باحثون صينيون يحققون اختراقاً في إنشاء 'علماء ذكاء اصطناعي حقيقيين'

كشفت مؤخراً مجموعة من الباحثين الصينيين من جامعة بكين ومعهد التكنولوجيا الشرقي (EIT) عن إطار عمل مبتكر مصمم لتدريب نماذج التعلم الآلي بمعرفة مسبقة، وهو نهج يختلف عن النهج التقليدي المعتمد على البيانات فقط. يسلط الباحثون الضوء على التأثير التحويلي لنماذج التعلم العميق على البحث العلمي، مشيرين إلى قدرتها على استخراج علاقات ذات معنى من مجموعات البيانات الضخمة. يعالج هذا الإطار قيود النماذج الحالية، مثل Sora الخاص بشركة OpenAI، التي تواجه صعوبة في محاكاة بعض التفاعلات الواقعية بدقة بسبب نقص فهمها للقوانين الفيزيائية مثل الجاذبية.

تعتمد نماذج التعلم العميق، المعروفة بثورتها في مجال البحث العلمي، بشكل أساسي على البيانات الواسعة للتدريب بدلاً من دمج المعرفة المسبقة مثل القوانين الفيزيائية أو المنطق الرياضي. ومع ذلك، يقترح باحثون من جامعة بكين ومعهد التكنولوجيا الشرقي تحولاً في النموذج. تقترح الفريق أن دمج البيانات مع المعرفة المسبقة أثناء التدريب قد يؤدي إلى نماذج تعلم آلي أكثر دقة ومعلومات.

تكمن التحدي في تحديد جوانب المعرفة المسبقة، بما في ذلك العلاقات الوظيفية والمعادلات والمنطق، التي يجب دمجها لتسهيل التعلم المسبق بشكل أفضل دون التسبب في انهيار النموذج. يؤكد البروفيسور تشين يونتيان أن غمر النماذج بحجم كبير من المعرفة والقواعد غالباً ما يؤدي إلى صعوبات أو فشل في نماذج التعلم الآلي المستنيرة الحالية.

إطار عمل لتقييم أهمية القواعد

لتجاوز هذا التحدي، طور الباحثون إطار عمل يقيم قيمة القواعد ويحدد التركيبات المثلى التي تعزز القدرة التنبؤية لنماذج التعلم العميق. يشرح شو هاو، المؤلف الأول والباحث في جامعة بكين، أن إطار عملهم يحسب "أهمية القاعدة" من خلال تحليل كيفية تأثير القواعد المحددة أو تركيباتها على الدقة التنبؤية للنموذج.

يهدف هذا النهج إلى موازنة تأثير البيانات والمعرفة، مما يعزز كفاءة نماذج التعلم العميق وقدرات الاستدلال. يتصور الفريق أن دمج المعرفة البشرية في نماذج الذكاء الاصطناعي يمكن أن يحسن بشكل كبير من انعكاسها الواقعي، مما يجعلها أكثر قابلية للتطبيق في المجالات العلمية والهندسية.

اختبر الباحثون إطار عملهم من خلال تحسين نموذج لحل المعادلات متعددة المتغيرات ونموذج آخر للتنبؤ بنتائج تجربة كيميائية. يشير تشين إلى أن هذا الإطار سيجد تطبيقاته الأكثر فائدة على المدى القصير في النماذج العلمية حيث يكون الاتساق مع قواعد الفيزياء أمراً حيوياً لتجنب العواقب السلبية المحتملة.

على الرغم من النتائج الواعدة، يعترف الفريق بتحدٍ. فمع إضافة المزيد من البيانات إلى النموذج، تصبح القواعد العامة أكثر أهمية من القواعد المحلية المحددة. ومع ذلك، لا يوفر هذا الملاحظة فوائد كبيرة في مجالات مثل علم الأحياء والكيمياء، حيث غالباً ما تفتقر القواعد العامة.

نحو علماء ذكاء اصطناعي مستقلين

في المستقبل، تطمح فريق البحث إلى دفع إطار عمله خطوة أخرى إلى الأمام، مما يتيح للذكاء الاصطناعي تحديد معرفته وقواعده مباشرة من البيانات دون تدخل بشري. الهدف النهائي هو إنشاء حلقة مغلقة، وتحويل النموذج إلى عالم ذكاء اصطناعي حقيقي. يتصور تشين هذا التطور كخطوة كبيرة نحو الاستقلالية في الذكاء الاصطناعي، ويعمل الفريق بنشاط على أداة إضافة مفتوحة المصدر لمطوري الذكاء الاصطناعي لتسهيل هذا الانتقال.