هل يمكن الوثوق بالذكاء الاصطناعي في السلامة الإنشائية للمباني؟

المشكلة

لا تبقى الشرفة ثابتة لأن نموذج الذكاء الاصطناعي يقول إنها تبدو "متينة". بل تبقى ثابتة لأن مسار الحمل مستمر، ويبقى الإجهاد ضمن حدود المادة، ويحقق الهيكل معادلات الفيزياء الحاكمة. هذا الفارق — بين أن يبدو الأمر صحيحًا وأن يكون صحيحًا فعلًا — هو ما يجعل الذكاء الاصطناعي الحالي يفشل في تصميم المباني وإنشائها.

عندما تُدخل مخططًا إنشائيًا إلى نموذج ذكاء اصطناعي متعدد الوسائط مثل GPT-4V أو Gemini، فإن النموذج لا يرى الجسور أو الأعمدة أو مسارات الحمل. إنه يرى وحدات بكسل. فهو يُقسّم مخططك إلى رقع صغيرة — مربعات دقيقة بحجم 16×16 بكسل — ويبحث عن أنماط إحصائية بينها. قد يتعلم أن خطًا رأسيًا (عمود) يظهر عادةً بالقرب من خط أفقي (جسر). لكنه لا يفهم أن الجسر مدعوم بواسطة العمود. أزل العمود، وقد تنخفض ثقة النموذج قليلًا فقط. لكن ليس لديه أي فيزياء داخلية تخبره بأن الجسر يجب أن يسقط الآن.

اختبر الباحثون هذا الأمر مباشرةً. فعندما يتم خلط رقع الصور، غالبًا ما تحافظ نماذج الذكاء الاصطناعي هذه على دقة تصنيف عالية. فهي تعتمد على النسيج والأنماط المحلية، لا على البنية المكانية الفعلية. في الهندسة، تفصيل وصلة "موجود في معظمه" لكنه يفتقد مسار حمل حرجًا ليس آمنًا بنسبة 90%. بل هو غير آمن بنسبة 100%. نظام الذكاء الاصطناعي لديك لا يستطيع التمييز بين الحالتين.

لماذا يهم هذا عملك

يجب أن تدفع هذه الأرقام كل مسؤول مخاطر إلى التوقف والتفكير. وجدت دراسة DSR-Bench — وهي معيار قياسي اختبر عشرة من أبرز نماذج الذكاء الاصطناعي عبر 4,140 حالة مشكلة — أن أفضل نموذج أداءً حقق 0.498 فقط من أصل 1.0 في مهام الاستدلال الإنشائي المعقدة. هذه موثوقية بمستوى قذف العملة لقرارات تتعلق بما إذا كان المبنى سيصمد أو ينهار.

إليك ما يعنيه ذلك بالنسبة لمؤسستك:

• التعرض التنظيمي: نماذج الذكاء الاصطناعي التي لا تستطيع التحقق من المتطلبات الإنشائية مقابل أكواد البناء تخلق مسؤولية قانونية. أظهر معيار DesignQA أن النماذج تستطيع استخراج قاعدة مثل "الحد الأقصى المسموح به للانحراف" من وثيقة ما. لكنها فشلت في تطبيق تلك القاعدة على تصميم جسر فعلي. إن اعتماد الامتثال لديك لا يكون أفضل من النظام الذي يقف خلفه.
• تجاوزات تكلفة المواد: وجدت الأبحاث أن نماذج الذكاء الاصطناعي تُظهر انحيازًا قويًا نحو المواد النادرة عالية الأداء مثل التيتانيوم أو ألياف الكربون — حتى عندما يتطلب المشروع حلولًا فعالة من حيث التكلفة. لماذا؟ لأن هذه المواد تظهر بشكل أكثر تكرارًا في بيانات التدريب عالية التقنية. قد يوصي الذكاء الاصطناعي لديك بمواد تُضخّم ميزانيتك بمقدار مراتب من حيث الحجم دون أي مبرر هندسي.
• انهيار الأداء مع التعقيد: تنخفض دقة الذكاء الاصطناعي بشكل كبير كلما أصبحت المشكلات الإنشائية أكثر تعقيدًا من الناحية المكانية ومتعددة الأبعاد. كما تؤدي النماذج أداءً أسوأ عندما تُوصف المشكلات بلغة طبيعية مقارنةً بالكود الرسمي. هذا يعني أنه كلما وصف مهندسوك مواقف واقعية غير قياسية بلغة إنجليزية بسيطة، زاد احتمال أن يخطئ الذكاء الاصطناعي — وقد يفشل بنسبة 50% من الوقت في المشكلات الفريدة.
• إخفاقات الاستدلال الخفية: تعاني هذه النماذج مع الاستدلال متعدد القفزات — أي تتبع علاقة عبر عدة روابط وسيطة. في المبنى، يعني ذلك تتبع الحمل من شرفة على السطح عبر الجسور والأعمدة وصولًا إلى الأساس. إذا لم يستطع الذكاء الاصطناعي لديك اتباع هذه السلسلة، فلن يستطيع التحقق من السلامة الإنشائية.

هذا الخطر ليس نظريًا. إنه فجوة قابلة للقياس ومُوثّقة بمعايير قياسية بين ما تعِد به هذه النماذج وما تقدمه فعليًا.

ما يحدث فعليًا تحت الغطاء

فكر في الأمر بهذه الطريقة. تخيل أنك توظف مفتش مبانٍ حفظ عن ظهر قلب آلاف الصور لمبانٍ آمنة. عندما تُريه تصميمًا جديدًا، فإنه يقارنه بالصور المخزنة في ذاكرته. يقول: "هذا يبدو كمبنى آمن رأيته من قبل." لكنه لم يتعلم الهندسة قط. لا يستطيع حساب ما إذا كان الجسر سيصمد أم لا. إنه يطابق الأنماط، لا يحل معادلات الفيزياء.

هذه بالضبط طريقة عمل نماذج الذكاء الاصطناعي متعددة الوسائط. إنها محركات للتنبؤ بالرمز التالي — أنظمة مدربة على تخمين الكلمة أو البكسل الأكثر احتمالًا التالي بناءً على الأنماط الموجودة في بيانات تدريبها. عندما تسأل الذكاء الاصطناعي "هل هذه الشرفة آمنة؟"، فإنه لا يحسب عزم القصور الذاتي. بل يتنبأ بالكلمات التي عادةً ما تلي هذا السؤال في ملايين المستندات التي تدرب عليها. إذا كانت بيانات تدريبه تحتوي على آلاف التقارير التي تخلص إلى أن "الهيكل يبدو سليمًا"، فإن الذكاء الاصطناعي يكون منحازًا إحصائيًا لتوليد طمأنة مماثلة — بغض النظر عما يُظهره المخطط الفعلي.

تُطلق الورقة البيضاء على هذا اسم مشكلة "الببغاء العشوائي": ذكاء اصطناعي يكرر إجابات تبدو معقولة دون فهم الفيزياء الكامنة وراءها. الهندسة الإنشائية حتمية — فإذا لم يكن مجموع القوى مساويًا للصفر، يتسارع الهيكل (يتحرك، يسقط). لا مجال للاحتمالية هنا. لكن الذكاء الاصطناعي يعامل كل إجابة كتوزيع احتمالي. إنه يمنحك أفضل تخمين بينما يحتاج مبناك إلى حساب دقيق قطعي.

هذا التنافر البنيوي — محرك احتمالي يُطبَّق على مجال حتمي — هو السبب في أن حتى أكثر نماذج الذكاء الاصطناعي تقدمًا تصطدم بـ سقف دقة يبلغ 49.8% في الاستدلال الإنشائي.

ما الذي ينجح (وما الذي لا ينجح)

لنبدأ بما يفشل.

التحليل القائم على البكسل: إن إدخال المخططات إلى نماذج الرؤية يعامل رسوماتك الهندسية كصور يجب تصنيفها، لا كهياكل يجب حسابها. يرى الذكاء الاصطناعي الأنسجة والأنماط، لا مسارات الحمل والوصلات. إنه يغفل الطبيعة الثنائية للسلامة الإنشائية.

الذكاء الاصطناعي العام للامتثال للأكواد: يمكن للنماذج اقتباس أكواد البناء بطلاقة، لكنها لا تستطيع تطبيق القيود الكمية على تصميم محدد. إنها تستخرج القواعد دون فرضها. يتحول فحص الامتثال لديك إلى ملخص، لا إلى تحقق فعلي.

القوة الغاشمة للنماذج الكبيرة: تدريب نماذج أكبر على مزيد من بيانات الإنترنت لا يحل المشكلة الأساسية. لم يتحسن الأداء في الاستدلال الإنشائي بشكل ملموس مع زيادة الحجم في اختبارات DSR-Bench. المزيد من المعاملات لا يخلق فهمًا للفيزياء.

إليك ما ينجح فعلًا — النهج الذي تستخدمه Veriprajna:

1. تحويل المخططات إلى رسوم بيانية، لا إلى بكسلات. بدلًا من تقسيم المخطط إلى رقع بكسل، يحوّل النظام نموذج معلومات البناء (BIM) الخاص بك إلى رسم بياني رياضي. تمثل كل عقدة مكونًا إنشائيًا حقيقيًا — جسرًا أو عمودًا أو بلاطة — يحمل خصائص فيزيائية فعلية مثل معامل يونغ ونقطة الخضوع. يمثل كل حرف وصلة فيزيائية حقيقية ينتقل عندها الحمل. يلتقط هذا الرسم البياني منطق هيكلك، لا مجرد مظهره.

2. دمج الفيزياء مباشرةً في تدريب الذكاء الاصطناعي. يستخدم النظام الشبكات العصبية المُطلعة على الفيزياء (PINNs) — نماذج ذكاء اصطناعي تحتوي في صميم عملية تعلمها على المعادلات الحاكمة لميكانيكا الإنشاءات. إذا تنبأ النموذج بشكل انحراف ينتهك قوانين التوازن، فإن عقوبة الفيزياء في تدريبه تجبره على تصحيح نفسه. لا يستطيع الذكاء الاصطناعي "تخيّل" إجابة تخالف قوانين نيوتن. حققت شبكات Graph-Structured Physics-Informed DeepONets — وهي نسخة متقدمة من هذا النهج — قيم دقة بلغت R² = 0.9999 بينما تعمل بسرعة أكبر بمقدار 7–8 أضعاف من حلول الهندسة التقليدية.

3. تتبع كل مسار حمل خوارزميًا. باستخدام نظرية الرسوم البيانية، يتتبع النظام جميع المسارات الممكنة لانتقال الحمل من نقطة التطبيق إلى الأساس. يحسب مقياسًا يُسمى مؤشر U* الذي يُصوّر "العمود الفقري" لهيكلك — أصلب مسار عبر المبنى. إذا كان تصميم الشرفة لديك يحتوي على مسار حمل غير متصل، فإن النظام لا يخمّن. بل يتوقف الخط الانسيابي فجأة، مشيرًا إلى نقطة الفشل بالضبط.

بالنسبة لفرق الامتثال والتدقيق لديك، ينشئ هذا النهج مسار قرار الصندوق الزجاجي. لأن كل عقدة في الرسم البياني تقابل مكونًا فيزيائيًا واحدًا بواحد، يمكنك تتبع سبب قيام النظام بوضع علامة على مشكلة ما بالضبط: "فشل العمود لأن الحمل المنقول من الجسر A والجسر B تجاوز السعة." هذه نتيجة قابلة للتدقيق وقابلة للتفسير — وليست درجة ثقة من صندوق أسود.

يعمل هذا النظام محليًا داخل المنشأة. لا ترسل فرقك مخططات حساسة إلى واجهة برمجة تطبيقات عامة. يوجد محرك الفيزياء على خادمك، مما يحمي الملكية الفكرية وبيانات المشروع بينما يمنحك إجابات حتمية.

يعمل نهج Veriprajna كطبقة تحقق. لا يزال بإمكان المعماريين والمصممين استخدام الذكاء الاصطناعي التوليدي للمفاهيم الإبداعية. لكن كل مفهوم يمر عبر فحص فيزيائي حتمي قبل أن يصل إلى مهندسيك. إذا فشل الفحص، يُرجع النظام قيدًا صارمًا — مثل "زيادة عمق الجسر بمقدار 200mm" أو "إضافة وصلة امتداد خلفي" — مما يفرض إعادة تصميم صالحة فيزيائيًا. تحصل على سرعة إبداعية مع يقين هندسي مدعوم بسير عمل المحاكاة والتوأم الرقمي.

يمكنك قراءة التحليل التقني الكامل للاطلاع على الإطار الرياضي الكامل، أو استكشاف النسخة التفاعلية للحصول على جولة إرشادية.