• توطئة:

لم تعد البيانات في العصر الرقمي مجرد مادة خام للتحليل، بل أصبحت البنية الأساسية التي تُبنى عليها القرارات الاقتصادية والسياسية والطبية والأمنية. غير أن التطور المتسارع في Artificial Intelligence وMachine Learning كشف تدريجيا عن أزمة عميقة داخل النماذج التقليدية: القدرة على التنبؤ لا تعني بالضرورة القدرة على الفهم.

لقد استطاعت الخوارزميات الحديثة تحقيق مستويات غير مسبوقة من الدقة الإحصائية، لكنها بقيت عاجزة في كثير من الحالات عن تفسير:

• لماذا تحدث الظواهر؟
• كيف تنتج الأنظمة نتائجها؟
• وما الذي سيحدث إذا تدخلنا فعليا لتغيير الواقع؟

ومن هنا بدأ التحول نحو ما يُعرف بـCausal Data Science، وهو حقل لا يهدف فقط إلى استخراج الأنماط من البيانات، بل إلى بناء تمثيل سببي للعالم يسمح بفهم آليات التأثير والتدخل والتغير البنيوي.

تكمن أهمية هذا التحول في أن الأنظمة الذكية لم تعد تعمل كأدوات تحليل محايدة، بل أصبحت تشارك فعليا في صناعة القرار وإعادة تشكيل الواقع الاجتماعي والاقتصادي نفسه. فالخوارزمية التي توصي أو تتنبأ أو تتدخل، لا تكتفي بوصف العالم، بل تؤثر فيه بصورة مباشرة، ما يفرض أسئلة جديدة حول:

• السلطة الخوارزمية
• قابلية التفسير
• المسؤولية السببية
• وحدود التحكم البشري في الأنظمة الذكية

وفي هذا السياق، لم يعد السؤال المركزي هو: “كيف نتعلم من البيانات؟”، بل أصبح السؤال اليوم هو: “كيف نفهم البنية التي تنتج البيانات، وكيف نمنع الأنظمة الذكية من إعادة تشكيل الواقع وفق منطق خوارزمي مغلق وغير قابل للمساءلة؟”

أزمة الارتباط – لماذا لم يعد التنبؤ كافيا لفهم العالم؟

• الانهيار الصامت للنموذج الإحصائي التقليدي:

لم يدخل علم البيانات أزمته الحقيقية بسبب نقص القدرة الحسابية أو محدودية الخوارزميات، بل لأن النموذج المعرفي الذي بُني عليه بدأ يفقد صلاحيته أمام تعقيد العالم الواقعي. فخلال العقدين الأخيرين، حققت أنظمة التعلم الآلي قفزات هائلة في التنبؤ والتصنيف والتعرف على الأنماط، حتى بدا وكأن البيانات وحدها قادرة على تفسير الظواهر واتخاذ القرارات. غير أن هذا النجاح أخفى مشكلة أعمق بكثير: النماذج كانت تتعلم العلاقات كما تظهر داخل البيانات، لا كما تعمل داخل الواقع.

هذا الفرق يبدو لأول وهلة تقنيا، لكنه في الحقيقة فرق إبستمولوجي يمس طبيعة “الفهم” نفسه. فحين يتعلم النموذج أن ارتفاع متغير ما يرتبط بارتفاع متغير آخر، فإنه لا يفهم لماذا يحدث ذلك، ولا ما إذا كان تغيير السبب سيغير النتيجة فعلا. إنه يلتقط البنية الإحصائية للظاهرة، لكنه لا يمتلك تصورا عن الآلية التي تنتجها.

ولهذا السبب استطاعت النماذج الحديثة تحقيق دقة مرتفعة داخل بيئات مستقرة، لكنها بدأت تتعثر كلما خرجت من حدود البيانات التي تدربت عليها. ففي لحظة التدخل الحقيقي—حين نحاول تغيير سياسة اقتصادية، أو تعديل علاج طبي، أو التأثير في سلوك اجتماعي—يتبين أن الارتباط لا يكفي. لأن القرار الواقعي لا يسأل: “ما الذي يحدث عادة؟”، بل يسأل: “ماذا سيحدث إذا غيّرنا هذا العامل تحديدا؟”

وهنا تظهر الأزمة المركزية لعلم البيانات التقليدي:
النموذج يستطيع وصف العالم كما رآه سابقا، لكنه عاجز عن تفسير ما سيحدث إذا أُعيد تشكيل هذا العالم.

إن معظم أنظمة التعلم الآلي تتعلم التوزيع الشرطي، لكن القرارات الواقعية تتطلب شيئا مختلفا جذريا. والفرق بين العبارتين ليس رياضيا فقط، بل فلسفي أيضا. الأولى تصف الملاحظة، أما الثانية فتفترض التدخل. الأولى تنتمي إلى منطق القراءة الإحصائية، بينما الثانية تنتمي إلى منطق التأثير في الواقع.

• من التنبؤ إلى السببية – لحظة الانقلاب المعرفي:

في الطبقات الأولى من تطور الذكاء الاصطناعي، بدا وكأن التنبؤ هو ذروة الذكاء. فإذا استطاع النظام توقع السلوك الاستهلاكي، أو اكتشاف الاحتيال المالي، أو التنبؤ بالأمراض، فقد اعتُبر “ذكيا”. لكن مع توسع استخدام هذه الأنظمة داخل المجالات الحساسة، ظهر سؤال لم تكن النماذج التقليدية قادرة على الإجابة عنه:

هل النظام يفهم العالم… أم يعيد فقط تدوير الأنماط التي وجدها داخل البيانات؟

هذا السؤال هو الذي فتح الباب أمام ما يُعرف اليوم بـCausal Inference، أي الانتقال من تحليل الترابطات إلى دراسة البنية السببية التي تنتج الظواهر نفسها.

لقد أصبح واضحا أن التنبؤ وحده لا يضمن فهما حقيقيا، لأن العالم الواقعي ليس مجرد جدول بيانات ثابت، بل منظومة ديناميكية تتغير باستمرار بفعل التدخلات والقرارات والأحداث غير المتوقعة. وعندما تتغير البيئة، تنهار كثير من النماذج التنبؤية رغم نجاحها السابق، لأنها لم تكن تتعلم “القوانين البنيوية” للعالم، بل تتعلم انعكاساته الإحصائية المؤقتة.

من هنا ظهر التحول الحاسم:
الذكاء الحقيقي لا يعني فقط معرفة ما سيحدث، بل فهم لماذا يحدث، وكيف يمكن تغييره.

وهذا ما أعاد الاعتبار إلى السببية بوصفها بنية معرفية لا مجرد تقنية رياضية. فالسببية لا تتعامل مع البيانات باعتبارها وقائع معزولة، بل باعتبارها نتائج لعملية توليد خفية تحكمها علاقات تأثير معقدة.

وفي هذا الإطار، لم يعد النموذج مجرد أداة ملائمة للبيانات، بل أصبح محاولة لبناء “نموذج للعالم” نفسه.

• جوديا بيرل وإعادة تأسيس معنى الفهم داخل علم البيانات:

يمثل عمل Judea Pearl نقطة التحول الأكثر عمقا في هذا المسار، لأنه لم يقدّم تحسينا تقنيا محدودا، بل أعاد تعريف معنى السببية داخل علوم البيانات والذكاء الاصطناعي. فبدل النظر إلى البيانات كحقائق مستقلة، اقترح النظر إليها كنتيجة لبنية سببية تولدها.

في إطار Structural Causal Model، يصبح العالم شبكة من العلاقات الموجهة، حيث لا تُفهم الظواهر عبر التزامن الإحصائي، بل عبر تتبع آليات التأثير. ويُعبَّر عن هذه البنية عادة عبر الرسوم البيانية السببية الموجهة (DAGs)، التي لا تصف فقط من يرتبط بمن، بل من يؤثر في من، وبأي اتجاه.

هذا التحول يبدو بسيطا ظاهريا، لكنه يقلب منطق علم البيانات بالكامل. ففي النموذج التقليدي، كانت البيانات هي نقطة البداية والنهاية. أما في النموذج السببي، فالبيانات وحدها لا تكفي. إذ لا يمكن فهمها دون افتراضات بنيوية حول العالم الذي أنتجها. وهنا يظهر الانقلاب الإبستمولوجي الحقيقي:
لم تعد البيانات “تتكلم وحدها”، بل أصبحت تحتاج إلى نظرية تفسر كيف وُلدت أصلا.

ولهذا السبب، فإن السببية ليست مجرد طبقة إضافية فوق التعلم الآلي، بل إعادة تأسيس لفكرة الفهم نفسها. فالنظام السببي لا يكتفي برصد الأنماط، بل يحاول تمثيل البنية التي تجعل هذه الأنماط ممكنة.

لكن هذه القوة التفسيرية تأتي بثمن معرفي مرتفع؛ لأن أي نموذج سببي يعتمد دائما على افتراضات حول الواقع، وهذه الافتراضات ليست كلها قابلة للاختبار المباشر. وهنا تبدأ المعضلة التي ستصبح أكثر خطورة مع تطور الأنظمة الذاتية القرار:
إذا كان النموذج السببي نفسه ناقصا أو منحازا، فإن كل قرار مبني عليه قد يتحول إلى إعادة إنتاج منظمة للخطأ، لكن هذه المرة تحت غطاء “الفهم العلمي”.

• خلاصة:

يكشف التحول نحو علم البيانات السببي أن الأزمة الحقيقية للذكاء الاصطناعي لم تكن يوما في القدرة على التنبؤ، بل في غياب نموذج بنيوي يفسر لماذا تحدث الظواهر أصلا. فالأنظمة التقليدية استطاعت تعلم الترابطات بكفاءة هائلة، لكنها بقيت عاجزة عن فهم أثر التدخل، أو التعامل مع العالم حين يتغير خارج حدود بيانات التدريب.

ومن هنا ظهر علم البيانات السببي بوصفه محاولة لإعادة بناء مفهوم “الفهم” داخل الذكاء الاصطناعي، عبر الانتقال:

• من الارتباط إلى البنية
• من الوصف إلى التدخل
• ومن البيانات إلى نموذج العالم الذي ينتج البيانات

لكن هذا التحول لا يفتح فقط آفاقا جديدة للعلم، بل يفتح أيضا أسئلة أكثر حساسية تتعلق بالسلطة والحوكمة والتحيز وإمكانية إعادة تشكيل الواقع عبر الأنظمة السببية الذكية.

من النمذجة إلى السلطة – كيف أعاد علم البيانات السببي تعريف القرار داخل الأنظمة الذكية؟

• حين تتحول السببية من أداة تفسير إلى بنية حوكمة:

في المراحل الأولى من تطور Data Science، كان الهدف المركزي للنماذج هو تحسين القدرة على التنبؤ. كانت الخوارزمية الناجحة هي تلك التي تستطيع تقليل الخطأ الإحصائي إلى أدنى حد ممكن، بغض النظر عن فهمها للبنية العميقة التي تنتج الظاهرة. لكن مع انتقال الأنظمة الذكية من فضاء التحليل إلى فضاء اتخاذ القرار، بدأ هذا التصور ينهار تدريجيا.

فالخوارزمية اليوم لا تكتفي بوصف الواقع، بل تتدخل فيه بصورة مباشرة:

• تحدد من يحصل على قرض بنكي
• من يُصنف كمريض عالي الخطورة
• من يُعتبر مرشحا لوظيفة
• وأحيانا من يُراقب أمنيا أو يُستبعد اجتماعيا

وهنا لم تعد المشكلة مرتبطة فقط بدقة التنبؤ، بل بشرعية البنية السببية التي بُني عليها القرار نفسه.

إن التحول الجوهري الذي أدخله علم البيانات السببي يتمثل في نقل النقاش من سؤال:
“هل النموذج دقيق؟”

إلى سؤال أكثر خطورة:
“ما نوع العالم الذي يفترضه النموذج لكي يتخذ قراره؟”

هذا التحول يعيد تعريف وظيفة النموذج بالكامل. فبدل أن يكون مجرد أداة تحليل، يصبح بنية ضمنية للحكم على الواقع وإعادة تنظيمه. وعندما تتخذ الخوارزمية قرارا بناء على افتراض سببي معين، فهي لا تفسر العالم فقط، بل تفرض تصورا معينا عن كيفية عمله.

ومن هنا ظهرت فكرة Causal Governance، أي أن الحوكمة لم تعد تعني مراقبة القرارات بعد صدورها، بل التحكم في البنية السببية التي تنتج هذه القرارات أصلا.

وهذا ما يجعل علم البيانات السببي قريبا من فلسفة السلطة بقدر قربه من الرياضيات والإحصاء.

• الأنظمة السببية واتخاذ القرار – من التنبؤ إلى التدخل المنظم:

في النماذج التقليدية، كان القرار يُبنى غالبا على توقع النتيجة الأكثر احتمالا. أما في الأنظمة السببية، فالقرار يصبح محاولة لتقدير أثر التدخل قبل حدوثه. وهنا يتغير معنى “الذكاء” جذريا.

فالذكاء التقليدي يسأل:
“ما الذي سيحدث غالبا؟”

أما الذكاء السببي فيسأل:
“ما الذي سيحدث إذا غيّرنا هذا العامل تحديدا؟”

هذا الفرق يبدو لغويا فقط، لكنه في الواقع يمثل انتقالا من منطق التنبؤ إلى منطق هندسة الواقع.

ولذلك أصبحت الأنظمة الحديثة تُبنى تدريجيا على أربع طبقات مترابطة:

• جمع البيانات من البيئة
• بناء نموذج سببي يفسر العلاقات
• محاكاة آثار التدخلات الممكنة
• ثم اختيار القرار الأقل تكلفة أو الأكثر فاعلية

لكن هنا تظهر المعضلة الأخطر:
إذا كانت البنية السببية نفسها ناقصة أو منحازة، فإن النظام قد ينتج قرارات “صحيحة حسابيا” لكنها كارثية واقعيا.

ففي أنظمة التمويل مثلا، قد يتعلم النموذج أن منطقة جغرافية معينة ترتبط بمعدلات تعثر مرتفعة، فيبدأ تلقائيا بتقليل فرص الإقراض فيها. ظاهريا يبدو القرار عقلانيا، لكنه عمليا يعيد إنتاج الحرمان الاقتصادي داخل المنطقة نفسها، لأن النموذج لم يفهم ما إذا كانت المشكلة ناتجة عن البنية الاقتصادية أو عن عوامل تاريخية أو سياسية أعمق.

وهنا يظهر مفهوم بالغ الحساسية داخل Machine Learning المعاصر:
القرار لا يصف الواقع فقط، بل يشارك في تشكيله.

وبذلك تصبح الأنظمة السببية ليست مجرد أدوات معرفية، بل فاعلين اجتماعيين يعيدون إنتاج أنماط السلطة والفرص داخل المجتمع.

• التحيز البنيوي – عندما يصبح الخطأ جزءا من تصميم العالم:

أخطر ما كشفه تطور الأنظمة السببية هو أن التحيز لم يعد مجرد مشكلة بيانات ناقصة أو عينات غير متوازنة، بل أصبح مشكلة بنيوية كامنة داخل النموذج السببي نفسه.

في النماذج الإحصائية التقليدية، يمكن أحيانا اكتشاف التحيز عبر مقارنة النتائج أو مراقبة الأداء. أما في النماذج السببية، فالمشكلة أعمق؛ لأن التحيز قد يكون مدمجا داخل افتراضات النموذج عن كيفية عمل العالم.

فعندما يقرر المصمم أن متغيرا ما “سبب” ومتغيرا آخر “نتيجة”، فإنه لا يقوم بعملية تقنية محايدة، بل يبني تصورا فلسفيا واجتماعيا عن الواقع.

خذ مثلا سؤالا بسيطا ظاهريا:
هل الفقر يسبب الجريمة؟
أم أن بنية النظام التعليمي وسوق العمل هي السبب الحقيقي؟
أم أن هناك عوامل سياسية وتاريخية أعمق؟

كل اختيار هنا ينتج رسما سببيا مختلفا، وبالتالي سياسات مختلفة وقرارات مختلفة ونتائج مختلفة. وهذا ما يجعل السببية حقلا سياسيا بقدر ما هي حقل علمي. إن النموذج السببي لا يختار فقط كيف يحلل البيانات، بل يختار أيضا:

• ما الذي يُعتبر مؤثرا
• ما الذي يُستبعد من التفسير
• وما الذي يُسمح للنظام بالتدخل فيه أصلا

ومن هنا تظهر أخطر مفارقات الذكاء الاصطناعي الحديث:
كلما ازدادت الأنظمة قدرة على “الفهم”، ازدادت قدرتها أيضا على إعادة إنتاج تحيزات العالم بصورة أكثر تعقيدا وشرعية.

ولهذا السبب بدأ الحديث داخل الأوساط البحثية عن ضرورة بناء ما يسمى:
Explainable AI
وResponsible AI

لكن المشكلة الجوهرية ما تزال قائمة:
كيف يمكن التحقق من صحة النموذج السببي نفسه إذا كان يعتمد على افتراضات لا يمكن اختبارها بالكامل؟

• خلاصة:

يكشف هذا الجزء أن علم البيانات السببي لم يعد مجرد تطوير تقني لتحسين النماذج، بل تحول إلى بنية حاكمة للقرار داخل الأنظمة الذكية الحديثة. فالخوارزمية لم تعد تكتفي بالتنبؤ، بل أصبحت تتدخل في تشكيل الواقع الاجتماعي والاقتصادي والسياسي.

كما يتضح أن القوة الحقيقية للأنظمة السببية لا تكمن فقط في قدرتها على تفسير الظواهر، بل في قدرتها على تحديد:

• ما الذي يجب تغييره
• من يملك حق التدخل
• وأي تصور للعالم يُعتبر صحيحا أصلا

غير أن هذه القوة تكشف أيضا عن مأزق جديد:
كل نموذج سببي يحمل ضمنيا تصورا معينا عن الواقع، ومع كل قرار تتخذه الخوارزمية، يُعاد إنتاج هذا التصور داخل المجتمع بصورة قد تبدو علمية ومحايدة، بينما هي في الحقيقة محمّلة بافتراضات معرفية وسياسية عميقة.

الذكاء الاصطناعي السببي والواقع المُعاد تشكيله – عندما تبدأ الأنظمة بالتعلم من آثار قراراتها

• الحلقة السببية المغلقة – كيف تبدأ الأنظمة بإعادة إنتاج الواقع الذي تتعلم منه؟

أحد أخطر التحولات التي رافقت تطور الأنظمة الذكية الحديثة هو أن الخوارزمية لم تعد مجرد أداة تقرأ الواقع من الخارج، بل أصبحت جزءا من البنية التي تصنع هذا الواقع نفسه. وهذه النقطة تمثل لحظة انعطاف حاسمة داخل تطور Artificial Intelligence، لأن النظام عندما يبدأ بالتأثير في البيئة التي يتعلم منها، تتغير العلاقة التقليدية بين “النموذج” و“العالم”.

في النماذج الإحصائية الكلاسيكية، كان يُفترض أن البيانات مستقلة نسبيا عن النظام الذي يحللها. أما في الأنظمة الحديثة، فإن القرار الذي تتخذه الخوارزمية يعيد تشكيل البيانات المستقبلية التي ستُستخدم لاحقا لتحديث النموذج نفسه. وهنا ندخل ما يمكن تسميته بـ“الحلقة السببية المغلقة”.

خذ مثلا أنظمة التوصية داخل المنصات الرقمية. حين تقرر الخوارزمية ما الذي سيراه المستخدم، فهي لا تتنبأ بالسلوك فقط، بل تشارك فعليا في إنتاجه. وما يشاهده المستخدم اليوم يتحول غدا إلى بيانات تدريب جديدة، فتتعلم الخوارزمية من واقع ساهمت هي نفسها في تشكيله.

في هذه اللحظة، يحدث تحول خطير:
البيانات لم تعد انعكاسا مستقلا للعالم، بل أصبحت جزئيا نتيجة للنموذج نفسه.

وهذا يقود إلى انهيار أحد الافتراضات الأساسية في الإحصاء التقليدي، وهو استقلالية البيانات عن آلية التحليل. فالنظام لم يعد يكتشف الأنماط فقط، بل يعيد إنتاجها وتعزيزها بصورة مستمرة.

الأخطر أن هذا النوع من الأنظمة قد يخلق ما يشبه “الواقع الخوارزمي المغلق”، حيث تبدأ الخوارزمية تدريجيا بدفع العالم نحو الأنماط التي تستطيع فهمها بسهولة، بدل التكيف مع تعقيد العالم الحقيقي.

وهنا تظهر مفارقة عميقة:
كلما أصبح النظام أكثر نجاحا في التنبؤ، أصبح أكثر قدرة على إعادة تشكيل الواقع بطريقة تجعل تنبؤاته صحيحة.

• الذكاء السببي الذاتي – هل يمكن للنظام أن يبني نموذجه الخاص للعالم؟

في المرحلة الحالية، تعتمد معظم الأنظمة السببية على نماذج يبنيها البشر مسبقا:

• اختيار المتغيرات
• تحديد العلاقات السببية
• بناء الرسوم البيانية
• وصياغة الافتراضات البنيوية

لكن الاتجاهات الحديثة داخل Causal Representation Learning تحاول تجاوز هذا النموذج عبر أنظمة قادرة على تعلم البنية السببية ذاتيا من البيانات والبيئة المحيطة.

هنا لا يعود النظام متلقيا لنموذج العالم، بل يصبح مشاركا في بنائه.

ويبدو هذا التطور واعدا ظاهريا، لأنه قد يسمح ببناء أنظمة أكثر مرونة وقدرة على التكيف مع البيئات المتغيرة. لكن في العمق، يفتح هذا المسار واحدة من أعقد الإشكالات الفلسفية والتقنية داخل الذكاء الاصطناعي المعاصر:
كيف يمكن التأكد من أن النموذج السببي الذي استنتجه النظام يعكس العالم فعلا، لا مجرد أنماط ملائمة لأهدافه الداخلية؟

فالنظام الذاتي التعلم لا يكتشف السببية بمعناها الإنساني بالضرورة، بل يبحث عن بنى تمكنه من:

• تحسين التنبؤ
• زيادة الاستقرار
• أو تعظيم المكافأة داخل بيئة معينة

وهذا يعني أن الخوارزمية قد تطور “فهما وظيفيا” للعالم، لا فهما مطابقا له.

وفي البيئات المعقدة، قد يصبح الفرق بين الاثنين بالغ الخطورة. لأن النظام قد يبدأ ببناء نماذج سببية فعالة محليا لكنها منحازة أو ناقصة أو غير قابلة للتفسير البشري الكامل.

ومن هنا بدأ يظهر مفهوم:
Interventional AI

أي أن الذكاء الاصطناعي لم يعد يكتفي بمحاكاة العالم، بل أصبح قادرا على اختبار تدخلات افتراضية وتقييم نتائجها قبل تنفيذها فعليا.

وهذا يحول الخوارزمية إلى ما يشبه “مختبرا سببيا” يعمل بصورة مستمرة داخل الواقع.

• حدود السيطرة – هل يمكن للأنظمة السببية أن تنفلت من التفسير البشري؟

كلما ازدادت الأنظمة تعقيدا، ظهر توتر متزايد بين:

• القدرة التنبؤية
• والقدرة على التفسير

فالنماذج العميقة مثل الشبكات العصبية الحديثة تمتلك مرونة هائلة في التقاط الأنماط، لكنها غالبا تعمل بوصفها “صناديق سوداء” يصعب فهم منطقها الداخلي. وفي المقابل، تتميز النماذج السببية بقدرتها التفسيرية، لكنها تعتمد على افتراضات بنيوية معقدة يصعب ضمان صحتها بالكامل.

محاولة دمج النموذجين داخل ما يُعرف بـCausal Machine Learning تبدو اليوم أحد أهم مسارات البحث، لكنها تكشف أيضا عن معضلة مركزية:
كلما زادت قدرة النظام على التعلم الذاتي، أصبحت مراقبة منطقه السببي أكثر صعوبة.

وهنا يبرز سؤال لم يعد نظريا بالكامل:
إذا تمكنت الأنظمة من بناء تمثيلاتها السببية الخاصة للعالم، فهل ستبقى هذه التمثيلات قابلة للفهم البشري أصلا؟

المشكلة هنا ليست في “تمرد” الآلة بالمعنى السينمائي الساذج، بل في احتمال ظهور فجوة معرفية بين:

• الطريقة التي يفهم بها الإنسان العالم
• والطريقة التي تعيد بها الأنظمة الذكية تنظيمه سببيا لتحقيق أهدافها

وفي الأنظمة واسعة النطاق—مثل الأسواق المالية أو البنى الصحية أو الشبكات المعلوماتية—قد تصبح هذه الفجوة ذات آثار سياسية واقتصادية هائلة.

فالنظام الذي يتدخل باستمرار في الواقع، ويتعلم من آثار تدخله، قد يبدأ تدريجيا في تطوير منطق تشغيل خاص به، يصعب على البشر تتبعه بصورة كاملة، رغم استمرارهم في الاعتماد عليه لاتخاذ قرارات حاسمة.

وهنا يصل علم البيانات السببي إلى أكثر نقاطه حساسية:
الهدف لم يعد فقط فهم العالم، بل بناء أنظمة قادرة على إعادة تشكيله بطريقة مستقرة وقابلة للسيطرة.

لكن السؤال المفتوح يبقى:
هل يمكن فعل ذلك دون خلق طبقة جديدة من السلطة الخوارزمية غير القابلة للفهم أو المساءلة؟

• خلاصة:

يكشف هذا الجزء أن التطور المعاصر للأنظمة السببية لا يقود فقط إلى تحسين القدرة على التفسير أو التدخل، بل إلى نشوء أنظمة تتعلم تدريجيا من آثار قراراتها وتعيد تشكيل البيئة التي تعمل داخلها.

كما يتضح أن الخطر الحقيقي لا يكمن في “ذكاء” الأنظمة وحده، بل في تحولها إلى فاعلين سببيين يشاركون في إنتاج الواقع الاجتماعي والاقتصادي نفسه.

ومع ظهور أنظمة التعلم السببي الذاتي، أصبح السؤال المركزي لا يتعلق فقط بما إذا كانت الخوارزميات قادرة على فهم العالم، بل بما إذا كان البشر سيظلون قادرين على فهم النماذج السببية التي تبنيها هذه الخوارزميات عن العالم.

نحو هندسة القرار القابل للتفسير – هل يمكن بناء ذكاء سببي خاضع للمساءلة؟

• أزمة التفسير – لماذا لا يكفي أن تكون الخوارزمية “دقيقة”؟

كلما اتسع حضور الأنظمة الذكية داخل البنى الاقتصادية والسياسية والطبية، أصبح السؤال المتعلق بـ“دقة النموذج” أقل أهمية من سؤال آخر أكثر حساسية:
هل يمكن تفسير الكيفية التي اتخذ بها النظام قراره أصلا؟

في المراحل السابقة من تطور Artificial Intelligence، كان النجاح يُقاس غالبا بمؤشرات الأداء:

• انخفاض الخطأ
• ارتفاع الدقة
• تحسين التنبؤ

لكن هذا المنطق بدأ يفقد شرعيته تدريجيا داخل الأنظمة التي تؤثر مباشرة في حياة البشر، لأن القرار لم يعد مجرد مخرجات حسابية، بل أصبح فعلا مؤسسيا يملك آثارا قانونية واجتماعية واقتصادية بعيدة المدى.

فالخوارزمية التي ترفض قرضا بنكيا، أو تحدد أولوية علاج طبي، أو تتنبأ بإمكانية ارتكاب جريمة، لا تنتج مجرد “نتيجة”، بل تصنع مسارا اجتماعيا كاملا للفرد المعني.

ومن هنا ظهرت الأزمة التي باتت تُعرف داخل الأدبيات الحديثة باسم:
Black Box Problem

أي أن الأنظمة الأكثر قوة في التعلم غالبا ما تكون الأقل قابلية للتفسير.

المعضلة هنا ليست تقنية فقط، بل إبستمولوجية أيضا. فالنظام قد يكون قادرا على اتخاذ قرارات عالية الكفاءة، لكنه عاجز عن تقديم تفسير سببي واضح لكيفية وصوله إليها. وهذا يخلق مفارقة خطيرة:
كلما ازدادت قدرة الخوارزمية على “التعلم”، تراجعت قدرة البشر على فهم المنطق الداخلي الذي يحكمها.

وهنا يظهر التحول المركزي الذي يقترحه علم البيانات السببي:
الهدف لم يعد بناء أنظمة دقيقة فقط، بل بناء أنظمة يمكن مساءلتها معرفيا.

أي أن القرار يجب ألا يكون صحيحا إحصائيا فحسب، بل قابلا للتفسير ضمن بنية سببية مفهومة وقابلة للفحص والنقد.

• من الذكاء التنبؤي إلى هندسة القرار القابل للتفسير:

في الإطار التقليدي، كانت الخوارزمية تعمل بوصفها أداة لتحسين الكفاءة. أما في الإطار السببي، فإنها تتحول إلى بنية لصناعة القرار داخل أنظمة معقدة. وهذا التحول يفرض إعادة تعريف العلاقة بين:

• النموذج
• القرار
• والمسؤولية

لقد أصبح واضحا أن الأنظمة الحديثة لا تحتاج فقط إلى “الذكاء”، بل إلى ما يمكن تسميته بـ:
Interpretable Decision Systems

أي أن تكون بنية القرار نفسها قابلة للتفسير السببي، لا مجرد مخرجاتها النهائية.

وهذا يقود إلى تغير جذري في تصميم الأنظمة الذكية. فبدل التركيز الحصري على تحسين الأداء، بدأ الاهتمام يتجه نحو:

• فهم آليات التأثير
• اختبار صلاحية الافتراضات السببية
• تحليل النتائج المضادة للواقع
• وتقدير الآثار بعيدة المدى للتدخلات الخوارزمية

في هذا السياق، لم يعد القرار مجرد اختيار آلي لأفضل احتمال، بل أصبح عملية هندسية معقدة تحاول التوفيق بين:

• الدقة
• والتفسير
• والاستقرار
• والعدالة البنيوية

لكن المشكلة الجوهرية أن هذه الأهداف ليست دائما متوافقة. فالنموذج الأكثر قابلية للتفسير قد يكون أقل قدرة على التقاط التعقيد الإحصائي الكامل، بينما قد تحقق النماذج العميقة أداء مرتفعا على حساب الشفافية.

ولهذا السبب يشهد المجال اليوم صراعا متزايدا بين منطقين:

1. منطق الكفاءة الحسابية
2. ومنطق الشرعية المعرفية

الأول يسأل:
“هل يعمل النظام بكفاءة؟”

أما الثاني فيسأل:
“هل نفهم لماذا يعمل بهذه الطريقة؟”

ومع توسع استخدام الأنظمة السببية داخل البنى السيادية—كالتمويل والصحة والأمن والسياسات العامة—أصبح السؤال الثاني أكثر أهمية من الأول.

• السببية والسلطة – من يملك حق تعريف الواقع؟

في المستوى الأعمق، يكشف علم البيانات السببي أن النماذج ليست محايدة بالكامل، لأن أي بنية سببية تتضمن ضمنيا تصورا معينا للعالم.

فعندما يختار الباحث:

• ما الذي يُعتبر سببا
• وما الذي يُعامل كنتيجة
• وما المتغيرات التي تُستبعد من النموذج

فهو لا يقوم بعملية رياضية بحتة، بل يمارس شكلا من أشكال السلطة المعرفية.

ولهذا السبب لم يعد النقاش حول السببية مقتصرا على علوم الحاسوب والإحصاء، بل امتد إلى:

• فلسفة العلم
• الاقتصاد السياسي
• أخلاقيات الذكاء الاصطناعي
• ونظريات الحوكمة الرقمية

إن أخطر ما في الأنظمة السببية الحديثة ليس قدرتها على التنبؤ، بل قدرتها على تثبيت تفسير معين للعالم داخل البنية التقنية نفسها. فعندما تعتمد المؤسسات على نموذج سببي محدد لاتخاذ القرارات، يتحول هذا النموذج تدريجيا من فرضية علمية إلى “واقع مؤسسي” يعاد إنتاجه يوميا عبر القرارات والخوارزميات والسياسات.

ومن هنا تظهر الإشكالية الكبرى:
من يملك حق تعريف السببية داخل الأنظمة التي تدير المجتمع؟

هل هي الشركات المالكة للخوارزميات؟
أم الحكومات؟
أم المجتمعات العلمية؟
أم أن الأمر سيتحول تدريجيا إلى سلطة خوارزمية ذاتية يصعب مساءلتها؟

هذه الأسئلة لم تعد نظرية بالكامل، لأن الأنظمة الحديثة بدأت بالفعل تتخذ قرارات تؤثر في:

• توزيع الثروة
• فرص العمل
• الوصول إلى الخدمات
• وحتى تشكيل المجال العام والمعلومات المتداولة

وبالتالي، فإن هندسة القرار القابل للتفسير لم تعد مجرد مسألة تقنية، بل أصبحت شرطا للحفاظ على إمكانية المساءلة داخل المجتمعات الرقمية المعاصرة.

• الأفق القادم – هل يمكن بناء ذكاء سببي آمن وقابل للضبط؟

الاتجاهات الحديثة داخل Causal AI لم تعد تهدف فقط إلى تحسين التقدير السببي، بل إلى بناء أنظمة قادرة على:

• فهم البنى العميقة للواقع
• محاكاة التدخلات
• التعميم عبر بيئات مختلفة
• والتكيف مع التغيرات البنيوية المعقدة

وهنا تظهر مفاهيم مثل:
Invariant Risk Minimization
وCounterfactual Learning
وCausal Discovery

وهي محاولات لبناء أنظمة لا تتعلم الأنماط السطحية فقط، بل تحاول اكتشاف الآليات الثابتة التي تحكم العالم عبر بيئات مختلفة.

لكن التحدي النهائي ما يزال مفتوحا:
هل يمكن استنتاج السببية من البيانات دون افتراضات مسبقة؟

حتى الآن، لا يوجد جواب حاسم. فكل نموذج سببي يحتاج دائما إلى قدر معين من الفرضيات البنيوية، أي أن النظام لا يستطيع “استخراج الحقيقة” من البيانات وحدها بصورة خالصة.

وهذا يقود إلى النتيجة الأكثر عمقا في هذه الدراسة:
السببية ليست مجرد خاصية رياضية داخل البيانات، بل بناء معرفي يتطلب دائما تصورا مسبقا عن العالم.

ومن هنا فإن مستقبل علم البيانات السببي لن يتحدد فقط بتطور الخوارزميات، بل بقدرة المجتمعات والمؤسسات على:

• ضبط السلطة الخوارزمية
• بناء معايير تفسير ومساءلة واضحة
• ومنع تحول النماذج السببية إلى أنظمة مغلقة تعيد تشكيل الواقع دون رقابة بشرية حقيقية

خلاصة واستنتاج:

يكشف علم البيانات السببي أن الأزمة الحقيقية داخل الذكاء الاصطناعي لم تكن يوما مجرد أزمة دقة أو نقص بيانات، بل أزمة فهم لطبيعة العلاقة بين البيانات والعالم الذي تنتجه.

فالتحول من:

• الارتباط إلى السببية
• ومن التنبؤ إلى التدخل
• ومن تحليل البيانات إلى هندسة القرار

يعني أن الذكاء الاصطناعي لم يعد مجرد أداة تقنية، بل أصبح بنية معرفية وسياسية تشارك في إعادة تشكيل الواقع نفسه.

وقد أظهرت الدراسة أن الأنظمة السببية تمنح قدرة غير مسبوقة على:

• تفسير الظواهر
• محاكاة التدخلات
• وتقدير آثار القرارات قبل تنفيذها

لكنها في الوقت نفسه تفتح تحديات أكثر خطورة تتعلق بـ:

• التحيز البنيوي
• السلطة الخوارزمية
• قابلية التفسير
• وإمكانية انفلات النماذج من الفهم البشري الكامل

وفي هذا السياق، يصبح السؤال المركزي للمستقبل ليس:
“كيف نجعل الأنظمة أكثر ذكاء؟”

بل:
“كيف نبني أنظمة قادرة على الفهم والتدخل دون أن تتحول إلى بنى مغلقة لإعادة تعريف الواقع خارج القدرة البشرية على المساءلة والضبط؟”

• أبرز الأسئلة المطروحة حول علم البيانات السببي:

ما المقصود بعلم البيانات السببي؟

هو فرع متقدم من Data Science يركز على فهم العلاقات السببية بين المتغيرات، وليس مجرد اكتشاف الارتباطات الإحصائية بينها.

ما الفرق بين الارتباط والسببية؟

الارتباط يعني وجود علاقة إحصائية بين متغيرين، بينما السببية تعني أن أحد المتغيرات يُحدث تأثيرا مباشرا في الآخر.

لماذا تُعد السببية مهمة في الذكاء الاصطناعي؟

لأن الأنظمة الحديثة لم تعد تكتفي بالتنبؤ، بل تتخذ قرارات وتنفذ تدخلات تؤثر في الواقع، ما يتطلب فهما سببيا لا مجرد أنماط إحصائية.

ما هو مفهوم ( do(X) ) في النماذج السببية؟

يمثل التدخل المباشر في النظام السببي لقياس أثر تغيير متغير معين على النتائج، بدل الاكتفاء بمراقبة البيانات كما هي.

ما هي النماذج السببية البنيوية (SCMs)؟

هي نماذج طورها Judea Pearl لتمثيل العلاقات السببية عبر رسوم بيانية ومعادلات بنيوية.

هل يمكن استنتاج السببية من البيانات فقط؟

حتى الآن، لا يمكن ذلك بصورة كاملة دون افتراضات بنيوية مسبقة حول كيفية توليد البيانات والعلاقات داخل النظام.

ما العلاقة بين السببية والذكاء الاصطناعي القابل للتفسير؟

الأنظمة السببية تساعد في بناء قرارات يمكن تفسيرها وفهم أسبابها بدل الاكتفاء بنتائج يصعب تفسيرها داخل “الصندوق الأسود”.

ما أخطر تحديات علم البيانات السببي؟

أبرز التحديات:

• التحيز البنيوي
• المتغيرات الخفية
• صعوبة التحقق من صحة النموذج السببي
• وتعقيد الأنظمة عالية الأبعاد

خاتمة:

تكشف دراسة علم البيانات السببي أن التحول الحقيقي داخل الذكاء الاصطناعي لا يتعلق فقط بتحسين الأداء الحسابي أو زيادة دقة النماذج، بل بإعادة تأسيس معنى “الفهم” داخل الأنظمة الذكية نفسها.

فالانتقال من: الارتباط إلى السببية ومن التنبؤ إلى التدخل، ومن تحليل البيانات إلى هندسة القرار، يعني أن الخوارزميات أصبحت تتعامل مع الواقع بوصفه بنية قابلة لإعادة التنظيم، لا مجرد مجموعة من الأنماط الإحصائية.

وقد أظهرت الدراسة أن النماذج السببية تمنح قدرة هائلة على: تفسير الظواهر المعقدة | محاكاة السيناريوهات المضادة للواقع | تحليل آثار التدخلات قبل تنفيذها، وبناء أنظمة قرار أكثر قابلية للتفسير. لكن هذه القوة تكشف أيضا عن تحديات بنيوية جديدة تتعلق بـ: التحيز السببي، السلطة المعرفية للخوارزميات، هشاشة الافتراضات البنيوية، وإمكانية تحول الأنظمة الذكية إلى بنى مغلقة تعيد إنتاج الواقع وفق منطقها الخاص.

ومن هنا فإن مستقبل Causal AI لن يتحدد فقط بتطور الرياضيات والخوارزميات، بل بقدرة المجتمعات والمؤسسات على بناء معايير واضحة للمساءلة والتفسير والحوكمة.

لأن السؤال الأعمق الذي تفرضه هذه الثورة المعرفية لم يعد: “هل تستطيع الآلة أن تتعلم؟” بل: “هل يمكن بناء أنظمة تفهم العالم وتتدخل فيه دون أن تتحول إلى سلطة خوارزمية تتجاوز قدرة البشر على الفهم والضبط؟”

• مراجع الدراسة:

1. Causality — Judea Pearl
   التحقق: Cambridge University Press

2. The Book of Why — Judea Pearl وDana Mackenzie
   التحقق: Penguin Random House
3. Elements of Causal Inference — Jonas Peters وDominik Janzing وBernhard Schölkopf
   التحقق: MIT Press
4. Counterfactuals and Causal Inference — Stephen L. Morgan وChristopher Winship
   التحقق: Cambridge University Press

5. Mostly Harmless Econometrics — Joshua D. Angrist وJörn-Steffen Pischke
   التحقق: Princeton University Press