لا تحتاج الذكاء الاصطناعي إلى مزيد من الانتباه. بل تحتاج إلى مساحة عمل أفضل.

تفترض فرق الذكاء الاصطناعي غالبًا أن العمل الأفضل يتطلب المزيد: سياقًا أكثر، وأدوات أكثر، وذاكرة أكثر، وحلقات agents أكثر، وانتباهًا أكثر. هذا الحدس مفهوم. فإذا كان النموذج يستطيع قراءة ملايين الـ tokens، والاتصال بعشرات الخدمات، والاستمرار في التوليد، فمن الطبيعي أن يبدو أكثر قدرة.

لكن السعة ليست هي التركيز.

نافذة السياق الأكبر توسّع ما يستطيع نظام الذكاء الاصطناعي رؤيته. لكنها لا تقرر تلقائيًا ما المهم الآن، أو أي أداة آمنة للاستخدام، أو أي ملف يجب تغييره، أو ما حالة العمل، أو ما الذي يعني أنه انتهى. في الأعمال الطويلة، لا تكون المشكلة غالبًا في مقدار الانتباه الخام، بل في تصميم مساحة العمل.

لهذا تبدو أبحاث Anthropic لعام 2026 حول Jacobian Lens و J-space مفيدة خارج نطاق القابلية للتفسير. تقول الورقة إن نماذج اللغة تحتوي على مجموعة انتقائية من التمثيلات الداخلية القابلة للتعبير اللفظي، وتتصرف كمساحة عمل عالمية وظيفية: تصبح المعلومات مفيدة للتقرير والاستدلال والتحكم المرن عندما تدخل مساحة المشاركة المناسبة، لا عندما يُكشف كل شيء دفعة واحدة.

تطبق MCPlato wands درسًا مشابهًا في التصميم على طبقة سير العمل. لا يدّعي wand أنه J-space الداخلي للنموذج. إنه مساحة عمل خارجية حول النموذج والمستخدم: مرحلة واحدة، وأثر واحد، وسطح أدوات محدود، وحد كتابة، وحالة مرئية، وبوابة واحدة في كل مرة.

النتيجة هي تحول بسيط: بدل أن نطلب من الذكاء الاصطناعي مزيدًا من الانتباه، نعطيه مكانًا أفضل للعمل.

ما الذي وجده J-lens و J-space؟

تقدم ورقة Anthropic "Verbalizable Representations Form a Global Workspace in Language Models" مفهوم Jacobian Lens أو J-lens كطريقة لدراسة تمثيلات النموذج الداخلية التي يُرجح أن تصبح قابلة للتقرير اللفظي. بعبارة بسيطة، لا يسأل J-lens فقط: “ما الـ token التالي الذي سيقوله النموذج؟” بل يسأل: ما المفاهيم الداخلية التي أصبحت بالفعل في حالة يمكن للنموذج أن يضعها في كلمات؟

تسمي الورقة هذه التمثيلات J-space. الفكرة المهمة ليست أن كل تنشيط داخل النموذج مهم بالقدر نفسه. بل إن مجموعة أصغر من التمثيلات القابلة للتعبير اللفظي تبدو كأنها تمتلك خصائص شبيهة بمساحة العمل:

• القابلية للتقرير: يستطيع النموذج التعبير عن المفاهيم النشطة.
• التعديل الموجّه: تستطيع التعليمات دفع مفاهيم معينة إلى مساحة العمل.
• الاستدلال الداخلي: قد تظهر المتغيرات الوسيطة هناك أثناء الاستدلال متعدد الخطوات.
• التعميم المرن: يمكن إعادة استخدام التمثيل نفسه في حسابات مختلفة.
• الانتقائية: لا يدخل كل شيء إلى مساحة العمل.

النقطة الأخيرة هي الأهم لتصميم سير العمل. J-space مفيد لأنه انتقائي تحديدًا. مساحة العمل ليست مكبًا لكل إشارة. إنها المكان الذي تصبح فيه المعلومات ذات الصلة الآن متاحة للتحكم.

تمثيلات ذكاء اصطناعي مختارة تدخل مساحة عمل مشتركة

يكون J-space هنا استعارة وظيفية مفيدة: تصبح التمثيلات المختارة متاحة للتقرير والتحكم، بينما تبقى معظم الإشارات خارج مساحة العمل النشطة.

تستعير الدراسة أيضًا لغة Global Workspace Theory وأبحاث Global Neuronal Workspace، بما في ذلك أعمال Dehaene و Naccache حول الوصول الواعي. يجب التعامل مع هذا الربط بحذر. التشبيه الوظيفي لمساحة العمل ليس دليلًا على التجربة الذاتية. الخلاصة العملية أضيق وأكثر فائدة: يستفيد الاستدلال المعقد عندما تُختار المعلومات ذات الصلة داخل مساحة مشتركة وقابلة للتحكم.

درس تصميم المنتج: الاختيار أهم من التعريض

تظهر المشكلة نفسها في العمل اليومي مع الذكاء الاصطناعي.

عندما يطول خيط المحادثة، قد يكون النموذج لا يزال يملك الحقائق ذات الصلة داخل السياق تقنيًا. لكن المستخدم والنموذج قد يفقدان الهدف الحالي. وعندما يستطيع agent استدعاء أدوات كثيرة، يكتسب النظام قدرة أكبر، لكنه يكتسب أيضًا مساحة فعل أكبر. وعندما يستطيع النموذج تعديل مستودع كامل، يمكنه المساعدة أكثر، لكنه قد يلمس السطح الخطأ. وعندما تكون معايير الإكمال ضمنية، قد ينتقل النموذج قبل أن يكون العمل جاهزًا حقًا.

المزيد من التعريض قد يخلق تكلفة تنسيق أكبر.

لذلك يحتاج سير عمل الذكاء الاصطناعي الجيد إلى إجابات عن أسئلة قليلة:

• ما الهدف الحالي؟
• ما المعلومات التي تنتمي إلى مساحة العمل النشطة؟
• ما الأدوات الصالحة الآن؟
• ما الملفات أو الموارد التي يمكن تعديلها بأمان؟
• أين تُخزن الحالة الدائمة؟
• كيف يستطيع المستخدم فحص التقدم؟
• ما البوابة التي يجب اجتيازها قبل نقل الانتباه إلى الخطوة التالية؟

هنا يأتي دور wands.

ما هو MCPlato wand؟

MCPlato wand هو كائن سير عمل ذكاء اصطناعي مُعبّأ. بدل التعامل مع عمل الذكاء الاصطناعي كتيار محادثة واحد، يحوّل wand العمل إلى أثر دائم له بنية حوله.

يمكن أن يعرّف wand مراحل، وأدوات محدودة النطاق، وحدود موارد، وحالة مستمرة، وعرضًا وقت التشغيل، ومخرجات قابلة للتصدير، وبوابات إكمال. المستخدم والذكاء الاصطناعي لا يتبادلان الرسائل فقط؛ إنهما يبنيان ويفحصان الكائن نفسه.

تمييز مفيد هو:

يعلّم prompt الذكاء الاصطناعي كيف يتصرف. أما wand فيمنح الذكاء الاصطناعي والمستخدم مساحة عمل مشتركة للبناء داخلها.

هذا يجعل wands مختلفة عن سير العمل القائم فقط على prompts. يمكن لـ prompt أن يقول: “ابحث أولًا، ثم ضع مخططًا، ثم اكتب مسودة، ثم نفذ QA.” يمكن لـ wand أن يحول هذه الخطوات إلى مراحل، لكل منها تعليمات مختلفة، وأدوات مرئية مختلفة، وموارد قابلة للكتابة مختلفة، وبوابات مختلفة.

في العصف الذهني الخفيف قد لا تكون هذه البنية ضرورية. أما في العمل متعدد الخطوات الذي يحتاج إلى حالة وملفات وتحقق وحزمة نهائية، فتصبح البنية هي القيمة نفسها.

كيف تركز wands الانتباه

إذا كان J-space يشير إلى أن الاستدلال المفيد يعتمد على ما يدخل مساحة عمل انتقائية، فإن wands تنقل الفكرة نفسها إلى خارج النموذج. إنها تقلل عدد الأشياء التي تتنافس على الانتباه.

تقول مرحلة wand: هذه هي المهمة الآن. تشرح التعليمات النشطة ما يهم في تلك المرحلة. يضيّق سطح الأدوات الأفعال الممكنة. يضيّق حد الكتابة سطح الموارد. يسجل كائن الحالة موقع سير العمل. يجعل عرض وقت التشغيل الأثر مرئيًا. وتقرر البوابة ما إذا كان الانتباه يمكن أن يتقدم.

سير عمل wand يضيّق عمل الذكاء الاصطناعي إلى مراحل مع أدوات وموارد وحالة وبوابات محدودة

يقلل wand مساحة العمل النشطة: تحدد المرحلة الحالية الهدف والأدوات والملفات والحالة ومعايير الإكمال.

هذا لا يجعل النموذج أذكى بطريقة سحرية. إنه يخفض تكلفة البحث في العمل. يمكن للنموذج نفسه أن ينفق جهدًا أقل في إعادة اكتشاف السياق، والاختيار بين أدوات كثيرة، والحماية من تعديلات ملفية خاطئة، وإعادة بناء الحالة من سجل المحادثة. ويمكن أن تذهب قدرة أكبر إلى الأثر نفسه.

مثال عملي: مصنع مقالات كمساحة عمل

لنأخذ سير عمل مقالة طويلة.

في محادثة عادية، قد يطلب المستخدم بحثًا، ثم خيارات موضوع، ثم مخططًا، ثم مسودة، ثم صورًا، وترجمات، وQA، وتغليفًا، وملاحظات نشر. يمكن أن ينجح ذلك، لكن الحالة تكون في الغالب محادثية. على المستخدم والنموذج أن يتذكرا باستمرار ما حدث وما ينبغي أن يحدث بعد ذلك.

في wand، يمكن للعملية نفسها أن تصبح مساحة عمل منظمة:

1. يلتقط Intake الملخص.
2. ينتج Research ملفات المصادر.
3. يرسم Secondary research نقاط ألم المستخدم وفرص SEO.
4. يسجل Topic selection العنوان والـ slug المختارين.
5. يحدد Planning البنية والاستشهادات والمرئيات وقواعد التوطين.
6. يكتب Drafting المصدر الإنجليزي.
7. ينشئ Asset production الغلاف والصور الداخلية.
8. يحافظ Translation على الـ slug نفسه ومسارات الصور نفسها عبر اللغات.
9. يفحص QA المصادر وfrontmatter والصور والتوطين وبنية الحزمة.
10. ينتج Packaging وstatus reporting مخرجًا قابلًا لإعادة الاستخدام.

المهم ليس أن كل سير عمل يجب أن يملك هذه الخطوات بالضبط. المهم أن لكل خطوة حدًا لمساحة العمل. لا يحتاج النموذج إلى حل المشروع كله دفعة واحدة. يحتاج إلى إرضاء المرحلة الحالية واجتياز البوابة.

هذا هو تصميم الانتباه.

أين ما زالت الأساليب الأخرى تتفوق — وأين تناسب wands أكثر

wands ليست بديلًا عالميًا لكل واجهة ذكاء اصطناعي. إنها إجابة عن مشكلة محددة: عمل دائم، قابل للفحص، ومتعدد الخطوات.

خريطة قرار تقارن المحادثة السريعة والسياق الطويل ووكلاء الأدوات وأتمتة سير العمل ومساحات wand الدائمة

تتفوق الأساليب المختلفة في مواقف مختلفة. تناسب wands العمل الذي يحتاج إلى أثر دائم، وحالة مرئية، وأدوات محدودة، وبوابات تحقق.

إذا كنت تحتاج فقط إلى إجابة سريعة، فغالبًا تكفي المحادثة. وإذا كنت تحتاج إلى محرك أتمتة منخفض المستوى ومخصص، فقد يكون إطار agents هو الطبقة المناسبة. وإذا كنت تحتاج إلى توجيه أعمال قابل للتنبؤ، فقد يكون منشئ سير العمل البصري مناسبًا.

تكون MCPlato wands أقوى عندما ينبغي أن يصبح العمل كائنًا: تقريرًا، أو عرضًا، أو حزمة مقالة، أو تحليلًا، أو أثر تطبيق، أو أصلًا إعلاميًا، أو أي مخرج آخر يستفيد من المراحل والتحقق والفحص.

ما الذي لا يثبته J-space — وما الذي لا تدعيه wands

أبحاث J-space مثيرة، لكنها لا ينبغي أن تُقرأ أكثر مما تحتمل.

إنها لا تثبت أن نماذج اللغة تملك وعيًا ذاتيًا. ولا تعني أن القابلية للتفسير تستطيع قراءة عقل النموذج بالكامل. ولا تعني أن كل حالة داخلية شفافة. تظهر تغطيات مثل VentureBeat، وThe Decoder، وCIO لماذا جذبت الدراسة الانتباه، لكن التفسير الأكثر أمانًا يظل وظيفيًا: يبدو أن بعض التمثيلات تصبح متاحة للتقرير والتحكم داخل مساحة عمل انتقائية.

يجب وصف wands بالانضباط نفسه.

لا يمنح wand الذكاء الاصطناعي وعيًا. ولا يقرأ عقل النموذج. ولا يضمن استدلالًا مثاليًا. ومن دون قياس منفصل، لا ينبغي أن نقول إن wands توفر نسبة محددة من tokens أو الوقت أو الانتباه.

الادعاء أبسط: تقلل wands الغموض القابل للتجنب في عمل الذكاء الاصطناعي. إنها تحدد الهدف النشط، والأدوات، وسطح الموارد، والحالة، وعرض الأثر، وبوابة الإكمال. وهذا يجعل مساحة العمل أسهل إدارة للمستخدم وللنموذج.

مساحات عمل أفضل، لا نوافذ أكبر فقط

لن يتحدد الجيل التالي من سير عمل الذكاء الاصطناعي فقط بنوافذ سياق أكبر أو agents تعمل لفترة أطول. هذه القدرات مهمة، لكنها لا تحل وحدها مشكلة الاختيار.

تحتاج أنظمة الذكاء الاصطناعي إلى مساحات عمل تقرر ما الذي يجب أن يكون في بؤرة التركيز الآن.

هذا هو الدرس الذي يجعل J-space مرئيًا داخل النماذج، وهو الدرس الذي تطبقه wands خارج النموذج. يأتي عمل الذكاء الاصطناعي الأفضل من تقليل السطح النشط: أدوات أقل لا علاقة لها، وملفات أقل غموضًا، وحالة أوضح، وآثار مرئية، وبوابات تخبر النظام متى يستطيع التقدم بأمان.

لا يحتاج الذكاء الاصطناعي فقط إلى مزيد من الانتباه. بل يحتاج إلى مساحة عمل أفضل.

الأسئلة الشائعة

ما هو J-space في نماذج اللغة؟

J-space هو مصطلح Anthropic لمجموعة من التمثيلات الداخلية القابلة للتعبير اللفظي التي تبدو وكأنها تعمل كمساحة عمل انتقائية داخل نموذج اللغة. تشير الدراسة إلى أن هذه التمثيلات قد تدعم التقرير، والتعديل المدفوع بالتعليمات، والاستدلال الوسيط، وإعادة الاستخدام المرنة، والانتقائية.

هل يثبت J-space وعي الذكاء الاصطناعي؟

لا. ينبغي التعامل مع J-space هنا كاكتشاف وظيفي حول مساحة العمل، لا كدليل على التجربة الذاتية. إنه مفيد لفهم التمثيل والقابلية للتقرير والتحكم، لكنه ليس دليلًا على وعي شبيه بالبشر داخل النموذج.

ما هو MCPlato wand؟

MCPlato wand هو كائن سير عمل ذكاء اصطناعي مُعبّأ يضم مراحل، وأدوات محدودة، وحدود موارد، وحالة مستمرة، وعروض وقت التشغيل، ومخرجات، وبوابات. إنه يحوّل خيط محادثة فضفاضًا إلى مساحة عمل دائمة وقابلة للفحص.

كيف تساعد wands وكلاء الذكاء الاصطناعي على البقاء مركزين؟

تقلل wands سطح العمل النشط. تحدد المرحلة الهدف الحالي، وتحدد الأدوات المرئية مساحة الفعل، وتحدد حدود الكتابة أين يمكن أن يحدث العمل، وتسجل الحالة التقدم، وتحدد البوابات متى يمكن لسير العمل أن يتقدم.

المراجع

• Anthropic / Transformer Circuits: "Verbalizable Representations Form a Global Workspace in Language Models"
• Stanislas Dehaene and Lionel Naccache: "Towards a cognitive neuroscience of consciousness: basic evidence and a workspace framework"
• Global Neuronal Workspace review: "Conscious Processing and the Global Neuronal Workspace Hypothesis"
• Anthropic: "Auditing Hidden Objectives"
• Anthropic: "Agentic Misalignment"
• VentureBeat: "Anthropic's new J-lens reveals a silent workspace inside Claude that mirrors a leading theory of consciousness"
• The Decoder: "Claude's hidden inner monologue is now readable thanks to Anthropic's new Jacobian Lens"
• CIO: "Anthropic shines a light into the Claude AI black hole"