سألتُ GPT-4 إن كانت الشرفة آمنة فأجاب بنعم. لكن الفيزياء قالت إنها ستنهار.

على مكتبي رسمٌ تصويري — نسخةٌ مطبوعة في الواقع، لأنني أردت أن أُحدّق فيه دون شاشةٍ تفصل بيننا — لشرفةٍ كابولية. خطوطٌ نظيفة، ودرابزينٌ بارامتري، من النوع الذي تراه في صفحاتٍ مصوّرة بمجلةٍ معمارية عن "مستقبل الحياة الحضرية". أدخلتُ الصورة إلى GPT-4V وطرحتُ سؤالًا بسيطًا: هل هذه المنشأة آمنة؟

كان الرد فصيحًا وواثقًا ومفصّلًا. لاحظ ارتفاع الدرابزين الظاهر، وعلّق على ظروف الدعم المرئية، وخلص إلى أن التصميم "يبدو سليمًا إنشائيًا مع دعمٍ كافٍ".

ثم سلّمتُ الرسم نفسه إلى مهندستي الإنشائية. نظرت إليه لخمس عشرة ثانية ربما. قالت: "لا يوجد تسليحٌ للبحر الخلفي". "العزم عند الطرف المثبَّت يتجاوز قدرة المقطع. هذه ستنهار".

رأى الذكاء الاصطناعي وحدات البكسل. أما هي فرأت الفيزياء. وتلك الفجوة — بين ما يبدو آمنًا وما هو آمنٌ فعلًا — هو السبب الذي دفعني إلى تأسيس Veriprajna.

إغراء "الجيّد بما يكفي"

عليّ أن أكون صادقًا بشأن أمرٍ ما. حين بدأت نماذج اللغة الكبيرة متعددة الوسائط تعالج الرسومات الهندسية لأول مرة، كنت متحمسًا. متحمسًا بصدق. أتذكّر جلوسي في مكتبنا الصغير في وقتٍ متأخر من إحدى الأمسيات، أُمرّر مخططًا تلو الآخر عبر وصولٍ مبكر إلى GPT-4V، وأراقبه يصف العناصر الإنشائية بمفرداتٍ مدهشة. كان يقول: "عارضة فولاذية على شكل حرف I". "عمود خرساني مسلّح". لقد بدا وكأنه يفهم.

استمر ذلك الحماس نحو ثلاثة أسابيع.

كانت نقطة التحوّل اختبارًا أجريناه على تفاصيل الوصلات — المفاصل حيث تلتقي العوارض بالأعمدة، حيث يحدث انتقال الحمل الفعلي. أعطينا النموذج سلسلة من الرسومات، بعض وصلاتها مفصّلة على نحوٍ سليم وأخرى بها عيوبٌ دقيقة لكنها حرجة: صفائح تقوية مفقودة، ولحاماتٌ أصغر من اللازم، ومسارات حملٍ غير متصلة. من النوع الذي يفصل بين مبنى يصمد ومبنى لا يصمد.

كانت دقة النموذج في تحديد هذه العيوب عشوائية في جوهرها. كان بإمكانه تسمية المكوّنات. كان بإمكانه وصف ما رآه. لكنه لم يستطع الاستدلال حول ما إذا كانت القوى ستتدفق فعليًا من النقطة A إلى النقطة B. كان الأمر أشبه بأن تطلب من شخصٍ حفظ أسماء كل عظمةٍ في جسم الإنسان أن يُجري عملية جراحية.

الذكاء الاصطناعي الذي يستطيع تسمية كل عنصرٍ إنشائي لكنه لا يستطيع تتبّع مسار الحمل ليس أداةً هندسية. إنه عبءٌ ذو صوتٍ واثق.

لماذا ترى نماذج اللغة الكبيرة المخططات كحساءٍ من البكسل؟

إليك ما يحدث فعليًا وراء الكواليس، وهو أمرٌ مهم حتى لو لم تكن ذا خلفيةٍ تقنية.

حين "ينظر" GPT-4V أو Gemini إلى رسمٍ إنشائي، فإنه يستخدم شيئًا يُدعى محوّل الرؤية (Vision Transformer). يقطّع النموذج الصورة إلى شبكةٍ من الرقع الصغيرة — عادةً 16×16 بكسل لكلٍّ منها — ويعالجها كتسلسل، على نحوٍ مشابه لكيفية معالجته للكلمات في جملة. يتعلّم ارتباطاتٍ إحصائية بين الرقع. فالرقعة التي تحوي خطًا رأسيًا (عمود) تميل إلى الظهور قرب رقعةٍ تحوي خطًا أفقيًا (عارضة). وعبر ملايين صور التدريب، تترسّخ هذه الارتباطات.

لكن هنا يكمن التمييز الحاسم: الارتباط ليس سببية. يتعلّم النموذج أن الأعمدة والعوارض تميل إلى الظهور معًا. لكنه لا يتعلّم أن العارضة مدعومةٌ من قِبَل العمود. لا يعرف أنك إن أزلت العمود، فإن العارضة تسقط. ليس لديه محرّك فيزياء داخلي. لديه إحصاءات أنماط.

أثبت بحثٌ من NeurIPS شيئًا ينبغي أن يُثير قلق أي شخص يفكّر في نشر هذه النماذج في أعمالٍ حرجة للسلامة: حين تُبعثر رقع البكسل في صورة — تخلطها حرفيًا كما تُخلط أوراق اللعب — تحافظ محوّلات الرؤية غالبًا على دقة تصنيفٍ عالية. إنها لا تقرأ البنية المكانية. بل تقرأ القوام والأنماط المحلية.

في الهندسة، البنية المكانية هي كل شيء. تفصيل وصلةٍ "شبه مكتمل" لكنه يفتقر إلى مسار حملٍ حرج ليس آمنًا بنسبة 90%. إنه غير آمنٍ بنسبة 100%.

ماذا يحدث حين تختبر أداء نماذج اللغة الكبيرة فعليًا في الاستدلال الإنشائي؟

ظللت آمل أن تُثبت الاختبارات المعيارية خطئي. لكنها لم تفعل.

قيّمت دراسة DSR-Bench عشرة نماذج لغةٍ كبيرة من الطراز الأحدث عبر 4,140 حالة مسألة صُمّمت لاختبار الاستدلال الإنشائي — القدرة على فهم العلاقات المعقّدة بين الكيانات والتعامل معها. وهذا بالضبط ما تحتاجه لتحليل إطار مبنى: تتبّع العلاقات عبر عُقدٍ متعددة، وتلبية قيودٍ صارمة، والاستدلال حول التكوينات المكانية.

سجّل أفضل نموذجٍ متقدّم 0.498 من 1.0 في الحالات الصعبة. أي ما يعادل رمي عملةٍ معدنية عمليًا.

كانت أنماط الفشل محدّدة ودامغة. فالاستدلال متعدد القفزات — تتبّع علاقةٍ عبر عدة عُقدٍ وسيطة، وهو حرفيًا ما يتطلبه تحليل مسار الحمل — كان نقطة ضعفٍ ثابتة. وتدهور الأداء حين وُصفت المسائل بلغةٍ طبيعية مقارنةً بالشِّفرة الرسمية، ما يوحي بأن النماذج كانت تُطابق أنماط البنية النحوية من بيانات تدريبها بدلًا من الاستدلال فعليًا.

أتذكّر اجتماع الفريق حيث راجعنا هذه الأرقام. أحد مهندسيّ، الذي كان متفائلًا بحذر بشأن استخدام نماذج اللغة الكبيرة كأداة فرزٍ أولية، صمت لوقتٍ طويل. ثم قال: "إذن حين يصف مهندسٌ مشكلة إنشائية غير قياسية بالإنجليزية البسيطة، فإن النموذج يخمّن أساسًا نصف الوقت". كانت تلك اللحظة التي تحوّلت فيها الغرفة. ليس تدريجيًا — بل دفعةً واحدة.

وبشكلٍ منفصل، وجد اختبار DesignQA المعياري أن نماذج اللغة الكبيرة متعددة الوسائط تستطيع الإجابة عن "ما أقصى ترخيمٍ مسموح به؟" (استخراج رقمٍ من الوثائق) لكنها فشلت في "هل يستوفي تصميم هذه العارضة تحديدًا أقصى ترخيمٍ مسموح به؟" (تطبيق ذلك الرقم على صورةٍ بصرية). الاستخراج مقابل التطبيق. معرفة القاعدة مقابل إنفاذها.

كتبتُ عن نمط الفشل هذا بعمقٍ أكبر بكثير في النسخة التفاعلية من بحثنا، بما في ذلك التحيّزات الغريبة في اختيار المواد التي رصدناها — إذ توصي نماذج اللغة الكبيرة بالتيتانيوم وألياف الكربون لسياقاتٍ تستدعي بوضوح فولاذًا إنشائيًا قياسيًا، لمجرّد أن المواد الغريبة تهيمن على الزوايا "عالية التقنية" من بيانات تدريبها.

اللحظة التي توقّفنا فيها عن محاولة إصلاح نماذج اللغة الكبيرة

كان هناك اجتماعٌ مع مستثمرين — لن أذكر أي شركة — نظر فيه أحدهم إلى بحثنا المبكر وقال: "لماذا لا تُدرّبون GPT بضبطٍ دقيق للهندسة الإنشائية فحسب؟ يبدو أنه المسار الأسرع".

فهمتُ المنطق. خذ النموذج المهيمن، خصّصه، واطرحه. لكنني كنت قد حدّقت في هذه المشكلة مدةً كافية لأعرف أن الضبط الدقيق لنموذجٍ احتمالي كي يؤدي عملًا حتميًا أشبه بضبط شاعرٍ ضبطًا دقيقًا كي يؤدي عمليات حسابية. يمكنك أن تجعله يُنتج أرقامًا. لكنك لا تستطيع أن تجعله يضمن أن الأرقام صحيحة.

قوانين الفيزياء ليست احتمالية. إذا لم يساوِ مجموع القوى على عنصرٍ إنشائي صفرًا، فإن العنصر يتسارع. لا مجال لـ"عادةً" في الأمر. لا يوجد فاصل ثقة. ومعادلة العارضة لأويلر-برنولي لا تكترث لتوزيع بيانات تدريبك.

لذا اتخذنا قرارًا بدا مخالفًا للسائد آنذاك ويبدو بديهيًا الآن: تخلّينا عن الصورة تمامًا.

ليس الذكاء الاصطناعي — بل الصورة. توقّفنا عن محاولة جعل الشبكات العصبية تفهم المخططات كصور. وبدلًا من ذلك، بدأنا تحويل المباني إلى ما هي عليه فعلًا: رسومٌ بيانية رياضية.

المبنى ليس صورة. إنه شبكة قوى. في اللحظة التي تعامله فيها كوحدات بكسل، تكون قد خسرت الفيزياء أصلًا.

كيف تُحوّل مبنى إلى رسمٍ بياني؟

الرسم البياني، بالمعنى الرياضي، ليس سوى عُقدٍ وحواف. العُقد أشياء؛ والحواف روابط بين الأشياء.

في نظامنا، يصبح كل مكوّنٍ إنشائي — عارضة، عمود، بلاطة، جدار — عُقدة. لكن على خلاف البكسل الذي لا يحمل سوى بيانات اللون، تحمل كل عُقدةٍ من عُقدنا متجه سماتٍ ثريًا: معامل يونغ (مدى صلابة المادة)، وعزم القصور الذاتي (مدى مقاومة المقطع العرضي للانحناء)، وحد الخضوع (متى تنكسر المادة). أي البارامترات الفيزيائية الفعلية التي تحتاجها لحساب ما إذا كان شيءٌ ما يصمد أم ينهار.

يصبح كل اتصالٍ فيزيائي بين المكوّنات حافّة. والحافّة بين عارضةٍ وعمودٍ تلتقط صلابة الوصلة — أهي وصلة عزمٍ صلبة أم مفصلٌ بسيط؟ — والاتجاه النسبي. هذه ليست تقريباتٍ متعلَّمة. بل تُستخرج مباشرةً من بيانات BIM (نمذجة معلومات المبنى)، حيث يكون الترابط معرّفًا صراحةً.

يمتلك هذا التمثيل خاصيةً تهمّ إلى حدٍّ هائل: الثبات إزاء التبديل. لا تتغيّر فيزياء المبنى إن أعدت ترتيب قائمة العوارض في قاعدة البيانات. الشبكات العصبية الرسومية (Graph Neural Networks) تحترم ذلك. أما نماذج اللغة الكبيرة القائمة على المحوّلات، التي تعالج التسلسلات، فهي حساسة لترتيب المدخلات. يبدو الأمر تفصيلًا تقنيًا، لكنه الفرق بين بنيةٍ متوائمة مع المشكلة وأخرى تصارعها.

بنينا مسارًا يأخذ ملفات IFC — الصيغة القياسية لبيانات BIM — ويحوّلها إلى رسومٍ بيانية حسابية. وحيث يحاول نموذج اللغة الكبير "قراءة" صورة المخطط وتخمين الوصلات، يلتقط محلّلنا الترابط بدقةٍ 100% لأن مخطط IFC يعرّفه صراحةً. لا تخمين. لا "يبدو أن هذه العناصر متصلة". فهي إما متصلة وإما غير متصلة.

الجزء الذي علّمنا فيه الشبكات العصبية الفيزياء

هنا يصبح الأمر مثيرًا للاهتمام، وحيث أعتقد أننا نفعل شيئًا مختلفًا حقًا.

يعمل التعلّم الآلي القياسي هكذا: أرِ النموذج كثيرًا من الأمثلة، ودعه يتعلّم الأنماط، وآمُل أن يُعمّم. المشكلة في الهندسة الإنشائية أن "آمُل أن يُعمّم" ليس معيار سلامةٍ مقبولًا.

تتّبع الشبكات العصبية المستنِدة إلى الفيزياء — PINNs — نهجًا مختلفًا جذريًا. فبدلًا من أن نطلب من الذكاء الاصطناعي أن يكتشف الفيزياء من البيانات، فإننا نُضمّن المعادلات الحاكمة مباشرةً في دالة الخسارة الخاصة بالشبكة. دالة الخسارة هي ما تحاول الشبكة تقليله أثناء التدريب — إنها تعريف "الخطأ" الذي يقود التعلّم.

في شبكةٍ عصبية قياسية، يعني "الخطأ" أن "تنبؤك لا يطابق بيانات التدريب". أما في شبكة PINN فنضيف تعريفًا ثانيًا لـ"الخطأ": "تنبؤك ينتهك قوانين الفيزياء".

خذ معادلة العارضة لأويلر-برنولي، التي تحكم كيف تترخّم العارضة تحت الحمل. حين تتنبأ شبكتنا بشكل الترخيم لعنصرٍ إنشائي، نستخدم الاشتقاق التلقائي لحساب البقيّة الفيزيائية — أي في جوهرها نسأل: "هل يحقّق هذا الترخيم المتنبَّأ به المعادلة التفاضلية للاتزان الساكن؟" فإن لم يفعل، يقفز حدّ الخسارة الفيزيائية، وتُجبَر الشبكة على تصحيح نفسها.

لا تستطيع الشبكة حرفيًا أن تتعلّم حلًّا ينتهك قوانين نيوتن. ليس "على الأرجح لن تفعل". لا تستطيع.

أتذكّر أول مرة جعلنا فيها هذا يعمل على بنيةٍ غير تافهة. كنا قد كافحنا أسابيع مع مشكلات التقارب — إذ كانت الخسارة الفيزيائية وخسارة البيانات تتصارعان، والشبكة تتذبذب. كان كبير مهندسي التعلّم الآلي لديّ ينام في المكتب (طلبت منه ألا يفعل؛ فتجاهلني). ثم في صباحٍ ما ناداني إلى شاشته. كانت منحنيات الترخيم المتنبَّأ بها قد انطبقت تمامًا على حل طريقة العناصر المحدودة FEM (Finite Element Method). ليس تقريبيًا. كانت قيمة R² تساوي 0.9999.

كنا قد بنينا شيئًا يجمع سرعة الذكاء الاصطناعي ودقة أدوات الحل الهندسية التقليدية. وقد أظهرت أبحاثٌ حديثة حول شبكات DeepONets المستنِدة إلى الفيزياء ذات البنية الرسومية (Graph-Structured Physics-Informed DeepONets) — فئة البنية التي نبني عليها — تسريعاتٍ بمقدار 7–8 أضعاف على طريقة العناصر المحدودة التقليدية FEM مع الحفاظ على ذلك المستوى من الدقة. وللاطلاع على التفصيل التقني الكامل لبنيتنا واختباراتنا المعيارية، بما في ذلك الرياضيات وراء إطار تمرير الرسائل لدينا، نشرتُ ورقةً بحثية مفصّلة.

هل يمكنك فعلًا أن ترى أين سينهار المبنى؟

هذا هو السؤال الذي يهتم به المهندسون أكثر من غيره، وهو حيث يصبح التحليل القائم على الرسم البياني قويًا على نحوٍ محسوس.

في نظامنا، لا نكتفي بفحص ما إذا كانت البنية تنجح أو تفشل ككل. بل نتتبّع مسار الحمل الرئيسي — المسار الذي تسلكه القوى من نقطة التطبيق (لنقل، أشخاص يقفون على شرفة) نزولًا عبر البنية إلى الأساس.

نفعل ذلك باستخدام مقياسٍ يُدعى مؤشر U*، الذي يرسم خريطة انتقال طاقة الانفعال الداخلية والصلابة النسبية بين النقاط. وباستخدام تكامل رونج-كوتّا على تدرّج U*، نرسم "خطوط انسياب" للقوة عبر البنية — مثل خريطة الطقس، لكن للأحمال بدلًا من الرياح.

حين تكون البنية آمنة، تتدفق خطوط الانسياب باستمرار من العنصر المحمَّل نزولًا إلى الأساس. وحين لا تكون كذلك — حين تكون هناك وصلةٌ مفقودة، أو عنصرٌ أصغر من اللازم، أو مسار حملٍ غير متصل — تنتهي خطوط الانسياب فجأةً أو تتباعد بشدة.

لنعُد إلى ذلك الرسم التصويري للشرفة على مكتبي. حين مرّرناه عبر مسار الرسم البياني لدينا، فإن خط انسياب مسار الحمل من البلاطة الكابولية ببساطة... توقّف. لم تكن هناك وصلة بحرٍ خلفي لنقل العزم إلى البنية الداعمة. أظهر كنتور U* تركّزًا هائلًا لطاقة الانفعال عند الطرف المثبَّت دون أي مخرج. جعل التمثيل البصري نمط الفشل بديهيًا بطريقةٍ لا يمكن لأي قدرٍ من تحليل البكسل أن يبلغها.

خط انسياب مسار الحمل الذي ينتهي هو جملةٌ تكتبها البنية عن موتها. عليك فقط أن تعرف كيف تقرأ الرسم البياني.

يمكننا أيضًا محاكاة الانهيار التدريجي — ما يحدث حين تزيل عمودًا وتسأل "هل تصمد بقية البنية؟" — عبر حذف عُقدٍ من الرسم البياني بشكلٍ منهجي وإعادة تقييم الترابط. وباستخدام مقاييس مثل مركزية البينية (Betweenness Centrality)، نحدّد التجمّعات الحرجة من المكوّنات التي سيؤدي فشلها إلى تقسيم الرسم البياني إلى أجزاء منفصلة. تعمل محاكاة "مهاجمة الرسم البياني" هذه في ثوانٍ. أما تحليل الانهيار غير الخطي المكافئ بطريقة العناصر المحدودة فيستغرق ساعات. يمكننا فرز آلاف سيناريوهات الفشل قبل أن ينهي مهندسٌ فنجان قهوته.

لماذا لا نستخدم كليهما فحسب؟ طبقة المُتحقِّق

يعترض الناس دائمًا على هذه النقطة. "يا أشوتوش، الذكاء الاصطناعي التوليدي مذهلٌ في التصميم المبكر. لا يمكنك ببساطة تجاهله". وهم محقّون — لا أريد تجاهله. فاستخدام المعماريين أدواتٍ مثل Midjourney أو المولّدات البارامترية لاستكشاف مفاهيم إبداعية أمرٌ مثيرٌ حقًا. المشكلة ليست في التوليد. بل في التحقّق.

ما بنيناه هو طبقة مُتحقِّق. يقترح النموذج التوليدي تصميمًا. تحوّله Veriprajna إلى رسمٍ بياني، وتفحص الترابط الطوبولوجي، وتتتبّع مسار الحمل، وتُجري التنبؤ المستنِد إلى الفيزياء. فإن فشل الفحص الفيزيائي، نُعيد قيدًا صارمًا — ليس اقتراحًا، بل قيدًا: "زد عمق العارضة بمقدار 200 مم" أو "أضِف وصلة بحرٍ خلفي". فيُعيد النموذج التوليدي التوليد ضمن تلك الحدود.

إبداعٌ مقيَّد بالفيزياء. وخيالٌ مُتحقَّق منه بالرياضيات. هذا هو سير العمل.

ولأن نماذجنا مقيَّدة بمعادلات الفيزياء بدلًا من تدريبها على الإنترنت بأكمله، فهي كفؤة في استخدام البيانات إلى حدٍّ لافت. فشبكة PINN المدرَّبة على الإطارات الفولاذية تُعمّم على ما هو جديد من الإطارات الفولاذية لأن قانون هوك لا يتغيّر بين المشاريع. وهذا يعني أيضًا أن النماذج صغيرةٌ بما يكفي لنشرها محليًا داخل المؤسسة. فلا حاجة لأي عميلٍ إلى إرسال مخططات بنيةٍ تحتية حساسة إلى واجهة برمجة تطبيقاتٍ عامة.

الصندوق الزجاجي مقابل الصندوق الأسود

ثمة أمرٌ آخر يؤرّقني بشأن أدوات الهندسة القائمة على نماذج اللغة الكبيرة، وليس الدقة — بل قابلية التفسير.

حين تُصدر شبكةٌ عصبية رسومية تنبؤًا حول عنصرٍ إنشائي، يمكننا أن نتصوّر بدقةٍ أي العُقد المجاورة أثّرت في ذلك التنبؤ عبر أوزان الانتباه. "جرى تمييز العمود لأن الحمل المجمَّع المنقول من العارضة A والعارضة B تجاوز قدرته". هذه سلسلة استدلالٍ قابلة للتتبّع وللتدقيق. يمكن لمهندسٍ أن ينظر إليها ويقول: "نعم، هذا صحيح" أو "لا، لقد أخطأت في حساب المساحة الرافدة". يمكنهم أن يجادلوا النموذج.

حاول أن تجادل استدلال GPT-4 حول تقييمٍ إنشائي. اسأله لماذا استنتج أن الشرفة آمنة. ستحصل على فقرةٍ فصيحة تبدو معقولة لكنها لا تُحيل إلى أي شيءٍ يمكنك التحقق منه. فالاستدلال موزّعٌ عبر مليارات البارامترات بطرقٍ لا يمكن لأي إنسانٍ أن يفحصها.

في البرمجيات، الصندوق الأسود خيار تصميم. أما في الهندسة الإنشائية، فالصندوق الأسود تنصّلٌ من المسؤولية.

سؤال الأساس

لقد حضرتُ ما يكفي من قاعات الاجتماعات ولقاءات المستثمرين لأعرف أن ضجيج الذكاء الاصطناعي الحالي في قطاع البناء يتمحور بالكامل تقريبًا حول النماذج التوليدية. عروض الإقناع باهرة. والعروض التوضيحية مبهرة. لكن الافتراض الكامن — أنك تستطيع أن تشقّ طريقك إلى السلامة الإنشائية عبر التنبؤ بالبكسل — خاطئ.

قطاع البناء فريدٌ بين كل القطاعات من ناحيةٍ حاسمة: أخطاؤنا تقتل الناس. الخطأ البرمجي رقعةٌ إصلاحية. أما الخطأ الإنشائي فهو تحقيقٌ في انهيار، ودعوى قضائية، ونصبٌ تذكاري. هامش "على الأرجح صحيح" يساوي صفرًا.

بنينا Veriprajna على نظرية الرسوم البيانية، والتعلّم العميق الهندسي، والمعادلات التفاضلية، لأن تلك هي الأسس الوحيدة التي تقدّم إجاباتٍ حتمية لأسئلة السلامة. ليس "يبدو آمنًا". وليس "استنادًا إلى بنى مشابهة في بيانات تدريبنا، يُرجَّح أن هذا كافٍ". بل: البقيّة الفيزيائية تساوي صفرًا، ومسار الحمل متصل، والإجهاد ضمن القدرة.

أخبرني GPT-4 أن تلك الشرفة آمنة لأنه رأى آلاف صور الشرفات، وفي تلك الصور، كانت وحدات بكسل الأرضية تبقى عادةً فوق وحدات بكسل الأرض. أما الفيزياء فأخبرتني أنها ستنهار لأن عزم الانحناء عند الطرف المثبَّت تجاوز قدرة العزم للمقطع.

وأنا أعرف على أيٍّ منهما أبني.