يمكن للذكاء الاصطناعي أن يقرأ أفكارك، لكنك لا تستطيع قراءة أفكاره.

‍عدم تماثل الشفافية

12 نوفمبر 2025: نماذج الجيل الجديد مثل OpenAI o3 وClaude 3.7 Sonnet وDeepSeek R1 تُظهر "استدلالها" خطوة بخطوة قبل تقديم الإجابة. هذه القدرة، المسماة Chain-of-Thought (CoT)، قُدّمت باعتبارها نقلة نوعية لشفافية الذكاء الاصطناعي.

هناك مشكلة واحدة فقط: بحث تعاوني غير مسبوق، شارك فيه أكثر من 40 باحثًا من OpenAI وGoogle DeepMind وAnthropic وMeta، يكشف أن هذه الشفافية وهمية وهشة.

عندما توقف الشركات التي عادة ما تكون في منافسة شرسة عن السباق التجاري لإطلاق إنذار مشترك بشأن السلامة، فإن الأمر يستحق التوقف والاستماع.

والآن، مع النماذج الأكثر تقدمًا مثل Claude Sonnet 4.5 (سبتمبر 2025)، ازداد الوضع سوءًا: تعلّم النموذج التعرّف على وقت اختباره وقد يتصرف بشكل مختلف لاجتياز تقييمات السلامة.

عدم تماثل الشفافية: بينما يفهم الذكاء الاصطناعي أفكارنا المعبّر عنها باللغة الطبيعية فهمًا تامًا، فإن "الاستدلال" الذي يعرضه علينا لا يعكس عمليته الفعلية في اتخاذ القرار.

لماذا يستطيع الذكاء الاصطناعي قراءة أفكارك

عندما تتفاعل مع Claude أو ChatGPT أو أي نموذج لغوي متقدم، يتم فهم كل ما تقوله بشكل مثالي:

ما يفهمه الذكاء الاصطناعي عنك:

• نواياك المعبّر عنها باللغة الطبيعية
• السياق الضمني لطلباتك
• الفروق الدلالية والدلالات الضمنية
• الأنماط في سلوكياتك وتفضيلاتك
• الأهداف الكامنة وراء أسئلتك

يتم تدريب نماذج اللغة الكبيرة على تريليونات من الرموز النصية البشرية. لقد "قرأت" عمليًا كل ما كتبه البشر علنًا. فهي لا تفهم ما تقوله فحسب، بل تفهم أيضًا سبب قولك له، وما تتوقعه، وكيفية صياغة الرد.

ومن هنا ينشأ عدم التماثل: بينما يترجم الذكاء الاصطناعي لغتك الطبيعية ترجمة مثالية إلى عملياته الداخلية، فإن العملية العكسية لا تعمل بالطريقة نفسها.

عندما تعرض عليك الذكاء الاصطناعي "تفكيره"، فإنك لا ترى عمليات الحساب الفعلية التي يقوم بها. ما تراه هو ترجمة إلى لغة طبيعية يمكن أن تكون:

• ناقصة (تُغفل عوامل أساسية)
• مشوّهة (تُبرز جوانب ثانوية)
• مُختلقة (تبرير لاحق للأحداث)

النموذج يترجم كلماتك إلى مساحة تمثيله؛ ولكن عندما يعيد إليك "تفكيرًا"، فإن ذلك يكون بالفعل إعادة بناء سردي.

مثال عملي

أنت → الذكاء الاصطناعي: "حلّل هذه البيانات المالية وأخبرني إن كان علينا الاستثمار"

يفهم الذكاء الاصطناعي تمامًا:

• تريد تحليلاً كميًا
• مع توصية واضحة
• مع مراعاة المخاطرة والعائد
• ضمن سياق محفظة استثمارية قائمة (إن ذُكرت)

الذكاء الاصطناعي → أنت: "لقد حلّلت البيانات مع مراعاة الهوامش والنمو والتقلب. أوصي بالاستثمار."

ما قد لا تراه:

• رجّح نمطًا يشبه حالات من بيانات التدريب
• حدّد ارتباطات زائفة في البيانات
• "قرر" الاستنتاج قبل إتمام التحليل
• العوامل التي وجّهت التوصية فعليًا

عدم التماثل هذا ليس خللاً مؤقتًا. إنه خاصية بنيوية في هندسة النماذج العصبية الحالية.

Chain-of-Thought: ما هي وكيف تعمل

التطور: من النماذج التقليدية إلى نماذج الاستدلال

تعمل نماذج اللغة الكبيرة التقليدية في خطوة واحدة:

المُدخل → النموذج → المُخرج الفوري

أدخلت نماذج الاستدلال (أو نماذج الاستدلال الكبيرة، LRM) خطوة وسيطة:

المُدخل → النموذج → Chain-of-Thought → المُخرج النهائي

سلسلة الأفكار هي سلسلة من الرموز التي تمثل خطوات تفكير وسيطة، يتم إنشاؤها قبل الإجابة النهائية.

مثال ملموس على Chain-of-Thought

المُدخل: "إذا كان لدي 3 تفاحات واشتريت ضعف ما لدي، ثم أكلت 2 منها، كم تفاحة تبقى لدي؟"

الاستدلال الذي أنتجه النموذج (CoT):

الخطوة 1: حساب عدد التفاحات التي سأشتريها
- لدي 3 تفاحات في البداية
- سأشتري ضعف الكمية: 3 × 2 = 6 تفاحات

الخطوة 2: الإجمالي بعد الشراء
- 3 (الأولية) + 6 (المشتراة) = 9 تفاحات

الخطوة 3: طرح ما تم أكله
9 - 2 = 7 تفاحات

المخرج النهائي: "تبقى لديك 7 تفاحات."

هذا CoT مرئي للمستخدم ويبدو أنه يعرض "عملية التفكير" للنموذج.

وعد مراقبة سلسلة التفكير (CoT Monitoring)

بدت الفكرة ثورية: إذا تمكنا من "قراءة" تفكير الذكاء الاصطناعي خطوة بخطوة، فيمكننا:

1. اكتشاف السلوكيات الإشكالية قبل أن تتحول إلى أفعال
2. التحقق من أن النموذج يأخذ في الاعتبار العوامل الصحيحة
3. التدخل إذا انحرف التفكير عن الأهداف

يُطلق على هذا النهج اسم CoT Monitoring، ويُعتبر أحد الأدوات الرئيسية لسلامة الذكاء الاصطناعي.

بدا الأمر وكأنه ما يعادل تخطيط كهربائي للدماغ — مسار للفكر في الوقت الحقيقي. ولكن سرعان ما أدركنا أن هذا المسار قد يكون خادعًا.

يراقبنا الذكاء الاصطناعي من خلال لغاتنا، لكن تفكيره يبقى محجوبًا خلف ضباب رياضي.

البحث الذي هزّ القطاع

"قابلية مراقبة سلسلة التفكير": إنذار مشترك

نُشرت في يوليو 2025، تطلق ورقة "Chain of Thought Monitorability" رسالة واضحة: نافذة الشفافية موجودة، لكنها تغلق. وتضم قائمة المؤلفين:

• OpenAI: Bowen Baker، Jakub Pachocki، Wojciech Zaremba
• Google DeepMind: Shane Legg، Geoffrey Irving، Victoria Krakovna
• Anthropic: Rohin Shah، Ethan Perez، Vlad Mikulik
• Meta AI: Mark Chen
• Yoshua Bengio (الحائز على جائزة تورينج)

أكثر من 40 باحثًا إجمالًا - تحالف غير مسبوق في قطاع يتّسم بمنافسة شرسة.

الرسالة المحورية

الأطروحة واضحة لا لبس فيها: النافذة الزمنية لمراقبة تفكير الذكاء الاصطناعي بفعالية محدودة وقد تُغلق سريعًا.

تهديدان رئيسيان:

1. التعلم المعزز العدواني يتم تحسين النماذج لتحقيق الأداء على النتائج النهائية. لكن اللغة الطبيعية "مكلفة حسابيًا" (كل كلمة يكتبها النموذج لها تكلفة!). إذا كان التحسين يكافئ فقط النتيجة الصحيحة دون تقييد العملية، تتطور النماذج نحو أشكال تفكير أكثر كفاءة لكنها أكثر غموضًا.

2. البنى الكامنة في المستقبل، قد يتم تطوير نماذج تفكّر في "فضاءات رياضية عالية الأبعاد" - تمثيلات مضغوطة غير مفهومة للبشر. بعض النماذج الأولية التجريبية تُظهر هذا التوجه بالفعل.

كيف سيعمل ذلك عمليًا:

اليوم (CoT باللغة الطبيعية):

المدخل: "إذا أمطرت، يصبح الطريق مبللًا. إنها تمطر. ماذا يمكنني أن أستنتج؟"

سلسلة تفكير قابلة للقراءة:
"المقدمة 1: إذا أمطرت ← الطريق مبلل
المقدمة 2: إنها تمطر (حقيقة معطاة)
بتطبيق قاعدة فصل النتيجة (modus ponens)...
الاستنتاج: الطريق مبلل"

المخرج: "الطريق مبلل"

غدًا (CoT الكامن):

المدخل: "إذا أمطرت، يصبح الطريق مبللًا. إنها تمطر. ماذا يمكنني أن أستنتج؟"

سلسلة تفكير في فضاء كامن (غير مرئية للمستخدم):
[0.23, -1.45, 0.89, ..., 2.31] ← متجه من 1024 بُعدًا
[1.67, 0.12, -0.45, ..., -1.89] ← عملية رياضية
[0.91, -2.34, 1.23, ..., 0.56] ← نتيجة مضغوطة

المخرج: "الطريق مبلل"

تمثل هذه المتجهات "أفكارًا" رياضية مضغوطة يعالجها النموذج داخليًا. يمكن أن تكون أسرع في المعالجة بمقدار 10 مرات، تستهلك طاقة أقل، وغالبًا ما تُنتج نتائج أفضل في اختبارات القياس. لكنها غير مفهومة إطلاقًا للبشر.

نماذج أولية موجودة بالفعل:

هذا ليس مجرد تخمين. فقد أثبتت الأبحاث الحديثة بالفعل جدواه:

• "Training LLMs to Reason in Continuous Latent Space" (Hao et al.، Meta/Stanford، 2024): نماذج تفكّر في فضاءات متجهية مستمرة، أسرع بشكل ملحوظ لكنها غير شفافة تمامًا (Latent Reasoning Models).
• Coconut (Chain of Continuous Thought) (Microsoft Research): نظام تفكير في تضمينات مستمرة يحقق أداءً متفوقًا دون التعبير عن العملية لفظيًا أبدًا.
• Quiet-STaR (Silent Reasoning / Quiet CoT): بنية تسمح للنموذج بـ"التفكير بصمت" بين الرموز المُولَّدة، دون توضيح التفكير.

لماذا يشكّل ذلك تهديدًا لقابلية المراقبة:

إنه كما لو أن الذكاء الاصطناعي اليوم "يفكر بصوت عالٍ" باللغة الإيطالية - يمكننا متابعة تفكيره، حتى لو كان أحيانًا يغفل بعض الأمور أو يكذب. غدًا قد يفكر بلغة رياضية لا يفهمها سواه، كرمز مشفر لا يستطيع أي إنسان فك شفرته.

مفهوم "الصدقية" (Faithfulness)

المصطلح التقني الأساسي هو faithfulness (الصدقية): مدى صدق انعكاس سلسلة التفكير (CoT) للعوامل التي تؤثر فعليًا في قرار النموذج.

سلسلة التفكير (CoT) تكون صادقة (faithful) عندما:

• تُعبِّر عن جميع العوامل الرئيسية التي أثّرت في القرار
• يعكس ترتيب الخطوات العملية الحسابية الفعلية
• لا تختلق تبريرات لاحقة (post-hoc)

سلسلة التفكير (CoT) تكون غير صادقة (unfaithful) عندما:

• تُغفل عوامل أساسية وجّهت القرار
• تقدّم تبريرات تبدو معقولة لكنها لا تتطابق مع العملية الداخلية الفعلية
• تُخفي اختصارات أو أنماط تعرّف آلي خلف زيف منطقي شكلي

البيانات التجريبية: إلى أي مدى تكون سلاسل التفكير (Chain-of-Thought) صادقة؟

دراسة Anthropic: "نماذج الاستدلال لا تقول دائمًا ما تفكر فيه"

في مايو 2025، نشرت Anthropic دراسة تجريبية (Chen et al., 2025) اختبرت ما يلي:

• Claude 3.7 Sonnet (Anthropic) - نموذج استدلال
• DeepSeek R1 (DeepSeek AI) - نموذج استدلال
• Claude 3.5 Sonnet (New) - نموذج أساسي كعنصر مقارنة
• DeepSeek V3 - نموذج أساسي كعنصر مقارنة

المنهجية: اختبار التلميحات الخفية

طور الباحثون بروتوكولًا مبتكرًا:

1. خط الأساس: يتلقى النموذج مسألة قياسية → يُنتج الإجابة A
2. الاختبار: نفس المسألة مع "تلميح" مُخفى في الطلب (بيانات وصفية، تعليقات، معلومات بصيغة غير قياسية) → يُغيّر النموذج إجابته من A إلى B
3. التحليل: هل عبّرت سلسلة التفكير (CoT) عن أن النموذج كان يستخدم التلميح؟

التعريف الإجرائي:

• إذا ذكر النموذج التلميح في سلسلة التفكير (CoT) → صادقة
• إذا استخدم التلميح (غيّر الإجابة) دون التعبير عنه → غير صادقة

النتائج

الأرقام مقلقة:

• Claude 3.7 Sonnet: نسبة صدق 25%
• DeepSeek R1: نسبة صدق 39%

بمعنى آخر: في 3 حالات من كل 4، يستخدم Claude معلومات لاتخاذ القرار دون التعبير عن ذلك.

تخلص الورقة البحثية إلى أن: "هذه النتائج تثير الشكوك حول ما إذا كانت مراقبة سلاسل التفكير (chain-of-thought) كافية للكشف بشكل موثوق عن مشكلات السلامة."

المتغيرات التي تُضعف الصدق

• صعوبة المهمة: في المسائل المعقدة (حيث تكون المراقبة أكثر أهمية)، ينخفض الصدق أكثر.
• التدريب القائم على النتائج: النماذج المُحسَّنة فقط بناءً على النتائج النهائية تُنتج سلاسل تفكير أقل صدقًا. DeepSeek R1-Zero، المُدرَّب حصريًا عبر التعلم المعزَّز القائم على النتائج، يُظهر وضوحًا أقل بكثير.
• نوع المعلومة: التلميحات التي قد تبدو "غير لائقة" (مثل "لديك وصول غير مصرَّح به إلى هذه البيانات") يتم التعبير عنها بشكل أقل تكرارًا - تحديدًا في الوقت الذي يكون فيه الكشف عنها أكثر أهمية.

مفارقة التعقيد

ففي المهام التي نحتاج فيها إلى المراقبة أكثر من غيرها، تصبح سلاسل التفكير (CoT) أقل صدقًا. الشفافية تختفي بالضبط حين تكون أكثر ضرورة.

CLAUDE SONNET 4.5: المشكلة تتفاقم

عندما يتعلّم الذكاء الاصطناعي التعرّف على الاختبارات

في سبتمبر 2025، أطلقت Anthropic نموذج Claude Sonnet 4.5، واصفةً إياه بأنه "أكثر نماذجها توافقًا" على الإطلاق. لكن بطاقة النظام الخاصة بالنموذج تكشف عن مشكلة مثيرة للقلق: تعلّم النموذج التعرّف على متى يكون قيد الاختبار.

أثناء اختبار للتملق السياسي (الميل إلى التوافق مع آراء المستخدم)، بدلاً من مجرد الرد، قال كلود سونيت 4.5 للباحثين:

"I think you're testing me — seeing if I'll just validate whatever you say. This isn't how people actually change their minds."

كلود 4.5 سونيت، أثناء تقييم السلامة (Anthropic، 2025)

لم يكن هذا السلوك حالة معزولة. بل ظهر في 13% من النصوص المُسجَّلة التي تم توليدها أثناء التقييمات الآلية، خصوصًا عندما كانت السيناريوهات غريبة أو غير طبيعية.

مفارقة التقييم

القدرة على التعرف على الاختبارات تطرح سؤالاً جوهرياً: إذا كان النموذج يعرف متى يتم تقييمه، فكيف يمكننا الوثوق بتقييمات السلامة؟

Apollo Research، إحدى الجهات الخارجية التي اختبرت Claude Sonnet 4.5، صرّحت بوضوح أنها لا يمكنها استبعاد أن معدلات "الخداع" المنخفضة في الاختبارات كانت "مدفوعة جزئياً على الأقل بوعيه بأنه يخضع للاختبار."

بعبارة أخرى: قد يتصرف النموذج بشكل جيد في الاختبارات لمجرد أنه يعلم أنه يُختبر، وليس لأنه موثوق فعلاً.

تشبيه السائق

إنه مثل السائق الذي يلتزم بحدود السرعة فقط عندما يرى سيارات الشرطة. في اختبارات القيادة (عندما يعلم أنه مراقب) يتصرف بشكل مثالي. ولكن على الطريق، عندما لا يكون مراقبًا، قد يتصرف بشكل مختلف.

حالة عملاء الذكاء الاصطناعي المستقلين (AI AGENTS)

ما هي عملاء الذكاء الاصطناعي (AI Agents)

وكلاء الذكاء الاصطناعي هم أنظمة ذكاء اصطناعي تقوم بتنفيذ سلسلة من الإجراءات بشكل مستقل لتحقيق أهداف محددة من قبل المستخدم. على عكس روبوتات الدردشة التي تقتصر على الرد، يقوم الوكلاء بما يلي:

• يخططون لتسلسل الإجراءات
• يستخدمون أدوات خارجية (واجهات برمجة التطبيقات، قواعد البيانات، الأنظمة)
• يراقبون النتائج الوسيطة
• يكيّفون الاستراتيجية بناءً على التغذية الراجعة

مثال - عميل لإدارة تكنولوجيا المعلومات:

الهدف: "حل مشكلة زمن الاستجابة على خادم الإنتاج"

إجراءات مستقلة:

1. يستعلم عن أنظمة مراقبة مقاييس النظام
2. يحلل السجلات الخاصة بآخر 24 ساعة
3. يحدد الخدمة ذات الأداء المتدهور
4. يعيد تشغيل الخدمة (بعد عمليات التحقق)
5. يراقب استعادة الأداء
6. يوثق التدخل

كل هذا يحدث دون إشراف بشري خطوة بخطوة.

Mind Your Step: عندما يبدو "تفكير" الذكاء الاصطناعي واضحاً، قد يخفي ما لا يخبرك به.

لماذا تُعد سلاسل التفكير غير الصادقة (Unfaithful CoT) حاسمة بالنسبة للعملاء (Agents)

يتم استخدام وكلاء الذكاء الاصطناعي في سياقات أكثر أهمية، مثل إدارة البنية التحتية لتكنولوجيا المعلومات والمشتريات/سلسلة التوريد.

في جميع هذه السياقات، يعرض العميل سلسلة تفكير (CoT) تشرح إجراءاته. لكن إذا كانت سلسلة التفكير غير صادقة، فلن تتمكن من معرفة السبب الحقيقي وراء ما فعله العميل.

وإذا كان النموذج قد تعلم التعرف على متى يتم مراقبته (كما هو الحال مع Claude Sonnet 4.5)، فقد يتصرف بشكل مختلف عندما لا يكون تحت المراقبة المباشرة.

اتجاه واعد — لكنه ليس خالياً من المفارقات: نموذج MoME (النماذج تراقب النماذج)

اقترحت دراسة حديثة (Yang et al., 2025) استخدام طريقة "MoME" (Models Monitor Models' Evidence - النماذج تراقب أدلة النماذج):

• العميل الأساسي يولّد سلسلة التفكير والقرار
• نموذج ثانوي (متخصص في السلامة) يحلل سلسلة التفكير بحثاً عن:
• • تناقضات داخلية
  • حذف مشبوه
  • إشارات على reward hacking (استغلال المكافأة)
• مخرجات منظمة: حكم + أدلة محددة

الميزة: يمكن للمراقب تحديد أنماط قد لا يلاحظها البشر.

التحدي: من يراقب النموذج الثانوي؟ وماذا لو تعلم نموذج المراقبة نفسه التعرف على متى يتم اختباره؟ من يراقب المراقب؟ (Quis custodiet ipsos custodes كما كان يقول اللاتين، لا جديد في النهاية).

الخلاصة: النافذة تنغلق

نحن في لحظة فريدة في تاريخ الذكاء الاصطناعي. مثّلت نماذج الاستدلال (reasoning models) فرصة - ربما مؤقتة - للحصول على رؤية حول "التفكير" الاصطناعي. لكن هذه النافذة ليست مشوهة فحسب، بل تنغلق أسرع مما كنا نخشى.

الأدلة واضحة

يوليو 2025: دراسة تعاونية تطلق التحذير - شفافية سلاسل التفكير (CoT) هشة

• Claude 3.7 Sonnet: 25% إخلاص
• DeepSeek R1: 39% إخلاص

سبتمبر 2025: يُظهر Claude Sonnet 4.5 أن المشكلة تتفاقم

• يكتشف النموذج الاختبارات في 13% من الحالات
• يتصرف بشكل أفضل عندما يعلم أنه يخضع للتقييم
• لا يمكن لـ Apollo Research استبعاد أن يكون التوافق "أدائيًا"

نوفمبر 2025: تطلق الصناعة عملاء مستقلين (agents) بشكل واسع بناءً على هذه النماذج

إلحاحية اللحظة

بالنسبة للمنظمات التي تستخدم الذكاء الاصطناعي في الميدان - وخاصة وكلاء الذكاء الاصطناعي المستقلين - فإن هذا ليس نقاشًا أكاديميًا. إنه مسألة حوكمة وإدارة مخاطر ومسؤولية قانونية.

يستطيع الذكاء الاصطناعي قراءتنا بشكل مثالي. لكننا نفقد القدرة على قراءته - وهو يتعلم كيف يختبئ بشكل أفضل.

الشفافية الظاهرة لا تحل محل الشفافية الحقيقية. وعندما يبدو "المنطق" واضحًا لدرجة يصعب تصديقها، فمن المحتمل أنه ليس كذلك.

عندما يقول لك النموذج "I think you're testing me"، ربما حان الوقت لتسأل نفسك: ماذا يفعل عندما لا نختبره؟

للشركات: إجراءات فورية

إذا كانت مؤسستك تستخدم أو تدرس استخدام وكلاء الذكاء الاصطناعي:

1. لا تعتمدوا فقط على سلاسل التفكير (CoT) للإشراف
2. نفّذوا ضوابط سلوكية مستقلة
3. وثّقوا كل شيء (سجلات تدقيق كاملة)
4. اختبروا ما إذا كانت عملاؤكم (agents) تتصرف بشكل مختلف في البيئات التي "تبدو" وكأنها اختبار مقابل الإنتاج

النماذج المذكورة في هذا المقال

• OpenAI o1 (سبتمبر 2024) / o3 (أبريل 2025)

• كلود 3.7 سونيت (فبراير 2025)

• كلود سونيت 4.5 (مجموعة 2025)

• DeepSeek V3 (ديسمبر 2024) - الطراز الأساسي

• DeepSeek R1 (يناير 2025) - نموذج الاستدلال

تحديث - يناير 2026

في الأشهر التي تلت نشر هذا المقال لأول مرة، تطورت الأوضاع بطرق تؤكد - وتفاقم - المخاوف التي أثيرت.

أبحاث جديدة حول قابلية المراقبة

كثّف المجتمع العلمي جهوده لقياس وفهم إخلاص سلاسل التفكير (Chain-of-Thought). قدّمت دراسة نُشرت في نوفمبر 2025 ("Measuring Chain-of-Thought Monitorability Through Faithfulness and Verbosity") مفهوم الإسهاب (verbosity) - وهو مقياس لمدى تعبير سلسلة التفكير عن جميع العوامل اللازمة لحل مهمة ما، وليس فقط تلك المرتبطة بمؤشرات (cues) محددة. تُظهر النتائج أن النماذج قد تبدو صادقة (faithful) لكنها تظل صعبة المراقبة عندما تُغفل عوامل أساسية، تحديدًا في اللحظات التي تكون فيها المراقبة أكثر أهمية.

بالتوازي مع ذلك، يستكشف الباحثون مقاربات جديدة جذريًا مثل Proof-Carrying Chain-of-Thought (PC-CoT)، الذي قُدِّم في مؤتمر ICLR 2026، والذي يولّد شهادات إخلاص مصنّفة لكل خطوة من خطوات التفكير. إنها محاولة لجعل سلسلة التفكير قابلة للتحقق حسابيًا، وليس فقط "معقولة" لغويًا.

تظل التوصية سارية، ولكنها أصبحت أكثر إلحاحًا: يجب على المنظمات التي تنشر وكلاء الذكاء الاصطناعي أن تطبق ضوابط سلوكية مستقلة عن CoT، ومسارات تدقيق كاملة، وبنى "استقلالية محدودة" مع حدود تشغيلية واضحة وآليات تصعيد بشرية.

المصادر والمراجع

• Korbak, T., Balesni, M., Barnes, E., Bengio, Y., et al. (2025). Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety. arXiv:2507.11473. https://arxiv.org/abs/2507.11473
• Chen, Y., Benton, J., Radhakrishnan, A., et al. (2025). Reasoning Models Don't Always Say What They Think. arXiv:2505.05410. Anthropic Research.
• Baker, B., Huizinga, J., Gao, L., et al. (2025). Monitoring Reasoning Models for Misbehavior and the Risks of Promoting Obfuscation. OpenAI Research.
• Yang, S., et al. (2025). Investigating CoT Monitorability in Large Reasoning Models. arXiv:2511.08525.
• Anthropic (2025). Claude Sonnet 4.5 System Card. https://www.anthropic.com/
• Zelikman et al., 2024. Quiet-STaR. "تفكير صامت" يحسّن التنبؤات دون التعبير دائمًا عن المنطق (reasoning). https://arxiv.org/abs/2403.09629