Dr. Said Jaboob

جزء من البروفايل الشخصي مثبت هنا: متخصص في نمذجة ومحاكاة المباني والمدن الذكية؛ ومتخصص في خوارزميات الذكاء الاصطناعي ودرست رياضيات وكذلك النمذجة والحوسبة والمحاكاة وكذلك تكنولوجيا الطاقة المستدامة. وشاركت في اختراعات دولية. وتغريداتي هنا تعبر عن رأيي الشخصي وتجربتي في التخصص

المرسوم السلطاني يمنع تضارب المصالح ... فمن يبرره داخل مجالس إدارة الشركات المساهمة العامة؟ في مقالي السابق بعنوان: «مجالس الإدارة – ظاهرة الإهمال بالإهمال»، تناولتُ كيف تتحول بعض مجالس الإدارة إلى كيانات شكلية بفعل التواطؤ الصامت، حتى يصبح الإهمال سلوكاً جماعياً مستقراً، لا مجرد تقصير فردي عابر. اليوم أنتقل في التحليل إلى مستوى أعمق من ذلك الخلل؛ من الإهمال السلبي إلى تضارب مصالح فعلي ممنهج، يجري التغاضي عنه، بل وتبريره أحياناً، تحت أعذار ومسميات شتى، في تعارض صارخ مع المراسيم السلطانية ذات العلاقة، ومع قانون الشركات التجارية، ومع ما تستهدفه رؤية عُمان 2040 من حوكمة شفافة ومسؤولة. وفيما يلي بيان ذلك: أولاً: النصوص حاسمة... فمن الذي يملك جرأة الالتفاف عليها؟ المرسوم السلطاني رقم 18/2019، بإصدار قانون الشركات التجارية، جاء بمنظومة متكاملة لحماية عدالة التعامل بين المساهمين وتنظيم مسؤوليات أعضاء مجالس الإدارة. تقرر المادة 203، من القانون المذكور، في جوهرها، أنه لا يجوز لعضو مجلس إدارة شركة مساهمة عامة أن يشارك في إدارة شركة أخرى تمارس أعمالاً مشابهة، بما يكفل منع ازدواجية الولاء، وبما يغلق الباب أمام تضارب المصالح المباشر أو غير المباشر. حين يستخدم القانون عبارة «لا يجوز»، فإن الأصل هو المنع، وإن أي استثناء يجب أن لا يكون باجتهادات فردية أو رؤى شخصية، أو توافقات داخل الغرف المغلقة، بل بنص صريح أو بإجراءات محددة في القانون. وتجاوزا لكل ذلك، فإننا نشهد في الواقع أعضاء يجمعون بين مقاعد في شركات مختلفة تمارس أنشطة متماثلة أو متشابهة، ثم ليجدوا، داخل بعض المجالس، من يتكفّل بإسنادهم وتبرير ما لا يبرَّر قانوناً . إن هذا السلوك لا يمكن وصفه بالخطأ الإداري البسيط، ولا يمكن أن تشفع له حسن نوايا؛ إنه كسر لإرادة المشرّع، ومحاولة لتحويل نصوص مُحكمة إلى توصيات مرنة مطاطة. ثانياً: من "الإهمال بالإهمال" إلى شرعنة تضارب المصالح وترسيخها: في مقالي السابق المذكور أعلاه ، شرحت كيف أن التراخي الجماعي، وغياب مؤشرات أداء فردية لأعضاء مجلس الإدارة، يقودان إلى تبلّد في الحس الرقابي، حيث يتغاضى كل عضو عن دوره ومسؤولياته المناطة به، بحجة أن الآخرين كذلك لا يقومون بما يلزم. وها نحن اليوم أمام تلك النتيجة الطبيعية لذلك المسار، والتي تتجلى ساطعة : مجالس فقدت حساسيتها تجاه الخلل، وفقدت بوصلتها في تحديد المسار الصحيح، حيث باتت ترى تضارب المصالح أمراً يمكن "التعايش" "والتواؤم" معه، بل "وتسويقه"، أحياناً، على أنه خبرة إضافية أو قيمة مضافة. علما بأن الأبحاث والدراسات المتخصصة، في حوكمة الشركات وفي حقوق المساهمين في الشركات المساهمة العامة، توضح أن ضعف استقلالية المجلس وتفشي تضارب المصالح من أهم أسباب تآكل ثقة المستثمرين، وارتفاع المخاطر، وتمركز المنافع في يد قلة مسيطرة. وهذا هو ما يفسر كيف يتحول المجلس، عندما يغيب عنه الحس القانوني والأخلاقي، من خط دفاع أول إلى ممر آمن، ومعبر غير قانوني، لتمرير ممارسات تمسّ جوهر العدالة بين المساهمين. ثالثاً: الاستقلالية الوهمية وتضارب المصالح "الناعم" إن تبعات ذلك الخلل، المذكور آنفا، لا تقف عند حدّ تضارب المصالح المباشر؛ بل تمتد إلى ما هو أخطر من ذلك بكثير، ألا وهو التضارب الناعم، والذي يمكن أن يتمثل فيما يأتي: •​علاقات مهنية متشابكة مع أطراف ذات نفوذ في الشركة. •​مصالح غير مباشرة عبر شركات أو كيانات وسيطة. •​ارتباطات تجعل العضو "مديناً بالولاء" لجهة معينة داخل أو خارج المجلس. في مثل هذه البيئة، غير الصحية، تصبح الاستقلالية مجرد صفة للثناء، أو ديباجة وشعار لتزيين صفحات التقرير السنوي، لا موقفاً فعلياً في قاعة الاجتماع. في كثير من مجالس الإدارة في عُمان، يُقدَّم الأعضاء المستقلون كواجهة شكلية، بينما هم في الواقع امتداد للمستثمر الأكبر، مما يُفرغ الدور الرقابي من مضمونه ويفتح الباب لتضارب المصالح على حساب المساهم الصغير. وهنا يتقاطع مضمون هذا المقال مع ما سبق طرحه حول ضرورة ما يلي: •​تشديد تقييد العضويات المتعددة في الشركات المساهمة العامة، بما يتناسب مع محدودية سوقنا ويمنع تركز النفوذ. •​تحديد سقف زمني للعضوية للشخص الطبيعي والاعتباري ، ومنع البقاء المفتوح والاستمرار في هذه العضويات لعقود تشكل خلالها تحالفات مغلقة . •​ربط استمرار العضوية بأداء قابل للقياس عبر مؤشرات واضحة (KPIs)، لا بالمجاملة أو المحاباة. يتبع

ما هو التحول العاصف في عالم البزنس والاستثمار والمشاريع: أكثر التحديات والعوائق في عالم البزنس هي التكلفة، والوقت المرتبط بتنفيذ المشاريع الخ (cost, time). في عالم وكلاء الذكاء الاصطناعي (AI Agents) تتحول هذه الصورة النمطية إلى الآتي: تنفيذ الاستراتيجيات أو المشاريع أو الصفقات الخ (execution ) يتقلص من سنوات إلى أسابيع وأيام وربما ساعات. التكلفة تتحول إلى تكلفة أولية فقط، marginal cost zero بالإضافة إلى ذلك فإن أفضل موظف لديك يستطيع أن يكون في كل قطاعات العمل في نفس اللحظة لأنه عبارة عن وكيل ذكاء اصطناعي (AI agent)، وهنا ستختفي التحديات المرتبطة بكفاءة الموظفين وكذلك التحديات الكبرى في عالم البزنس (barriers in business sector) ماذا سيحدث للقطاعات التي لا تتكيف مع هذا الحراك؟ حتماً ستموت نماذجها المالية فجأة (financial models die). خلال سنتين إلى ثلاثة سيتحول سوق العمل الفاعل فقط إلى طبقة واحدة فيها الموظف يدير مجموعة من وكلاء الذكاء الاصطناعي لإنجاز جميع المهام (system architect, companions of agents) لذلك يجب التركيز على صناعة نماذج اقتصادية جديدة (new economic models ) بسبب انتشار الإبداع (creativity ) كسلعة رائجة وقبل ذلك انتشار الذكاء والمعرفة (knowledge, intelligence ) كسلع رائجة وهذا ما جعل هناك وفرة تكنولوجية وقدرات تكنولوجية فائضة ورهيبة في عالمنا الآن ونحن في عام 2026م. العالم يتجاوز مفهموم الأتمتة (automation ) والمتمثلة في أداء الأشياء بشكل أفضل وأسرع وأرخص (better, cheaper, faster) إلى موجة جديدة تتجاوز هذا المفهوم وتتفوق عليه بشكل عاصف.

@AJArabic x.com/drjaboob1/stat…

الذكاء الاصطناعي في الجامعات.. ثورة تعليمية أم تهديد للتقاليد الأكاديمية؟ | #تقرير: عمر الخطيب - قراءة: أحمد عيساوي #الأخبار

الإجابة الصادقة هي أن أسباب التعلم ستتغير جذرياً. لن يتعلم الإنسان ليعمل بالطريقة التقليدية، بل سيتعلم لأسباب مختلفة تمامًا. أولاً التعلم من أجل الفهم العميق للذات والعالم. المعرفة لن تكون وسيلة للكسب بقدر ما ستكون وسيلة لبناء الوعي والحكمة. الإنسان الذي يفهم التاريخ والفلسفة والعلوم يفهمها ليشكل رؤية للعالم تمكنه من اتخاذ قرارات حكيمة في حياته. كذلك التعلم في العقد القادم سيكون من أجل القيادة والإشراف على الآلات ووكلاء الذكاء الاصطناعي (system architect ) وخاصة في سوق العمل الهجين. حتى حين تتفوق الآلة، سيبقى الإنسان بحاجة إلى فهم ما تفعله الآلة ليوجهها ويراقبها ويحدد لها الأهداف . التعلم كذلك سيكون من أجل الإبداع الأصيل. الآلة تستطيع أن تنتج محتوى أو منتجاً إبداعياً مذهلًا، لكنها لا تملك تجربة إنسانية حقيقية ولا زال الذكاء الاصطناعي لا يمتلك تجربة واسعة مع البيئات الخارجية المعقدة (complex environment)، فمنتجات الثقافة غير البشرية الناتجة عن الذكاء غير البشري لا زالت في بدايتها. التعلم سيكون كذلك من أجل التماسك الاجتماعي، والتنشئة الاجتماعية وتكوين الهوية والانتماء لكن الأجيال وخاصة جيل Z و alpha يقبعون في دائرة القوة التكنولوجية وهي مسيطرة عليهم تماماً. لذلك البعد الاجتماعي ستحصل فيه نقلة نوعية ستؤثر على الاقتصادات وكذلك على المنظومة الاجتماعية. ختاماً، لم تعد الفجوة التقليدية بين مؤسسات التعليم وقطاع الصناعة قائمة بالمعنى الذي عُرفت به لعقود، فالمعرفة والفكر الذي ينتجه الذكاء الاصطناعي أصبحا يتحركان بسرعة تتجاوز قدرة الطرفين على الاحتكار أو الاحتواء، حيث أصبح هذا الفكر يتفوق في سرعته وتراكميته على الجامعات وقطاعات الصناعة معاً. وفي الوقت ذاته، ينشأ جيل ألفا في بيئة رقمية يتلقى فيها أنماط التفاعل العاطفي والسلوكي من الآلة بقد وربما أكثر مما يتلقاه من التجربة الإنسانية المباشرة، ما يعيد تشكيل مفهوم التنشئة والمعنى والخبرة والذكاء العاطفي. أما رائد الأعمال ونحن في عام 2026، فلم يعد مضطرا لانتظار مناهج جامعية أو دورات مؤسسية؛ إذ بات بإمكانه أن يتعلم ويختبر ويبني نماذج أعمال بوتيرة أسرع من الجامعات وقطاعات الأعمال مجتمعة. نحن أمام تحول تتراجع فيه الحدود بين التعليم والعمل والابتكار، وتتصاعد فيه قيمة من يمتلك القدرة على التكيّف والمرونة والتعلّم المستمر أكثر من امتلاكه لشهادة أو منصب على الأقل للخمس سنوات القادمة.

المستقبل الحقيقي لمهنة التعليم وسوق العمل عالمياً: لفهم مستقبل التعليم، يجب أن نفهم أولاً مستقبل سوق العمل الذي يُفترض أن التعليم يُعد الطلبة له. والحقيقة المُقلقة هي أن سوق العمل يتّجه نحو تحول لم يشهده العالم من قبل: تحول لا يُشبه الثورات الصناعية السابقة التي كانت تُلغي وظائف وتخلق أخرى. في الثورات السابقة، كانت الآلة تحل محل الأعمال التي تتطلب جهد مادي (physical)، فيذهب العمال إلى وظائف تحتاج العقل (intellectual knowledge ). أمّا الآن، فالآلة تحل محل العقل أيضًا. المحاسب، والمحامي، والمبرمج، والمترجم، والمصمم، والكاتب، والمحلل المالي الخ كل هذه المهن التي كنّا نُعد الطلاب لها بدأت تتآكل أمام قدرات الذكاء الاصطناعي. حتى البرمجة ومهندسي البرمجيات سيتم أتمتها بالكامل خلال خمس سنوات إذا لم يكن خلال سنتين أو ثلاث. لذلك سوق العمل في العشر سنوات القادمة سيتشكل حول ثلاث طبقات:طبقة عليا صغيرة جدا من البشر الذين يوجهون الآلات ووكلاء الذكاء الاصطناعي ويُحددون الاستراتيجيات ويتخذون القرارات الكبرى وهؤلاء سيحتاجون إلى حكمة وفهم عميق أكثر من المهارات التقنية ذاتها، وطبقة وسطى من البشر الذين يعملون في المجالات التي تتطلب حضورًا إنسانياً حقيقياً: الرعاية، والتمريض، والعلاج النفسي، والقيادة المجتمعية، وريادة الأعمال الاجتماعية وهذه ستكون لفترة محددة ليست بالطويلة، وطبقة ثالثة ضخمة جدا من البشر الذين سيحتاجون إلى إعادة تعريف علاقتهم بالعمل كليا. هذا الواقع الجديد يطرح سؤالًا على التعليم: إذا كنت تُعد الطالب لوظائف ستختفي أو تتقلص بشكل حاد، فما قيمة ما تقدمه؟ كليات إدارة الأعمال التي تُخرّج آلاف المحاسبين سنوياً، وكليّات الحقوق التي تُخرّج آلاف المحامين، وكليّات الهندسة وعلوم الحاسوب التي تُخرّج مبرمجين الخ كلّ هذه المؤسسات ستواجه أزمة وجودية حقيقية حين يكتشف خرّيجوها أن سوق العمل لم يعد بحاجتهم . في هذا السياق يجب التنويه إلى أن إتقان الذكاء الاصطناعي للغة البشرية ليس مجرد إنجاز تقني بل هو زلزال وجودي لمهنة التعليم. فالتعليم في جوهره يعتمد اعتماد كلي على اللغة، وحين تتفوق الآلة على البشر في هذه المهارة تحديدًا، فإنها لا تنافس المعلم في أداة من أدواته، بل تنافسه في صميم عمله وجوهر وظيفته. الذكاء الاصطناعي سيطر على ما يعرف ب command of language. سيتعزز هذا التهديد الوجودي مع ظهور وكلاء الذكاء الاصطناعي (AI Agents) حيث سينقل الوكلاء التهديد من مستوى الأداة التي تساعد إلى الكيان الذي يُنجز بشكل مستقل. في غضون السنوات الخمس القادمة كحد أقصى، سيكون لكل طالب معلم شخصي ذكي يعرفه أفضل مما يعرفه أي معلم بشري التقاه في حياته. هذا الوكيل سيتعامل مع آلاف الطلبة في آنٍ واحد، دون أن يتراجع أداؤه مع أي منهم. الفارق ليس في الكفاءة فقط، بل في الاقتصاد: تكلفة الوكيل الذكي ستكون أقل بمئات المرات من تكلفة المعلم البشري. وهذا هو الجزء الذي لا يحب أحد أن يتحدث عنه: القرارات الكبرى في التعليم عادة لا يتخذها التربويون، بل يتخذها الاقتصاديون وصنّاع السياسات. وحين يُصبح البديل الذكي أرخص بمئات المرات وأفضل أداء، سيفرض نفسه وخاصة في إطار هذا التحول العاصف الذي تقوده قوة التكنولوجيا وحدها. في الموجة التالية سيكون التهديد الوجودي واقعاً، وذلك مع ثورة خروج المعلّم الآلي إلى الواقع. حيث ستضيف ثورة الذكاء الاصطناعي المادي (Physical AI) البُعد الأخير المفقود، هذا سيُمكن الطالب من التعلم بالتجربة الحسّية الكاملة دون الحاجة إلى معلم بشري يُشرف عليه. هذا ليس خيالًا علمياً، بل هو ما تعمل عليه كبرى شركات التقنية في العالم، وبعضه بدأ يدخل حيّز التطبيق فعلًا. هنا سيغلق الذكاء الاصطناعي المادي (physical AI) الثغرة الأخيرة التي كان يتمسّك بها المدافعون عن المعلم البشري: الآلة لا تستطيع أن تكون حاضرة جسديًّا، الآن تستطيع. وحين تجتمع القدرة اللغوية الفائقة مع الحضور المادي الذكي، يُصبح لدينا كيان تعليمي متكامل لم يكن موجودًا في أي حقبة سابقة من تاريخ البشرية. السؤال الوجودي: لماذا ستتعلم الأجيال القادمة أصلًا؟ عندما تكون المعرفة والذكاء والإبداع سلعاً رائجة ونحن في عام 2026، لماذا ستتعلم الأجيال وخاصة جيل Alpha ، هذا هو السؤال الأصعب والأكثر إزعاجًا الذي لا يريد أحد مواجهته: إذا كانت الآلة والذكاء الاصطناعي ستتفوّق على الإنسان في كل مهارة معرفية ومهنية تقريبًا، فلماذا نُلزم أجيالًا كاملة بقضاء ستّ عشرة سنة أو أكثر في مؤسسات تعليمية؟ يتبع

وتضمن اللقاء ورقة العمل الرئيسية التي قدّمها الدكتور سعيد بن سالم جعبوب، نائب رئيس جامعة التقنية والعلوم التطبيقية للدراسات العليا والبحث العلمي والابتكار، بعنوان «الذكاء الاصطناعي ومستقبل القطاعات: تحولات نماذج الملكية الفكرية والاقتصادات»، والتي ناقشت التحولات العميقة التي أحدثها الذكاء الاصطناعي في نماذج الإنتاج والابتكار، وأثره على مفاهيم الملكية الفكرية، وحقوق الابتكار، واقتصادات المعرفة، إلى جانب استعراض التحديات التشريعية والتنظيمية المصاحبة لهذه التحولات، وفرص توظيف الذكاء الاصطناعي في تعزيز التنافسية والاستدامة في مختلف القطاعات الاقتصادية.

By: Dr. Said Jaboob A review on Quantum Computing: Current State and Progress Quantum computing though still not fully matured is gearing up to a level where we can expect to see a commodity quantum computer in the span of a year or so. Recent researches have been more on the lines of quality than quantity. The measure for a usable quantum machine is the amount of clean logical qubits a quantum computer can generate rather than the physical qubits as it is well known that the quantum environments are generally noisier. Hence an addition of qubits often leads to a noisier environment thus requiring immense error correction mechanisms. The foremost impact of quantum computing has been in the usage of this technology beyond math number crunching. As quantum machines evolve we will see a drastic transformation in how AI models are trained. This will allow faster inference times thus enlarging the scope and application of AI models. We will soon see an imminent convergence of AI, and quantum computing in which quantum computing will drastically reduce inference times thus making AI ubiquitous and relatively inexpensive. The latest breakthrough in quantum computing is outlined in the following paras: 1. Google released a month ago its flagship Willow quantum chip. The highlight of this chip is the addition of more physical qubits, thereby decreasing the resultant error exponentially. This is a phenomenal jump over the earlier attempts when an addition of qubits used to increase the error rate. The biggest outcome of this research is the inherent potential in the development of scalable fault tolerant systems which so far still remains a mirage. The performance of this approach also known as “Below threshold” is path breaking as it passed the random circuit sampling benchmark in 5 minutes of computing time which otherwise would take 1025 years by the latest available supercomputer. 2. Another breakthrough has been shown in the area of distributed quantum computing. A group comprising researchers from IonQ and Aalto University, experimented with tiny inter-connected quantum chips and compared their performance with a single monolith quantum processor. Despite having the high-latency connected inter-links, these group of high-quality smaller processors outperformed the big singular one. In addition, the researchers provided a noise reduction algorithm termed as CliNR, which greatly reduced noise in the Clifford circuits. Hence, this modularization technique can speed up the quantum landscape in the coming days to come. 3. A particular research in topological Qubits & entanglement significantly reduces the number of qubits needed for producing a logical qubit. A joint research by Microsoft and Atom Computing, showcased the entanglement of 24 logical qubits using a neutral-atom platform. Leaving aside the technical aspects, the saliency of this work is that the researchers introduced a 4D geometric codes that allows for a significant reduction in the requirement of physical qubits to produce a corresponding logical qubit. The logical qubits are the stable abstract version of qubits (created from multiple physical qubits) that are usable in a machine and is created using one of the various QEC (quantum error correction) techniques. 4. As it is envisaged that quantum computing would revolutionize all those domains that are currently stagnating from lack of computing power. A very recent publication in Nature Communications demonstrated that how a quantum system can be used for drug discovery by solving a very critical problem on how water molecules interact with protein pockets. We are now beginning to see the role of quantum computers in sectors that can drastically be disrupted as the quantum computers start becoming reliable and robust. The major take on quantum computing for the businesses is to understand how an idea that originated from experimental physics has slowly metamorphosed into a fault-tolerant general computing system as of 2025. A domain that will immensely benefit from the early advancements of quantum computing is financial optimization. Many banks still grapple while predicting financial risks of their decisions by running suites of Monte Carlo simulations which takes hours if not days. Quantum system can do such simulations in real-time thus allowing banks to optimally make decision during intra-day tenure. We can soon expect quantum-fortified hybrid platforms that perform 90% of their work on conventional machine and forward the 10% of the number crunching compute to the quantum machine. This system will be akin to the current Von Neumann machines that forwards the floating point arithmetic part to the FPU (floating point unit) chips while performing the rest on CPU. On similar lines a system can have an option of a GPU and a QPU (Quantum Processing Unit). Another trend in cybersecurity is that hackers are accumulating stolen encrypted data with the hope that future quantum machines will be able to decipher it. Businesses can start building quantum defences such that the encrypted data is not quantum amenable. A domain that is emerging for the software companies is to develop a quantum software libraries that sits between the current system (let’s say Python) and the quantum computer. Once the quantum computers become available these libraries would already be in place and can be a strong USP for a software company which can market ready-made quantum software on the fly once the quantum computers become ready. China of late has been accelerating its efforts in quantum computing with some big discoveries in the recent times. The major contribution as of today has been in pushing the envelope when it comes to qubit counts in a system as well leveraging high-speed superconducting. For example Zuchongzhi 3.0 processor fields a phenomenal 105 qubits along with 182 couplers. This processor is known for its high-fidelity with 99% + single-qubit gates and still maintaining the noise level within permissible limits. Another quantum computing mammoth is the Wukong processor and its efficacy in training an AI model. Later a complete LLM pipeline was optimized using this model. Another major feat, has been the offering of quantum computing on the cloud. The Tianyan Quantum Cloud is the first commercial cloud offering that allows researchers to run compute-intensive algorithms on the cloud. In nutshell, we are now noticing a beginning of quantum computing being offered as a tool or utility just like any other AI-based LLM model. A probable offshoot of quantum computers will be that they may play a huge role in catapulting conventional AI to AGI (artificial general intelligence). The era of quantum computing will spew big surprises as the technology matures.

@_omanprojects x.com/drjaboob1/stat…

🇴🇲🇴🇲 شركة #BP تلغي مشروعها العملاق للهيدروجين الأخضر في #سلطنة_عُمان، وفقًا لما ذكره موقع Hydrogen Insight.. .. ..

By: Dr. Said Jaboob Review of the paper : PAN: A World Model for General, Interactable, and Long-Horizon World Simulation، Mohamed bin Zayed University of Artificial Intelligence As discussed in the paper, the proposed video generation model captures a long-horizon view of the world by predicting next states using simulated processes based on historical context and actions. The current state of the art models such as Sora, Veo and HeyGen have evolved significantly over the last few months and are now capable of delivering consistent video performance that reflects real world scenarios but still depict relatively short-horizon effect and many of their variants are “fixed prompts” one. It’s not possible to go deep into their architecture as these are proprietary models. PAN model fills this very void by showing efficacy on the larger world view scenario. Maintaining causality in the world view is a complex task and PAN has undertaken to solve the very issue through the usage of Generative Latent Prediction (GLP) architecture. It is indeed commendable as the real world is extremely probabilistic and difficult to model. The use of GLP-based framework is a smart idea having three main components: encoder (vision), predictive module (LLM backbone) and a decoder (diffusion model). The only concern is the use of pre-trained visual language models such as Qwen2.5 (for encoder and LLM) and Wan2.1 (for decoder). It so happens that PAN will not be able to realise fully the envisaged potential because it depends on pre-trained models exclusively (Qwen2.5 and Wan2.1). Pre-trained models mostly lead to overfitting especially when we fine tune them for our specific needs. As a result, an important capability that is severely compromised is that these models become less effective for niche tasks, as they often generalize. In addition, banking your model on pre-trained ones, often leads to a black box type scenario, as pre-trained models can have overly complex architectural structures. To make matters worse, these models can even forget initial pre-training ideas. In sum, PAN will always find itself handicapped to a certain degree, because of its over reliance on the pre-trained models. Another issue that may limit the efficacy of PAM is its selective use of GLP. The GLP brain was developed on the presumption that it will handle two different categories of information simultaneously, namely discrete latent space and continuous latent space. Discrete latent space may be considered akin to “words” whereas the continuous one can be ascribed to the “feelings”. Thus the original GLP uses hierarchical reasoning. Whereas, PAM uses only the LLM (auto regressive unified language backbone). This simplification literally force feed LLM with both higher level feeds and smooth world patterns into the LLM language space. Hence, PAM will always be bereft of hierarchy in the reasoning process. Another issue of concern is the scale of training data used. Though it is mentioned that the model has been trained over different sets of video-action pairs but no comparison has been done with the existing contemporary models such as Sora and Veo in terms of scale and diversity. The training data limitation may impede the long-tail phenomena in the model which is a must for generality. As for the benchmarks: long horizon forecast, complex planning and rare case simulation, it should be appreciated that authors have taken pains to identify and develop such benchmarks. But somehow, these benchmarks do not provide any intuition of the efficacy of the model when it comes to rare case events. A metric would have been apt to measure rare case simulated scenarios. Overall, the PAM model is a bold step forward in addressing long-horizon forecasting and could aptly serve future researches in similar domains.

مقال باللغة الإنجليزية عن الحوسبة العصبية ومستقبل الذكاء الاصطناعي By: Dr Said Jaboob A new paradigm shift Neuromorphic computing will make AI truly scalable by enabling us to tackle problems that are currently intractable due to the limited availability of suitable compute resources. It represents a promising frontier in which the capabilities of AI can be amplified manifold. Neuromorphic computing is a brain inspired paradigm that mirrors how humans process information. Two major projects are already underway in this space: DARPA’s SyNAPSE program and the EU’s Human Brain Project. Unlike conventional Von Neumann architectures, neuromorphic systems rely on spike based inputs that encode information through time, intensity, and amplitude. These spikes can be translated into binary signals. In neuromorphic architectures, information and processing are stored across neurons and synapses, an approach known as collocated processing. By contrast, Von Neumann machines maintain a strict separation between processing (CPU) and memory (storage). The most fundamental distinction is that neuromorphic systems are inherently parallel, with neurons and synapses operating simultaneously. Another key advantage of neuromorphic systems is their effortless scalability: adding neuromorphic chips directly increases the number of available neurons and synapses. Their operations are asynchronous and event-driven, allowing temporal distribution of workload across the architecture. This design results in faster execution times and high-bandwidth output. Because only specific spatial regions of the system activate during computation and because these regions operate in parallel energy consumption is remarkably low. Operations also incorporate temporal noise or randomness, enabling the simulation of a variety of algorithms. For this reason, neuromorphic systems are highly suitable for edge devices, which typically operate under tight power constraints. Furthermore, because neuromorphic architectures are modeled on neuronal structures, they are ideal candidates for executing modern AI and machine learning workloads. However, since neuromorphic systems currently mimic only neurons and synapses, an open research question remains: are these the only computational elements in the biological brain. Other cell types may also contribute to cognitive processing. Today, two dominant paradigms of neural computation coexist: those that run on neuromorphic hardware and the conventional AI systems built on Von Neumann architectures. In response, researchers have developed hybrid chips such as Tianjic that support both computational models. Most neuromorphic hardware is still silicon based, but recent research points to promising alternative materials, including channel doped biomembranes and ferroelectric components, which could further scale performance and improve throughput. The emerging term Spiking Neural Networks (SNNs) describes the computational model used in neuromorphic systems. In SNNs, each neuron accumulates charge from inputs or neighboring neurons and fires once a threshold is reached. This asynchronous firing triggers subsequent neurons, creating a domino effect that drives computation. Forgetfulness is implemented through charge leakage over time. Neurons exhibit axonal delays, which postpone signal transmission, while synapses carry weights and introduce additional delays together creating an asynchronous and event driven computing process. In summary, neuromorphic computing possesses all the essential capabilities to transform and revolutionize the future of computation, paving the way for highly efficient, high intensity AI systems in the near future.

@AlmashoorSs جزاكم الله خيرا وآجركم.

@DrJaboob1 أحسنتم أستاذي العزيز، حفظكم الله دكتور ونفع بعلمكم.

التصنيفات العالمية وخاصة تصنيفات الجامعات لن تتجاوز 2030 أو 2035 لأسباب كثيرة جدا، أهمها: ⁃نموذج التعليم العالي الحالي سيختفي خلال سنوات وهو الآن يواجه تحدي وجودي بسبب العصف التكنولوجي الكبير، حيث سينهار نموذج الساعات المعتمدة التقليدي (credit based system ). ⁃الجامعات لم تعد صانع المعرفة الوحيد وقطاعات الصناعة والأعمال لم تعد تعتمد على الجامعات كصانع وحيد للكفاءات بحيث يقوم قطاع الصناعة والأعمال باستهلاك هذه الكفاءات ⁃أهم سبب: الذكاء الاصطناعي أصبح صانعا جديدا للمعرفة (production engine of knowledge ) ومهيمنا على لغة التعليم وهذا يجعل منظومة التعليم كلها في حالة تحول شامل وكبير، وخلال سنوات قليلة من الآن ستفقد الجامعات مركزيتها في صناعة وإنتاج ونشر المعرفة وإنتاج البحث العلمي . ⁃التحول الآن من التركيز على مصدر التعليم إلى التركيز على المتعلم ورغباته وخياراته وهنا سيتغير نموذج الاعتماد الأكاديمي للمؤسسات والبرامج بحيث يفقد مصدر التعليم أهميته من حيث الاعتماد وغيره . ⁃سوق العمل المستقبلي واحتياجاته لن يرتبط بالمؤسسات التعليمية ⁃سيسود التعليم الشخصي أو المتمركز حول المتعلم (personalised education ) والمبني على المهارات والمرتكز على الذكاء الاصطناعي والذي لا يمكن قياسه من خلال التصنيفات - انهيار منظومة القياس الخطي - سيادة منظومة المعرفة المفتوحة (open knowledge ecosystem ) - ما نشهده الآن من وصول متساو للمعرفة ووصول متساو للذكاء ووصول متساو للإبداع (equal access to: knowledge, intelligence, creativity ) هناك أسباب كثيرة أخرى؛ لذلك في تصوري لن تكون للتصنيفات أي جدوى خلال سنوات قليلة من الآن. @AlmashoorSs @DrAlhmed

لماذا تراجعت الدول الغربية عن وعودها في الهيدروجين الأخضر؟ هل لأن الهيدروجين الأخضر كذبة؟! لا شك أن هناك إشكالات واضحة في السياسات العالمية للطاقة، لكن امتناع الدول الغربية عن شراء الهيدروجين لا أراه تراجعا عن التزامات سياسية، بل انعكاسا لتوجه اقتصادي عميق وكبير نحو نماذج طاقية محلية فائقة الكفاءة، تديرها أنظمة ذكاء اصطناعي قادرة على موازنة الإنتاج والاستهلاك لحظيًا. ومع توسيع قاعدة هذه الأنظمة، ستتقلص الحاجة إلى أسواق طاقة دولية، وهو ما يجعل الرهان على مشاريع تصديرية ضخمة أقل جدوى وقيمة مما نتصور الآن. لذلك هذا التحول في المنهجية يتجاوز بكثير مناقشة مقولة صحة الوعود الغربية من إخفاقها. التحول الأكبر والأهم يتمثل في صعود اقتصاد المعرفة الفائق (hyper knowledge economy)، وهو اقتصاد يقوم على قدرة الذكاء الاصطناعي على إنتاج المعرفة ذاتيا، وتوليد الحلول الصناعية والعلمية بشكل فوري، وإعادة تشكيل سلاسل القيمة، بحيث تصبح المعرفة وليس الطاقة المورد الأهم في تحديد مكانة الدول. إن ما يجري ويحدث في الغرب هو مرحلة انتقالية نحو اقتصاد تتراجع فيه أهمية وسيطرة أسواق النفط والغاز والهيدروجين في تحديد مسارات القوة الاقتصادية المستقبلية. الخطر الحقيقي على الدول المنتجة للطاقة ليس في جدوى الهيدروجين الأخضر ولا في سياسات الحياد الصفري، بل في تأخر التحول نحو اقتصاد الذكاء والمعرفة الفائقة. القضية الجوهرية ليست في كون الهيدروجين كذبة بل في البنية العقلية التي نناقش بها وننظر من خلالها إلى مستقبل ملف الطاقة، الدول الكبرى لا تعدّ نفسها لعصر الهيدروجين بل لعصر ما بعد الطاقة (Post Energy Era)، وليس المقصود أن هذا العصر سيكون بلا طاقة، بل أنه سيكون بدون أسواق طاقة عالمية مثل ما نرى اليوم. الغرب لا يريد استيراد الهيدروجين والسبب الرئيسي هو أنه يعمل على تصغير احتياجاته للطاقة الخارجية وليس على نقل احتياجاتهم من الطاقة التقليدية إلى الهدروجين ولا من منتج إلى منتج آخر. الخطر الأكبر والرئيسي يرتبط بهيكلة الاقتصادات (economic structure ). أنظمة الطاقة خلال السنوات القريبة ستصبح محلية، عالية الكفاءة، ومحكومة بمنصات ذكاء اصطناعي تدير الإنتاج والاستهلاك لحظيًا، ما يعني أن الحاجة إلى أسواق طاقة دولية قد تتراجع جذريًا. الموارد التي نتحدث عنها الآن على سبيل المثال هي النفط، الغاز، المعادن، الهيدروجين الخ لكن في المستقبل القريب وخلال عقد من الزمن ستكون الدول مصنفة وفق قوة الذكاء الاصطناعي الوطني وقدرة الإنتاج المعرفي الفوري وسرعة توليد الأفكار السوقية الخ. لذلك العالم يتجه نحو اقتصاد جديد يجعل أسواق الطاقة أقل أهمية وهذا ما جعل الهيدروجين يُنظر له كذبة. خلال العقد الماضي كانت هناك ملفات عالمية كبرى وهي ملف التحول الرقمي الذي أنتج الاقتصاد الرقمي وملف تغير المناخ (تحول الطاقة ، الحياد الصفري) والذي أنتج الاقتصاد القليل أو المنزوع الكربون ، لكن ثورة الذكاء الاصطناعي جعلت من الأول حقيقة حيث تم تجاوز مفهوم الاقتصاد الرقمي إلى واقع آخر مرتبط بأنظمة الذكاء الاصطناعي المدعومة بالأتمتة الكاملة كمرحلة سابقة لاقتصاد المعرفة الفائقة، بينما ستندمج تكنولوجيا المناخ والطاقة النظيفة تحت هذا الاقتصاد كأحد ركائز تكنولوجيا المستقبل . التأخر في التحول يُعد بمثابة انتحار استراتيجي. @almashani21

By: Dr. Said Jaboob Review of the UNESCO Report on “AI and The Future of Education”, 2025 The report criticizes current systems and models of higher education; however, it does not define what replaces them. It fails to outline a post-university model, treating universities as repairable institutions instead of obsolete architectures in need of reinvention. In higher education industry, the focus has been recently on consumers (learners), rather than providers or sources of education. The power of learners has grown significantly, giving them greater control over their choices: what, where, when, and how to learn. The emphasis has also begun to shift from the educational process to its outcomes, and from institutions and programs to students and learners themselves; and undoubtedly, the wave coming down the road is definitely beyond this. Given the discussion above, along with the pace and scale of AI-led knowledge systems, yet the report does not propose governance or institutional prototypes for this transition. The document also assumes that multilingualism and communication training will remain at the core of educational goals, while it does not anticipate the collapse of language learning, as a human-exclusive competence; and the command of language as a human super-power through which much of education is handled. In fact, being hacked by AI, the truth is that currently, knowledge production is not anymore human-centric. Hence, universities and other knowledge hubs will no more be the only source of knowledge production. The report still frames education around acquiring human knowledge. Indeed, such knowledge-based economy is coming to its end. AI now creates, produces and disseminates knowledge. The report misses this shift from human-centric knowledge to tech-centric knowledge and the shift from conventional IP models to tech-centric ones. Now, we have new engines of deep knowledge and ability that can turbocharge discovery and invention and this comes through technology. Hence, the structure of knowledge base is changing. The cost of production of knowledge will reduce to zero marginal costs and the new scientific cultural knowledge, will be widely open source and available to everyone. Nowadays, the value resides only in intangible assets such data, algorithms, software, and digital content; and digital products can be copied and distributed at zero marginal costs. In the course of a few years, we will have AI agents that get to know us deeply and work for us. So, being an autodidact, an adaptable and flexible mind, is going to be the critical skill; and certainly humans will become system architects, managing teams of companions or agents that help to perform tasks. The report is silent on the fact that we are all experiencing the following, even now in 2025: - Equal access to knowledge - Equal access to intelligence - Equal access to creativity And that the speed of knowledge shift is mind-blowing and will continue to be. The report, in general, overlooks the rise of AI agents as producers and consumers of knowledge, which erodes the foundational logic of universities and labor markets. In five years, education will be less about learning to learn and work, and more about learning to coexist with autonomous knowledge producers, yet the UNESCO report remains within 20th-century capacity building concepts.

@alsughayir جزيل الشكر بروفيسور حفظكم الرحمن

سعادة د. سعيد جبّوب، أشكركم على هذا الطرح الثري والعميق الذي تناول بجرأة مستقبل الجامعات والتعليم العالي في ظل الذكاء الاصطناعي. ما تفضلتم به يفتح أفقاً واسعاً للتفكير، لكنه في تقديري يحتاج إلى تحليل متوازن بين التحوّل التقني الواقعي والتهويل النظري الذي بدأ يظهر في بعض الطروحات الحديثة. فالتحوّل حتمي، نعم، لكنه ليس نحو الإلغاء بل نحو إعادة التموضع؛ فالتاريخ يثبت أن كل ثورة تقنية أعادت تشكيل التعليم لا محوه. والجامعات في المستقبل ستتطور لتصبح بيئات يتكامل فيها البحث العلمي مع البعد الإنساني والأخلاقي، لا مجرد مؤسسات لنقل المعرفة. أما “اختراق اللغة” من قبل الذكاء الاصطناعي فهو تطور لافت، لكنه لا يُلغي قيمة اللغة، بل يعيد تعريفها كـ أداة تحليل وتأمل لا مجرد وسيلة تعبير. وفي حين يتجه العالم إلى التعلّم المتمركز حول الفرد، سيبقى الاعتماد الأكاديمي قائماً، لكنه سيتحوّل من تقييم المؤسسات إلى توثيق المهارات والمخرجات. أما الاقتصادات النامية "ومنها عالمنا العربي" فسيظل رأس المال البشري والتعليم المهاري محركاً رئيسياً للتحول الوطني. فالذكاء الاصطناعي في جوهره ليس قوة بديلة عن الإنسان، بل قوة مضاعفة لقدراته. والجامعات التي ستبقى مؤثرة هي التي تنتقل من “تلقين المعرفة” إلى “توجيه الوعي”، ومن “تخريج موظفين” إلى تمكين مفكرين. ممتنّ لكم سعادة الدكتور على قدح الذهن وإثراء الحوار حول مستقبل التعليم والجامعات.

أكبر تحدي في منظومات التعليم العالي في كثير من دول العالم هو غياب الرؤية والقيادة التحويلية، فالمنظومات الأكاديمية لم تعد تعرف كيف تُعرّف نفسها في عصر ما بعد المعرفة. هناك فجوة كبيرة جدا في التكيف مع الذكاء الاصطناعي وهذا التحول المعرفي الكبير … هناك أزمة وعي في القيادات وتآكل اقتصادي لقيمة المؤهلات التي تمنحها المؤسسات التعليمية.

#AI A friend asked me a question about AI ability and AbeI-Rufini theorem and my response was as following: AI basically leverages data (existing knowledge) and compute (processing power and pattern recognition) to solve and analyse problems. Any problem whose solution space extends beyond the current knowledge base and requires a form of reasoning or rigor not yet captured in existing data, generally falls outside #AI purview. Rare exceptions could be where a particular problem angle was not properly explored by humans. The quintic equation falls in this above explained domain, as #AbeI-Rufini theorem proves it mathematically that the 5 degree polynomial equation cannot have a general radical formula. #For AI to solve it, it has to either: •Discover entirely new mathematical structures beyond radicals (not in its training data) •Prove that such structures enable solutions (requiring novel mathematical reasoning) For example: #AlphaFold (protein structure prediction) succeeded as large protein structure datasets existed and AI just had to use compute to predict 3D protein structure for the corresponding amino acid sequence. Same can be said of #AlphaGo for solving complex Go game scenarios. AI cannot solve consciousness puzzle as it cannot undergo first person subjective experience, like we humans can. Similarly AI cannot solve origin of life question as it has insufficient data of biochemical pathways that led to the evolution of life. AI’s #DeepMind crafted a fast way for performing matrix multiplication, as this was within the mathematical boundaries but a faster algorithmic formula was not thought of by humans. I would say AI power is more concentrated on interpolation, optimization and scaling. It lacks, when it comes to extrapolation beyond knowledge, mathematically unsolvable challenges, and also to some extent developing novel frameworks. But soon AI will help us to deal with higher #complex realities that are beyond our understanding (hyperobjects).