لقد سرّع الذكاء الاصطناعي التوليدي العديد من المجالات التقنية. أصبح الآن من الشائع أن يلعب الذكاء الاصطناعي دورًا ما في كتابة الأوراق العلمية والمستندات التقنية، وتشغيل الأكواد البرمجية، وتصميم التجارب، وصياغة المقترحات. غير أن تسريع إنشاء المحتوى أوجدى تحديًا في المراجعة: إذ ظلت قدرة البشر على التحقق شبه ثابتة وسط هذه الزيادة السريعة في المحتوى المولّد بالذكاء الاصطناعي. تتطلب مراجعة المستندات المعقدة مثل المخطوطات العلمية الطويلة أو الاتفاقيات القانونية المعقدة خبرة متخصصة ومعرفة متقدمة بالموضوع. ويخلق هذا الخلل ما يسمى اختناق التحقق، حيث يتم توليد المعلومات أسرع مما يمكن مراجعتها بدقة.
اليوم، يسعدنا أن نعلن عن الإطلاق العام لـ Deep Review، وهو نظام ذكاء اصطناعي وكيلي مصمم لتقديم ملاحظات دقيقة وتحقق تقني على المستندات المعقدة. صُمم النظام في البداية لتحليل الأوراق الأكاديمية في علوم الحاسوب، ثم توسعت قدراته ليشمل مراجعة المستندات في مجالات عديدة مثل القانون والمالية. ويمكن استخدامه كأداة تحسين تكراري أثناء عملية الصياغة، وكأداة للتحقق العلمي من العملية والمزاعم والتقييم أثناء عملية المراجعة.
يمثل Deep Review تطور أداة مساعد الأوراق البحثية لدينا (PAT) — وهي مبادرة تجريبية طُوّرت لمساعدة الباحثين على اختبار المخطوطات قبل التقديم إلى المؤتمرات. خلال العام الماضي، عقدنا شراكة مع أربعة مؤتمرات رائدة في علوم الحاسوب (STOC 2026, وICML 2026، وNeurIPS 2026، و ICLR 2027) لتقديم ملاحظات خاصة قبل التقديم لمؤلفي أكثر من 16,000 مخطوطًا اختاروا الاشتراك. يمكن العثور على مزيد من التفاصيل حول PAT وهذه البرامج التجريبية في مخطوطتنا: نحو أتمتة المراجعة العلمية باستخدام أداة Paper Assistant من Google.
مع هذا الإطلاق، أصبح Deep Review متاحًا الآن في جميع أنحاء العالم:
- وصول متدرج وواجهة برمجة تطبيقات قابلة للتوسع: يحصل كل مستخدم على مراجعتين مجانيتين للمستندات أسبوعيًا. ويمكن للمستخدمين ذوي سير عمل عالية الحجم ربط مفتاح Gemini API key الخاص بهم للحصول على حدود استخدام أعلى وتكامل برمجي عبر واجهة Deep Review API.
- مرونة التنسيقات: سيدعم Deep Review في البداية ملفات PDF والنص العادي كتنسيقات إدخال، مع دعم المدخلات متعددة الملفات قريبًا.
- الخصوصية وسياسة البيانات: لا تُستخدم المستندات المرفوعة إلى Deep Review مطلقًا لتدريب نماذج Google أو ضبطها بدقة أو تحسينها. وتُخزَّن المستندات المرفوعة لمدة عام واحد بهدف وحيد هو عرضها للمستخدم في واجهة Deep Review.
يُسرّع Deep Review التحقق التقني
من أبرز أمثلة اختناق التحقق هو مراجعة الأقران الأكاديمية. ويتضح ذلك في تزايد الأبحاث المقدمة إلى أماكن النشر الأكاديمي، لا سيما أماكن أبحاث الذكاء الاصطناعي نفسه، التي شهدت ارتفاعًا كبيرًا. هذا العام، بلغ عدد الأبحاث المقدمة إلى ثلاثة مؤتمرات كبرى في الذكاء الاصطناعي أكثر من 74,000 أبحاث (ICLR, وNeurIPSو ICML) ارتفاعًا من نحو 45,000 في عام 2025، و32,000 في عام 2024، و23,000 في عام 2023. يتطلب كل واحد من هذه الطلبات عدة مراجعات عالية الجودة لضمان سلامة عملية المراجعة من الأقران، وهو ما قد يضع عبئًا أكبر على الخبراء البشريين.
الزيادة في الطلبات المقدمة إلى NeurIPS وICML وICLR بين عامي 2023 و2026.
يهدف Deep Review إلى المساعدة في تخفيف هذا العبء المتنامي على المراجعين البشريين عبر المجالات التقنية. فمن خلال تقديم تقييمات مفصلة وموضوعية للوثائق، يتحقق Deep Review من الاتساق المنطقي والعبارات الرياضية، ويقترح تحسينات، ويربط الحقائق بمصادرها، ويقارن بالأعمال القائمة. وهو يتناول بعض أكثر جوانب المراجعة إثقالًا للإدراك، مع ترك الأحكام ذات المستوى الأعلى للبشر.
سجل حافل بالإنجازات في المراجعة العلمية
خضع Deep Review لاختبارات مكثفة وتم نشره تحت اسمه التجريبي، Paper Assistant Tool (PAT)، في أربع شراكات تجريبية مع المؤتمرات الرائدة في علوم الحاسوب STOC 2026 وICML 2026 وNeurIPS 2026 وICLR 2027. وخلال هذه البرامج التجريبية، تمكّن المؤلفون من الاشتراك اختياريًا في تلقي ملاحظات وتحليلات حول أوراقهم البحثية عبر PAT في الأسابيع السابقة للموعد النهائي للتقديم. وكان الهدف هو تزويد المؤلفين بملاحظات قابلة للتنفيذ للمساعدة في تحسين جودة الأوراق قيد التقديم. وكانت هذه الملاحظات منفصلة تمامًا عن عملية مراجعة المؤتمر الرسمية. ولم يجمع PAT أيًا من البيانات لأغراض التدريب، وتم حذف الأوراق من أنظمة Google فور انتهاء كل برنامج.
كانت ردود أفعال المؤلفين تجاه الأداة إيجابية للغاية، وتعكس التحسينات المستمرة على النماذج الأساسية وعلى هيكل PAT على حد سواء. ومع إضافة دعم Gemini 4 Argon في Deep Review، زادت القدرات الأساسية للأداة بشكل أكبر تجاوزًا للنسخ السابقة من PAT الموصوفة أدناه.
إحصاءات وملاحظات المؤلفين من البرامج التجريبية لـ PAT في مؤتمرات التعلم الآلي وعلوم الحاسوب النظرية.
كيف يعمل Deep Review
غالبًا ما تفشل استدعاءات نماذج اللغة الكبيرة ذات الأوامر المفردة عند تقييم مستندات طويلة ومعقدة بسبب استنفاد ميزانية الاستدلال الرمزي، أو إغفال التبعيات عبر الأقسام في السياقات الطويلة، أو قبول الادعاءات الدقيقة دون تدقيق كامل. ويحل Deep Review هذه التحديات من خلال مسار عمل وكيبي من أربع مراحل:
- تقسيم المستند: يُستورد المستند أولًا ويُفكَّك تلقائيًا بواسطة وكيل مجزّئ إلى أجزاء منطقية (مثل المقدمة، التجارب، المنهجية، إلخ). ويمكن أن تتداخل هذه الأجزاء، ويجب أن تغطي جميع محتوى المستند المدخل.
- الموازنة التكيفية: ليست جميع الأقسام بحاجة إلى عمق معرفي متساوٍ. يفحص مسار العمل كثافة المعلومات ويخصص ديناميكيًا ميزانية حوسبة، إلى جانب مسار تحجيم استدلال متخصص لكل قسم. فعلى سبيل المثال، قد تتلقى الأقسام الغنية بالبراهين الرياضية حوسبة أكبر من مقدمة ورقة أكاديمية أو قسمها الخاص بالأعمال ذات الصلة.
- التحقق المتوازي العميق: يفحص وكلاء استدلال متخصصون كل جزء على التوازي. ولكل وكيل إمكانية الوصول إلى سياق المستند الكامل لتتبع الإحالات المرجعية، لكنه يركز قوته الاستدلالية تحديدًا على مهمة مراجعة القسم المستهدف الخاص به. ويضمن ذلك أن تكون مهام المراجعة قابلة للإدارة لكل سرب مراجعة، وأن تُنسَّق الأسراب المتوازية بشكل صحيح.
- التوليف العالمي والتأسيس الوكيل: يقوم وكيل توليف مخصص بتوحيد التقارير على مستوى الأجزاء، ويجري فحوصات الاتساق النهائية بين الأقسام، ويعيد تشغيل الفحوصات المنطقية عند الحاجة. كما يجري الوكيل فحوصات تأسيس خارجية واستدعاءات للأدوات كإجراء احترازي أخير ضد الهلوسة.
بنية النظام موضحةً مسار العمل ذا المراحل الأربع.
التحقق والمراجعة الشاملان: ما وراء الأوراق البحثية
بينما نشأ Deep Review في مراجعة الأوراق الأكاديمية، فإن مراجعة السياقات الطويلة قابلة للتعميم: فآليات الاستدلال المستخدمة للتحقق مما إذا كان برهان رياضي صامدًا في ورقة بحثية يمكن أن تساعد أيضًا في كشف الفجوات المنطقية والتناقضات في أنواع أخرى من المستندات، حيث يجب أن تدعم الأدلة الادعاءات المطروحة. ولذلك، يمكن استخدام Deep Review لإضفاء نقد منظّم على مجموعة أوسع من سير العمل اليومي.
يمكن للمستخدمين الآن تطبيق Deep Review لتحليل مستندات معقدة عبر مجالات عديدة. فعلى سبيل المثال، يمكن تشغيله على:
- مستندات التصميم: رصد الافتراضات المعمارية غير المصرّح بها، واكتشاف الحالات الحدية، واقتراح تحسينات ملموسة.
- العروض التقديمية: التأكد من أن انتقالات الشرائح تتدفق منطقيًا وأن النقاط الختامية تطابق الرسوم البيانية المرئية.
- المستندات القانونية والمالية: فحص الاتساق الداخلي عبر البنود وجداول البيانات، وتمييز المصطلحات الغامضة أو العواقب اللاحقة، وربط الادعاءات بالأدلة الداعمة.
يلتقي Deep Review مع Antigravity
نقدّم أيضًا نمط المراجعة العميقة للوثائق بشكل جماعي (Teamwork Deep Document Review Pattern), وهو نمط تنفيذ لمراجعة المستندات مستوحى من Deep Review ومدمج في Antigravity باستخدام إطار التنسيق متعدد الوكلاء Teamwork. صُمِّم هذا النمط بشكل منهجي لتقييم الأوراق البحثية ومسودات المخطوطات والمقترحات التقنية باستخدام تسلسل هرمي متعدد الوكلاء مع تصحيح ذاتي ومعايير تقييم قائمة على المقاطع. ويمكن لمستخدمي Antigravity استدعاء هذا النمط باستخدام الأمر /teamwork-preview .
جعل المراجعات التقنية الشاملة عالية الجودة في متناول الجميع
لقد اعتمدت النقد الشامل قبل التقديم في علوم الحاسوب عمومًا على الوصول إلى شبكات مراجعة واسعة — مثل أعضاء هيئة التدريس الكبار، أو المختبرات الأكاديمية الغنية بالموارد، أو شبكات استشارية واسعة من الأقران. ويمكن أن يساعد توفير تحقق منطقي موثوق وآلي كثيرًا من الأكاديميين في اختبار ادعاءاتهم تحت الضغط، وتحديد العيوب القابلة للتجنب، وتحسين مستنداتهم وتعزيزها استنادًا إلى أسس مُتحقَّق منها، وعرض أعمالهم بثقة أكبر في عملية المراجعة.
ابدأ الاستخدام
ندعو الباحثين والمهندسين والمبدعين في كل مكان لاستكشاف Deep Review:
- جرّب Deep Review: قم بزيارة بوابة Google Research لمراجعة مستنداتك الأولى.
- التكامل مع واجهة برمجة التطبيقات (API): احصل على تحقق برمجي في سير عمل التكامل المستمر والكتابة لديك باستخدام مفتاح Gemini API الخاص بك.
- اقرأ البحث: اقرأ المسودة الأولية لاستكشاف المنهجية الأساسية والتقييمات التجريبية.
الخاتمة والنظرة إلى المستقبل
نظراً للفائدة التي أظهرها خلال برامجنا التجريبية مع المؤتمرات الأكاديمية، نعتقد أن أدوات مثل Deep Review ستلعب دوراً هاماً عبر عملية مراجعة الأقران في السنوات القادمة من خلال تمكين المؤلفين والمراجعين على حد سواء.
وفي الخطوات المقبلة، نواصل توسيع قدرات المنصة. مع طرح دعم Gemini 4 Argon، تتحسن القدرات الأساسية لـ Deep Review بشكل أكبر، مما يوفر ملاحظات وتحليلات ذات جودة أعلى للمؤلفين. بالإضافة إلى ذلك، مع قريب دخول دعم تعدد الملفات، سيتمكن المستخدمون أيضاً من تشغيل عمليات فحص الاتساق ذاتها عبر مجموعات كاملة من المستندات وجداول البيانات والمرفقات ذات الصلة في آن واحد. نأمل أن تجعل هذه التطورات المراجعات التقنية عالية الجودة أكثر إتاحة للعاملين في المجال المعرفي في كل مكان.
شكر وتقدير
Deep Review هو جهد تعاوني عبر Google Research وGoogle DeepMind وGoogle Cloud. نشكر مساهمينا الأساسيين وزملاء البحث — Santiago Balseiro، Taylan Cemgil، Tommaso D'Orsi، Kirk Draheim، Lindi Emoungu، Ayse Erduran، Palash Goyal، Caroline Hartnell، Shobana Kannan، Amy Keeling، Siyi Kou، Bridget Lee، Ian Li، Anoushka Mazumdar، Taylor Montgomery، Mouad Naciri، Uche Okonkwo، Mihir Parmar، Anthony Phalen، Rory Pilgrim، Sarah Presotto Post، Rob Tierney، Drew Tyler، Vishnu V.، Vahab Mirrokni، Laura Vardoulakis، Johannes Welbl، David Woodruff، Yunhan Xu، Jinsung Yoon — وكذلك رعاتنا التنفيذيين Katherine Chou، Corinna Cortes، Burak Gokturk، Vahab Mirrokni، Tomas Pfister، Yossi Matias ورؤساء برامج STOC وICML وNeurIPS وICLR على شراكتهم.