الكشف عن نموذج التدرج المسبق الضخم الجديد “Doug” من… | نشرة الذكاء الاصطناعي 2026-08-10

🔥 التركيز

الكشف عن نموذج التدرج المسبق الضخم الجديد “Doug” من OpenAI، والعودة إلى مسار الـ Scaling للنموذج الأساسي: كشفت مؤسسات تحليل الصناعة والمسربون أن OpenAI تعمل على تطوير نموذج تدريب مسبق ضخم جديد تمامًا يحمل الاسم الرمزي “Doug”، ومن المتوقع إطلاقه في نوفمبر على أبعد تقدير. يشير هذا إلى أنه بعد ما يقرب من عامين من الاعتماد بشكل أساسي على التدريب اللاحق والتعلم المعزز لدفع نمو القدرات، تعيد OpenAI تشغيل الـ Scaling واسع النطاق للنموذج الأساسي نفسه لمواجهة ضغوط المنافسة المباشرة من المنتجات المنافسة مثل Gemini 3 من Google. (المصدر: JiQizhixin)

تداعيات كواليس إعادة هيكلة الذكاء الاصطناعي في Google: تسريبات تفيد بأن Hassabis كان يخطط للمغادرة في نفس وقت مغادرة Jeff Dean: وفقًا لمصادر في الصناعة، كان مؤسس DeepMind، ديميس هاسابيس (Hassabis)، يخطط في الأصل لمغادرة Google في نفس وقت مغادرة Jeff Dean، ولكن تم الإبقاء عليه قسراً بسبب مخاوف الإدارة العليا في Google من انهيار أسعار الأسهم. ويُقال إن ترقيته إلى منصب رئيس مجلس الإدارة وكبير علماء Alphabet كانت مجرد ترتيب انتقالي. في الوقت الحالي، قامت Google بنقل مركز أبحاث وتطوير الذكاء الاصطناعي وصنع القرار بالكامل إلى مقرها الرئيسي في وادي السيليكون، حيث يشرف المؤسس المشارك سيرجي برين (Brin) شخصيًا على تطوير Gemini، بينما تتلاشى تدريجيًا صبغة DeepMind كمؤسسة بحثية مستقلة. (المصدر: QbitAI)

اختراق مزدوج أكاديمي وتطبيقي: GPT-5.6 وFable 5 يتعاونان لحل معضلة رياضية في كشف MIMO معلقة منذ 25 عامًا: أعلن الباحث Dimitris Papailiopoulos من Microsoft Research، بمساعدة GPT-5.6 وFable 5، عن نجاحه في إثبات خوارزمية زمنية متعددة الحدود تمكن كشف MIMO في الاتصالات اللاسلكية من الوصول بدقة إلى حد الاحتمال الأقصى. يسد هذا الاكتشاف الفجوة المستمرة منذ 25 عامًا بين ما “يمكن استعادته” إحصائيًا وما “يمكن استعادته” بواسطة الخوارزميات السريعة، مما يظهر الإمكانات الهائلة للذكاء الاصطناعي في استنتاج النظريات الرياضية المعقدة والتحقق منها. (المصدر: QbitAI)

تفاقم أزمة استهلاك الطاقة للحوسبة الذكية: الكشف عن محطة طاقة غاز طبيعي بقدرة 7.65GW لشركة Amazon في تكساس واستثمار بقيمة 3 مليارات دولار من Nvidia: لتلبية الطلب الهائل على الطاقة لمراكز بيانات الذكاء الاصطناعي، أكدت Amazon أنها ستمول بناء محطة طاقة غاز طبيعي خاصة في تكساس تحتوي على 35 توربينًا وتنتج 7.65 جيجاوات (GW) من الكهرباء، مما قد يجعلها أكبر مصدر فردي لانبعاثات الغازات الدفيئة في الولايات المتحدة. في الوقت نفسه، كشفت تقارير أن Nvidia تخطط لاستثمار ما يصل إلى 3 مليارات دولار في شركة Lancium لتطوير البنية التحتية للطاقة في تكساس، مما يبرز الصراع الحاد بين التوسع في القوة الحوسبية والأهداف المناخية. (المصدر: THE DECODER)

🎯 التطورات

اختراق جديد في التدريب اللاحق للنماذج الكبيرة: جامعة نانجينغ بالتعاون مع عدة جامعات تقترح نموذج اللغة الانتشاري المستمر AURORA-LM: اقترح فريق البحث مخططًا جديدًا تمامًا لنمذجة اللغة في الفضاء الدلالي المستمر، من خلال بناء تسلسلات متجهات مستمرة عالية السعة للنصوص باستخدام المشفر التلقائي (Autoencoder)، واستخدام نموذج انتشار سببي مجزأ لتعلم توزيع توليدها. تم إكمال جميع تجارب النموذج على معالجات Ascend NPU الصينية، وتم توسيعه إلى حجم مليار معلمة (1 Billion parameters)، محققًا نتائج ممتازة في مهام التوليد الحر والتلخيص المشروط، مما يثبت جدوى منصات حوسبة الذكاء الاصطناعي المحلية. (المصدر: JiQizhixin)

Google DeepMind تنشر التقرير التقني لـ DiffusionGemma، مستعرضة نموذج انتشار النص دون الحاجة للتدريب من الصفر: يفصل التقرير كيفية تحويل نموذج Gemma-4-26B الحالي إلى نموذج انتشار النص. من خلال الضبط الدقيق الخاضع للإشراف والتدريب على مرحلتين “تقطير أخذ العينات + التعلم المعزز” (SD-RL)، حقق DiffusionGemma سرعة توليد متوازية بلغت 1500 token في الثانية على رقاقات H100، ويتميز بقدرات الاستدلال ثنائي الاتجاه والتصحيح الذاتي للأخطاء، مع أداء متميز في المهام الهيكلية مثل حل السودوكو. (المصدر: THE DECODER)

تطورات جديدة في برمجة الذكاء الاصطناعي وإدارة التكاليف لدى الشركات الكبرى: تفعيل “الوضع التلقائي” افتراضيًا في Claude Code، وتجاوز ميزانية Amazon بنسبة 860% بسبب استدعاء Sonnet: أعلنت Anthropic عن تعيين الوضع التلقائي كصلاحية افتراضية في Claude Code، حيث أظهرت الاختبارات أن المصنف التلقائي يمكنه التقاط 89% من العمليات الخطيرة، وهو ما يتجاوز بكثير نسبة 14% للمراجعة البشرية اليدوية. في الوقت نفسه، كشفت تقارير أن Amazon، أثناء استخدامها لـ Claude Sonnet لملء معلومات المؤلفين، واجهت ارتفاعًا هائلاً في الفاتورة لتصل إلى 1.8 مليون دولار بسبب تكرار محاولات الـ Agent، متجاوزة الميزانية بنسبة 860%، مما يبرز مخاطر خروج تكاليف الـ Agent عن السيطرة على مستوى المؤسسات. (المصدر: JiQizhixin)

انقسام مسارات “التعلم المستمر” للنماذج الكبيرة: الأوساط الأكاديمية والصناعية تستكشف بنشاط آلية “التعلم أثناء الاستخدام”: لمعالجة مشكلة “النسيان الكارثي” في النماذج الكبيرة، ينقسم القطاع حاليًا إلى مسارات مثل الذاكرة الخارجية (مثل Letta)، وهندسة السياق (مثل ACE)، والتدريب اللاحق المستمر (مثل Tinker)، والتعديل الذاتي التكيفي (مثل SEAL وHope). وأشار خبراء مثل Karpathy إلى أن التعلم المستمر في المستقبل سيتجه نحو تعاون متعدد الطبقات يجمع بين “النواة المعرفية + الذاكرة الخارجية”، حيث يقرر الذكاء الاصطناعي بشكل مستقل محتوى واستراتيجية التعلم. (المصدر: JiQizhixin)

أدوات برمجة الذكاء الاصطناعي للشركات الكبرى تقدم ميزة الاتصال عبر الجلسات، وتعاون الوكلاء يتجه نحو نموذج جديد متعدد الوكلاء (Multi-Agent): قدمت Anthropic ميزة نقل الرسائل عبر الجلسات لـ Claude Code، مما يسمح بالاتصال الذاتي ومحاذاة التقدم بين جلسات الذكاء الاصطناعي المختلفة التي تعمل على نفس الجهاز أو عبر اتصالات عن بعد. يكسر هذا التحديث قيود عمل وكلاء الأكواد بشكل منفرد، ويزيل فقدان السياق الناتج عن النسخ واللصق بين الأجهزة الطرفية، مما يوفر دعمًا جديدًا للتطوير المتوازي للمهام المتعددة المعقدة. (المصدر: JiQizhixin)

جامعة تشجيانغ تقترح إطار عمل التقييم المعرفي المكاني الوكيل ProVisE，وتدعو النماذج التوليدية إلى “رسم” الذكاء المكاني: لمعالجة عيوب تقييمات الإدراك المكاني التقليدية التي تجبر النماذج على إخراج إحداثيات مجردة، اقترح فريق OmniAI إطار عمل ProVisE ومعيار SpatialGen-Bench. يوجه هذا الإطار النماذج التوليدية عبر بروتوكول مرئي لتحديد الإجابات مباشرة على الصور، والتي يتم استعادتها بعد ذلك بواسطة محلل إلى تنبؤات هيكلية. وتظهر الاختبارات أن نماذج توليد الصور تظهر مزايا فريدة في الحدس المكاني المباشر. (المصدر: JiQizhixin)

تطورات جديدة في الذكاء الاصطناعي على الأجهزة والسياق الطويل للغاية: إطلاق LFM 2.6B وPokee-Isaac 28B على التوالي: حقق نموذج الأجهزة LFM 2.6B الذي أطلقته Liquid AI سرعة توليد بلغت 260T/s على بطاقة RTX 3090، مع التركيز على الاستدلال المحلي فائق السرعة؛ بينما يدعم نموذج Pokee-Isaac 28B الذي أطلقته Pokee AI سياقًا طويلاً للغاية يصل إلى 10M-token، مما يسمح بنشر آمن ومحلي بالكامل على وحدة معالجة رسومات (GPU) واحدة، ويوفر للقطاعات الخاضعة للتنظيم حل تشغيل للوكلاء دون الحاجة لنقل البيانات خارج الحدود. (المصدر: MarkTechPost)

🧰 الأدوات

Shepherd: بيئة تشغيل Python مفتوحة المصدر تدعم تفريع وإعادة تشغيل وتراجع حالة تشغيل الوكلاء: تم تطوير هذه الأداة بواسطة فريق من جامعة نورث إيسترن وجامعة ستانفورد، وهي تسجل كل تفاعل للوكيل مع البيئة كحدث مكتوب (typed event) شبيه بنظام Git. عندما يرتكب الوكيل خطأً في مهمة طويلة، يمكن للمطورين أو الوكلاء الفوقيين (meta-agents) التراجع بنقرة واحدة إلى خطوة محددة لإعادة التنفيذ، مما يتجنب إهدار القوة الحوسبية في إعادة التشغيل، ويحقق معدل إعادة استخدام لذاكرة التخزين المؤقت للمطالبات (prompt cache) يتجاوز 95%. (المصدر: MarkTechPost)

Code-Graph-RAG: نظام RAG لتحليل وتحرير أكواد المستودعات الأحادية (Monorepo) متعددة اللغات استنادًا إلى الرسوم البيانية للمعرفة: يستخدم هذا المشروع مفتوح المصدر أداة Tree-sitter لتحليل مستودعات الأكواد متعددة اللغات، ويبني رسمًا بيانيًا موحدًا للمعرفة الهيكلية في Memgraph. يقدم الإصدار الأخير دعمًا للغة Ruby، وأدوات بحث واستبدال هيكلية تعتمد على ast-grep، بالإضافة إلى ميزة تتبع تدفق البيانات عبر اللغات، مما يسمح للمستخدمين بالاستعلام وتحرير المستودعات الأحادية المعقدة باستخدام اللغة الطبيعية. (المصدر: GitHub)

Agent DevTools: أداة مطور محلية لتصحيح أخطاء ذاكرة واسترجاع الوكلاء: يوفر هذا المشروع للمطورين مصحح أخطاء محلي مرئي يدعم إطار عمل LangChain. يمكن للمطورين من خلال هذه الأداة فحص مطالبات الوكيل، وحالة الذاكرة، ومنطق الاسترجاع، وعمليات استدعاء الأدوات في الوقت الفعلي، ومقارنة الاختلافات بين إصدارات التشغيل المختلفة، مما يساعد في تحديد مصدر انحراف قرارات الوكيل بسرعة. (المصدر: GitHub)

LiteParse: أداة مفتوحة المصدر من LlamaIndex لاستخراج البيانات المهيكلة من ملفات PDF بسرعة عالية: تتيح هذه الأداة استخراج البيانات المهيكلة مثل قيم حقول النماذج، وحالات خانات الاختيار، والتعليقات التوضيحية، والصور المضمنة، والرسومات المتجهية مباشرة من ملفات PDF الرقمية في غضون أجزاء من الثانية، دون الحاجة إلى استدعاء نماذج الرؤية متعددة الوسائط الكبيرة البطيئة والمكلفة. كما تدعم توجيه النتائج المستخرجة بسلاسة إلى حلول النماذج الكبيرة مثل LlamaParse، مما يقلل بشكل كبير من تكاليف الـ Token لتحليل المستندات. (المصدر: GitHub)

Overeasy: طبقة تغطية لنظام ملفات مستمر تعتمد على سجلات S3 غير القابلة للتغيير: توفر هذه الأداة لوكلاء الذكاء الاصطناعي نظام ملفات افتراضيًا قابلاً للتفريع والاسترداد والتراجع. من خلال تسجيل عمليات نظام الملفات كسجلات غير قابلة للتغيير على S3، تتيح Overeasy للوكلاء استعادة حالة التشغيل بسلاسة بين الأجهزة المختلفة، والتراجع بأمان إلى أي حالة تاريخية عند حدوث أخطاء في توليد الأكواد أو تكوين النظام. (المصدر: GitHub)

📚 التعلم

نشر ورقة تعليمية بعنوان “الوكلاء في العالم الحقيقي” (Agents in the Wild): تمت كتابة هذه الورقة بالتعاون بين Microsoft وBloomberg ومؤسسات أخرى، وهي تفصل التحديات الأساسية التي تواجه وكلاء الذكاء الاصطناعي عند الانتقال من المعايير الخاضعة للرقابة إلى النشر في العالم الحقيقي. يغطي المحتوى الاستدلال والتخطيط خارج المختبر، والتعاون بين الوكلاء المتعددين، وبناء خطوط التحقق الديناميكية، وآليات التراجع عند التدهور، ونموذج الإشراف البشري في الحلقة (HITL)، مع تقديم حالات عملية في مجالي الطب والتمويل. (المصدر: X)

نشر دراسة بعنوان “النسيان البصري التوزيعي في التدريب اللاحق للنماذج الكبيرة”: أشار فريق من جامعة نورث وسترن البوليتكنيكية وجامعة هونغ كونغ للعلوم والتكنولوجيا وجامعة تشجيانغ إلى أن نماذج اللغة الكبيرة متعددة الوسائط ذاتية الانحدار عرضة لـ “النسيان البصري التوزيعي” أثناء الاستدلال طويل السلسلة. واقترحت الدراسة إطار عمل Remember-R1، والذي يقيد النموذج لاستدعاء الأدلة البصرية باستمرار وبدقة طوال سلسلة الاستدلال من خلال إدخال مكافآت عملية ثلاثية الطبقات (المفردات البصرية، والذاكرة البصرية، والمناطق الرئيسية) في تدريب GRPO، مما يحسن بشكل كبير أداء نماذج 7B في معايير متعددة. (المصدر: X)

نشر دليل مراجعة موجز بعنوان “أساسيات تعلم الآلة” (Machine Learning: The Basics): دليل تعليمي مبسط كتبه الباحث Alexander Jung، يستعرض بشكل منهجي المفاهيم الأساسية لتعلم الآلة من خلال إطار عمل موحد يجمع بين “البيانات – النموذج – الخسارة”. يغطي المحتوى فضاء الفرضيات، واختيار النموذج، وتقليل المخاطر التجريبية والتنظيم، والنماذج الاحتمالية والتجميع، والتعلم الفيدرالي، بالإضافة إلى الخصوصية وقابلية التفسير، وهو مناسب كمادة للمراجعة السريعة. (المصدر: X)

💼 الأعمال

شركة Weilian Intelligent تكمل جولة تمويل ملاك (Angel Round) بقيمة عشرات الملايين من اليوان، بدعم مشترك من Li Zexiang وLu Qi: أعلنت شركة Weilian Intelligent عن إكمال جولة تمويل ملاك (Angel Round) بمشاركة مشتركة من صندوق Qingshuiwan التابع لـ Li Zexiang وحاضنة MiraclePlus التابعة لـ Lu Qi وغيرهم. تأسست الشركة على يد الدكتور Ning Dongdong من جامعة تشجيانغ، وتركز على تطوير روبوتات محادثة لـ “خدمة العملاء الفنية بعد البيع” المخصصة لسيناريوهات التجارة الإلكترونية، مع التركيز على قدرات فهم الفيديو/الصور متعددة الوسائط واستكشاف الأخطاء وإصلاحها بالاستدلال المنطقي الذاتي، بهدف حل مشكلة التكاليف المرتفعة لخدمات ما بعد البيع للأجهزة المعقدة. (المصدر: 36Kr)

تأسيس شركة Zhongke Huisi وإطلاق ثلاثة منتجات للأيدي الرشيقة، لاستكشاف دولاب الموازنة المزدوج “الهيكل × البيانات”: تأسست شركة Zhongke Huisi بشكل مشترك من قبل Zhongke Huiling وLens Technology ومجموعة Huaxia، وأطلقت ثلاثة منتجات: النسخة الخفيفة L1، واليد ذات الخمسة أصابع عالية الحرية D1، واليد النمطية المخصصة للسيناريوهات M1. تتخذ الشركة من الأيدي الرشيقة مدخلاً لها، وتلتزم بدفع تطور المستجيبات النهائية من مجرد أجهزة فردية إلى منصات مهارات تشغيلية تجمع بين الأجهزة والبرمجيات، وأعلنت عن بناء ساحة تدريب متخصصة لمهارات الأيدي الرشيقة. (المصدر: 36Kr)

OpenAI تستحوذ على شركة NextSlide الناشئة لتوليد العروض التقديمية، لتسريع دمج ميزات العرض المرئي: أعلنت شركة NextSlide الناشئة لتوليد العروض التقديمية عن استحواذ OpenAI عليها، وانضمام فريقها إلى قسم ChatGPT. تركز تقنية NextSlide على تحويل المطالبات أو الملاحظات أو المستندات بنقرة واحدة إلى عروض تقديمية جميلة وقابلة للتعديل. يهدف هذا الاستحواذ إلى تعزيز قدرات التواصل المرئي وإنشاء المحتوى في ChatGPT، ولم يتم الكشف عن الشروط المحددة للصفقة. (المصدر: TechCrunch)

🌟 المجتمع

نقاش حاد في الأوساط الأكاديمية والصناعية حول “مكافحة التزييف الأكاديمي في الذكاء الاصطناعي”: معدل إعادة إنتاج أوراق Oral في ICML 2026 يقل عن 10% مما يثير أزمة ثقة: قامت مؤسسة الأبحاث المستقلة SAI بإعادة إنتاج تجريبية كاملة لـ 105 أوراق بحثية من فئة Oral في مؤتمر ICML 2026، ووجدت أن 8 أوراق فقط حصلت على درجة إعادة إنتاج تتجاوز 80%، بمتوسط بلغ 28% فقط. وأشارت إلى أن عددًا كبيرًا من الأوراق يعاني من فقدان الأكواد، أو عدم الكشف عن البيانات، أو عدم تطابق نتائج التجارب مع الأوصاف المذكورة. وأشار الباحث Keller Jordan من OpenAI وآخرون إلى أن العقبات التي تحول دون إعادة الإنتاج والمبالغات الدعائية تتكرر في أوراق المؤتمرات الكبرى، مما جعل المختبرات الرائدة تتوقف تقريبًا عن قراءة أوراق هذه المؤتمرات أو الثقة بها. (المصدر: X)

نقاش واسع حول بيئة Harness والاستدلال للنماذج الكبيرة: الأطر المحلية مثل Codex تواجه تحولاً نحو “السحابة الأصلية” (Cloud-Native): أشار المسؤول التنفيذي في OpenAI، تيبو سوتيو (Thibault Sottiaux)، إلى أنه مع ظهور نماذج الاستدلال طويل الأمد وعالية الاستقلالية، تواجه أطر الـ Harness أحادية الجهاز (مثل بيئات التشغيل المحلية مثل Cursor وClaude Code) اختناقات في القوة الحوسبية والذاكرة وصناديق الحماية المتزامنة. وخلال الشهرين أو الثلاثة أشهر القادمة، ستتسارع تدفقات عمل الوكلاء للتحول نحو بنية تحتية سحابية لصناديق الحماية الدقيقة تعتمد على “التوجيه الخفيف محليًا والتنفيذ الثقيل سحابيًا”. (المصدر: JiQizhixin)

تجدد الجدل حول “هروب الذكاء الاصطناعي من السجن وصندوق الحماية”: نقاش مجتمعي ساخن حول اختبار أمان Kimi K3: ردًا على الشائعات المتداولة على وسائل التواصل الاجتماعي حول “هروب Kimi K3 من صندوق الحماية والاتصال بالإنترنت أثناء اختبار الأمن السيبراني”، أوضح معهد سلامة الذكاء الاصطناعي البريطاني (UK AISI) وباحثو الأمان أن الحادث لم يكن هروبًا نشطًا من النموذج، بل كان بسبب فشل المختبرين في عزل الشبكة بشكل صحيح عند تكوين أداة التقييم Inspect. أثار هذا نقاشًا حادًا في المجتمع، مع مخاوف من أن بعض المختبرات تستغل روايات “خروج الذكاء الاصطناعي عن السيطرة” للتسويق المفرط، وبالتالي دفع سياسات تنظيمية تصب في مصلحة احتكار المصادر المغلقة. (المصدر: X)

دليل بقاء المطورين المستقلين في عصر الذكاء الاصطناعي: إدارة ميزانية الـ Token وبناء علامة تجارية صادقة: شارك المطور المستقل الشهير في المجتمع Tw93 وآخرون أفكارهم حول التطوير في عصر الذكاء الاصطناعي. وأشاروا إلى أنه مع خفض الذكاء الاصطناعي لحواجز كتابة الأكواد، تحولت القدرة الأساسية للمطورين من كتابة الأكواد إلى كونهم “مهندسي منتجات” (مزيج من أبحاث المستخدمين + المنتج + العمليات + الأعمال). في عملية التطوير، يجب معاملة الـ Token كاستثمار واستخدامه في الأماكن الأكثر أهمية، وبناء علامة تجارية شخصية موثوقة على المدى الطويل من خلال التكرار السريع والتواصل الصادق والرؤية العالمية. (المصدر: X)

💡 أخرى

القصص القصيرة التي يولدها الذكاء الاصطناعي تتفوق في التقييم على الأعمال البشرية في اختبار أعمى: أظهرت دراسة شملت أكثر من 2500 مشارك أن القراء لا يمكنهم التمييز بدقة بين الكتاب البشر والقصص القصيرة التي يولدها ChatGPT-4. في الاختبار الأعمى، حصلت قصص الذكاء الاصطناعي على تقييمات أعلى بكثير من الأعمال البشرية في الجودة المدركة والانغماس، لأن نصوص الذكاء الاصطناعي عادة ما تكون أكثر سلاسة وسهولة في القراءة. ومع ذلك، بمجرد معرفة أن القصة تم توليدها بواسطة الذكاء الاصطناعي، تنخفض تقييمات القراء بشكل ملحوظ بسبب التحيز النفسي. (المصدر: THE DECODER)

محاكم العمل البريطانية تواجه تراكمًا حادًا في القضايا بسبب تدفق الشكاوى التي يولدها الذكاء الاصطناعي: أظهرت مذكرة نشرها رئيس المحاكم البريطانية Barry Clarke وآخرون أنه نظرًا لأن أدوات مثل ChatGPT وGrok خفضت الحواجز القانونية، يمكن للموظفين العاديين توليد لوائح اتهام معقدة مجانًا تصل إلى مئات الصفحات. وقد أدى ذلك إلى ارتفاع طلبات الإغاثة المؤقتة وتراكم القضايا في المحاكم بنسبة 55% على أساس سنوي، مع بقاء 64,000 قضية معلقة. هذه “مأساة المشاع” تجعل العمال الذين لديهم مطالب حقيقية يواجهون أوقات انتظار أطول. (المصدر: THE DECODER)

نشاط Stack Overflow يتراجع بنسبة 99% على مدار عقد من الزمن، مما يثير المخاوف بشأن مصادر المعرفة في عصر الذكاء الاصطناعي: تظهر البيانات الإحصائية أن حجم الأسئلة الشهرية في Stack Overflow، أكبر مجتمع للأسئلة والأجوبة للمبرمجين في العالم، قد انخفض بشكل حاد من ذروته البالغة 207 ألف سؤال في مارس 2014 إلى 1.4 ألف سؤال فقط في يوليو 2026، وهو انخفاض بنسبة 99%. وأشار مستخدمو المجتمع إلى أن النخبوية الطويلة والبيئة السامة في الموقع كانت تنفر القادمين الجدد بالفعل، بينما أدى انتشار النماذج الكبيرة إلى تحويل حركة المرور بالكامل. وبدأ المجتمع يخشى أنه إذا توقف البشر عن المساهمة بمعارف جديدة على المنصات العامة، فإن بيانات تدريب الذكاء الاصطناعي في المستقبل ستواجه خطر النضوب. (المصدر: Reddit)