللسان مفتاح التشخيص

معاينة اللسان

لم يكن طلب الطبيب من المريض أن يمد لسانه إجراءً شكلياً، بل خطوة أساسية في قراءة ما يجري داخل الجسد: تغيّر اللون، جفاف السطح، أو ظهور طبقة غير طبيعية؛ كلها إشارات ذات دلالة تُفسَّر ضمن فهم مبكر للصحة والمرض.

اليوم، يعود هذا المشهد القديم بصيغة مختلفة تماماً. فبدل أن يقف الطبيب وحده أمام المريض، تقف معه خوارزميات الذكاء الاصطناعي، وتحلل صورة اللسان بدقة رقمية، وتبحث عن أنماط قد لا تراها العين البشرية. فهل يمكن أن يعود التشخيص القديم... عبر أكثر أدوات العصر تطوراً؟

خريطة بيولوجية مصغّرة

يُعد اللسان من أكثر أعضاء الجسم ثراءً بالمعلومات البيولوجية، فهو يعكس حالة الدورة الدموية، ومستوى الترطيب، والتوازن البكتيري في الفم، بل وحتى بعض الاضطرابات الجهازية. فاللون الشاحب قد يرتبط بفقر الدم، والاحمرار الزائد بالالتهاب، في حين أن الطبقة البيضاء أو الصفراء قد تعكس تغيّرات في الميكروبيوم الفموي، ذلك العالم المجهري الذي يعيش على سطح اللسان.

بهذا المعنى لم يعد اللسان مجرد عضو للكلام، أو التذوق، بل نافذة حيوية على توازن داخلي معقّد.

حين يلتقي الميكروبيوم بالخوارزمية

في السنوات الأخيرة بدأ الباحثون ينظرون إلى اللسان باعتبار أنه نظام بيئي متكامل يرتبط فيه الميكروبيوم الفموي بعدد من الأمراض المزمنة... من السكري وأمراض القلب، وصولاً إلى اضطرابات أيضية معقّدة.

اضطرابات الكبد والأمراض المزمنة

في هذا السياق أظهرت دراسة نُشرت عام 2025 في مجلة «Chinese Medicine»، بقيادة فريق بحثي من الصين، أن تحليل صور اللسان باستخدام الذكاء الاصطناعي وربطها بتركيب الميكروبيوم يمكن أن يكشفا أنماطاً دقيقة مرتبطة باضطرابات في وظائف الكبد، مع قدرة لافتة على التمييز بين الحالات المرضية.

وفي تطور أحدث، طرح باحثون عام 2026 مفهوماً جديداً عُرف بـ«عمر اللسان» (Tongue Age)، يجمع بين تحليل مظهر اللسان وتركيب الميكروبيوم، لتقدير العمر البيولوجي، ومخاطر الإصابة بأمراض مزمنة.

اللسان «بصمة تنبئية»

وتشير هذه الأبحاث إلى أن اللسان قد يحمل بصمة تنبئية لصحة الإنسان تتجاوز الفحص الظاهري التقليدي. وأظهرت أبحاث حديثة من جامعة ستانفورد في الولايات المتحدة أن الدمج بين الصور الطبية والبيانات الحيوية يفتح آفاقاً جديدة لاكتشاف الأمراض قبل ظهور أعراضها بسنوات.

هنا لا تتحدث الخوارزمية بلغة التشخيص التقليدي، بل بلغة الأنماط الخفية، أنماط لم نكن نبحث عنها، لكنها كانت موجودة طوال الوقت.

حين ينتقل التشخيص إلى الهاتف

من الملاحظة إلى النمط

الفرق بين الطبيب القديم والخوارزمية الحديثة ليس في المبدأ، بل في الاتساع. الطبيب يرى إشارة واحدة، ويؤولها ضمن خبرته، أما الذكاء الاصطناعي فإنه يرى آلاف الإشارات في اللحظة نفسها، ويربط بينها داخل شبكة معقّدة من العلاقات.

وبينما كان التشخيص قائماً على الملاحظة المدعومة بالحدس، أصبح اليوم قائماً على البيانات المدعومة بالخوارزميات.

من العيادة إلى الهاتف... حين يصبح التشخيص مستمراً

لم تعد هذه التقنيات حبيسة المختبرات. فقد بدأت نماذج تحليل صور اللسان تنتقل إلى أدوات أبسط، بل وحتى إلى الهواتف الذكية. وفي هذا النموذج الجديد قد يتحول فحص اللسان من إجراء يتم داخل العيادة إلى عملية مستمرة تعمل في الخلفية، وترصد التغيرات الدقيقة قبل أن يشعر بها الإنسان.

وهنا يتغير معنى التشخيص نفسه. لم يعد حدثاً مؤقتاً، بل عملية ديناميكية لا تتوقف...

حدود الفهم... وحدود الثقة

رغم هذا التقدم، يبقى هناك فرق جوهري بين «الرؤية» و«الفهم». فالذكاء الاصطناعي قادر على اكتشاف الأنماط، لكنه لا يدرك السياق الإنساني الذي يمنح هذه الأنماط معناها.

قد يشير تغيّر في اللسان إلى مرض كامن، لكنه قد يكون أيضاً نتيجة غذاء معيّن، أو حالة عابرة. وهنا يظل دور الطبيب محورياً، ليس في رؤية العلامة فقط، بل في فهمها، وتفسيرها ضمن سياق الإنسان الكامل.

بين وادي الرافدين والذكاء الاصطناعي

إذا عدنا إلى الوراء، نجد أن أطباء وادي الرافدين أدركوا أن الجسد يرسل إشارات خفية، وأن مهمة الطبيب هي قراءتها. اليوم يعيد الذكاء الاصطناعي إحياء هذه الفكرة، لكن بدقة أعلى، ونطاق أوسع. ومع ذلك يبقى السؤال الجوهري كما كان: من يقرأ الإشارة... ومن يفهمها؟

الخلاصة: ما الذي لم نتعلم قراءته بعد؟

في زمن أصبح فيه الهاتف قادراً على تحليل صورة اللسان، لم يعد التشخيص حكراً على العيادة. لكن هذا التقدم يطرح سؤالاً أعمق: هل أصبحنا نرى أكثر... أم نفهم أقل؟

فاللسان، كما كان قبل آلاف السنين، لا يكذب. لكن التحدي الحقيقي لا يكمن فيما يكشفه، بل في قدرتنا على تفسيره. ولهذا، لم يعد السؤال: ماذا يخبرنا اللسان؟ بل أصبح: ما الذي تراه الخوارزميات فيه... ولم نتعلم بعد كيف نقرأه نحن؟