الطبيعة معقدة وفوضوية

قبل أن تغطي نظرية التعقيد جميع الجوانب، أصبح علينا الآن إضافة نظرية الفوضى

كانت الطبيعة دائمًا معقّدة (Bak and Paczuski 1993). الآن أصبحت فوضوية (Bernardini et al. 2025, Rockström 2009, Sakschewski 2025).

"أكثر من ثلاثة أرباع أنظمة دعم الأرض ليست ضمن المنطقة الآمنة. تدفع البشرية إلى ما يتجاوز حدود الحيّز التشغيلي الآمن، مما يزيد على نحو متصاعد خطر زعزعة استقرار الكوكب." — Johan Rockström, 2025

نحن الآن في نطاق «البجعة السوداء» (Sornette 2009)، مع تزايد احتمال حدوث أحداث مناخية فوضوية (IPCC 2021).

يُوسّع الذكاء الاصطناعي الأفق المعرفي. إنها أداة حقيقية للتعامل مع هذه المشكلة، لكنها لن تُنقذ إيانا. ولن تحل المشكلة عنا.

التعلّم الآلي (ML) هو ذكاء اصطناعي للتعرّف على الأنماط. وهذا يعني أنه شديد القابلية للخطأ في هذا السياق، للأسباب نفسها الموضحة في العمل الحائز على جائزة نوبل الذي يستند إليه الكتاب التفكير، السريع والبطيء حول سبب تعثّر الحدس البشري في بعض المشكلات المهيكلة (Tversky & Kahneman 1974). يتعرّف التعلّم الآلي (ML) على الأنماط، ما يعني أنه لا يعمل عندما ينكسر النمط ينكسر.

قد تفشل التنبؤات طويلة الأجل المعتمدة على الذكاء الاصطناعي بشكل كارثي بغضّ النظر عن البيانات المتاحة (Fan et al. 2020). في هذا العالم، وفي حياتنا، وفي حياتك إذا كنت تقرأ هذا، تصبح التنبؤات القائمة على الماضي، مهما كانت باهظة أو مفصلة، أقلّ موثوقية على نحو متزايد.

الشكل J. تؤدي نظرية الفوضى والتعقيد إلى أخطاء في بيانات الأنظمة الطبيعية والتحليل الإحصائي

عندما تكون البيانات خطية، تقع النقاط بانتظام على خط مستقيم. هكذا.

في البيانات غير الخطية تبدأ إحصاءاتنا في الفشل. يمر الخط عبر الوسط، لكنه يفوت الطرفين. البيانات ليست خطية.

أحيانًا تنجح النماذج الخطية قرب الصفر. الذيل هو حيث تعيش الحقيقة. والحقيقة أكبر من الخط.

الطبيعة لا تتظاهر حتى باتباع هذه القواعد. هذه بيانات حقيقية من نظام حقيقي. هناك بالفعل نمط، لكنه أذكى منا.

كبّر الصورة وستجد أن الفوضى تتضمن نظامًا في داخلها. كبّر ذلك النظام وستجد مزيدًا من الفوضى. إلى أقصى عمق.

بعض الأساسيات عن الأنظمة المعقدة

الأنظمة المعقدة ليست صعبة القياس فحسب، بل هي مستحيلة التكميم الكامل (Anderson 1972). وهذه خاصية للتعقيد نفسه، وليست مشكلة في الأدوات.

• الانبثاق — خصائص مستوى النظام لا توجد على مستوى المكوّنات؛ فالكُلّ يمتلك سلوكيات لا تمتلكها الأجزاء (Anderson 1972).
• اللاخطية — المخرجات ليست متناسبة مع المدخلات؛ فالاضطرابات الصغيرة يمكن أن تتسلسل، والكبيرة يمكن أن تتبدد (Strogatz 2015).
• حلقات التغذية الراجعة — المكوّنات تُشكّل بعضها بعضًا؛ فالسبب والنتيجة يدوران في حلقات، لا في خطوط (Meadows 2008).
• الحساسية للشروط الابتدائية — الاختلافات الطفيفة في حالة البداية تتباعد أسيًا مع مرور الوقت؛ وهذا هو التعريف الرسمي للفوضى (Lorenz 1963).
• نقاط التحول — تبقى الأنظمة في أنظمة مستقرة حتى يُتجاوز عتبة معيّنة، ثم تنقلب فجأة إلى نظام جديد (Scheffer et al. 2009).

لقد سخر معظم العلماء من الشعوب الأصلية الذين تحدثنا إليهم من العقلية الاختزالية تجاه الطبيعة. وهذا ليس نابعًا من عدم فهم للاختزالية؛ بل هو رفض واضح لهذا النهج باعتباره الأداة غير المناسبة للمهمة.

"مع كل الاحترام، ومن دون أعباء، نعبّر عن أننا نفهم، لكننا نأسف لمنطق أن من يملكون القوة التكنولوجية والقوة الاقتصادية يمسكون بزمام السيطرة على العالم؛ لأن القوة، عبر هذا المسار، أصبحت هوسًا لدى الدول القوية التي أفقدتها بصيرتها بوصفها أبناء الأرض، وجعلتها سادة الكوكب. وفي هذا المنطق النفعي، جرى تحويل العالم إلى شيء مُشيّأ وتحوّل كل ما هو موجود إلى سلع، وهذا الآن هو العمود الفقري للنظام الذي تبنته الدول اليوم." - Miguel Chindoy, صوت الشعوب الأصلية في العالم بشأن الطوارئ البيئية الكوكبية

بعض الأساسيات عن الأنظمة الفوضوية

التمييز البسيط بين المعقّد والفوضوي هو أن الأنظمة المعقدة يمكن أن تكون مستقرة. أما الفوضوية فلا يمكن أن تكون كذلك. التعقيد هو بنية؛ والفوضى هي ما يحدث عندما تميل تلك البنية إلى عدم الاستقرار.

• حتمية لكنها غير قابلة للتنبؤ — القواعد معروفة بالكامل، لكن المستقبل ليس كذلك (Lorenz 1963).
• الاعتماد الحساس على الشروط الابتدائية — تأثير الفراشة؛ أسباب صغيرة، ونتائج هائلة (Lorenz 1963).
• محدودة لكنها لا تتكرر أبدًا — المسارات الفوضوية لا تنطلق إلى ما لا نهاية، لكنها لا تعيد تتبع مسارها بدقة أبدًا. إنها ترسم "جاذبًا غريبًا" — وهو شكل في فضاء الاحتمالات يدور حوله النظام إلى الأبد دون تكرار (Ruelle & Takens 1971).
• آفاق التنبؤ محدودة بحكم الضرورة الرياضية — بعد نقطة معينة، لا تفيد أي دقة قياس أو قدرة حوسبة. يتراكم الخطأ أسرع مما تُوفّره البيانات من معلومات (Palmer 2000).
• الإحصاءات تصمد؛ أما المسارات فلا — يمكنك توصيف الشكل للفوضى (المتوسطات، والمديات، وتكرارات الأنظمة) حتى عندما لا يمكنك التنبؤ بأي مسار محدد (Eckmann & Ruelle 1985).

لهذا يتعطل التعلّم الآلي (ML) تحديدًا في الأنظمة الفوضوية: إذ يتعلم ML من المسارات، لكن في الفوضى يكون المسار هو الجزء الذي لا يمكن تعميمه. ولا يمكن إلا للغلاف الإحصائي.

كيف تعمل في الأنظمة المعقدة والفوضوية

الهدف من العمل في هذه الأنظمة هو العمل بذكاء أكبر، لا بجهد أكبر. وبعبارة أخرى، علينا أن نصغي إلى أفضل علماء العالم (أعلاه) و نعمل ضمن القيود.

• لا تحاول قياس كل شيء (حتى مع الذكاء الاصطناعي، خصوصًا مع الذكاء الاصطناعي!). اختر أبعادًا متعامدة وملموسة؛ خذ عينات، ولا تحصِ كل شيء. الاكتمال مستحيل. الهدف هو إشارة لا يمكن التلاعب بها.
• لا تحاول التنبؤ بالمستقبل قبل وقت طويل. آفاق التنبؤ رياضية، وليست تقنية — فلا كمية من البيانات تسد الفجوة بعد نقطة معينة. استخدم حلقات تغذية راجعة قصيرة بدلًا من التنبؤات الطويلة الأجل.
• حسّن الأداء بما يخدم تأثير الفراشة. في النظام الفوضوي، تكمن نقاط النفوذ عند نقاط التحول — إذ تؤدي المدخلات الصغيرة في المكان المناسب إلى نتائج غير متناسبة. إن هيكل الدفع الخاص بـ #SexyTrees ($1 للزراعة / $0.50 عند البقاء على قيد الحياة لمدة 6mo / $0.50 عند البقاء على قيد الحياة لمدة 12mo) هو تأثير فراشة: دفعة صغيرة لكل شجرة تقلب سلوك المزارعين على نطاق واسع.
• لا تفترض أنك تعرف ما الذي سيحدث. انظر إلى ما حدث فعلًا. القياس بأثر رجعي فقط. النماذج خرائط؛ وعندما تتعارض مع الإقليم، فثق بالإقليم.