نهج تدريبي ثوري يمكّن الذكاء الاصطناعي من التعميم مثل العقول البشرية

نهج تدريب ثوري يمكّن الذكاء الاصطناعي من التعميم مثل العقول البشرية

في تطور رائد في مجال الذكاء الاصطناعي (AI)، كشف الباحثون عن بروتوكول تدريب جديد يمكن أن يعزز بشكل كبير قدرة نموذج الذكاء الاصطناعي على التعميم وفهم المعلومات، مما يقربه من طريقة تعلم البشر وعقلهم. يتحدى هذا النهج المبتكر الاعتقاد التقليدي بأن المزيد من البيانات هو المفتاح لتحسين التعلم الآلي، ويقدم رؤى جديدة حول أسرار كل من الذكاء الاصطناعي والإدراك البشري.

يتفوق البشر في فهم ودمج مكونات مختلفة لفهم العالم، وهي مهارة إدراكية تُعرف بـ "التركيبية" أو "التعميم المنهجي". يتيح لنا ذلك فك تشفير الجمل غير المألوفة، وإنشاء استجابات أصلية، وفهم المعاني الكامنة وراء الكلمات وقواعد النحو. لطالما كانت تحقيق التركيبية تحدياً لمطوري الذكاء الاصطناعي، حيث تكافح الشبكات العصبية التقليدية لمحاكاة هذا الجانب الأساسي من الإدراك البشري.

بينما يمكن لنماذج الذكاء الاصطناعي التوليدي الحالية مثل GPT-3 وGPT-4 من OpenAI محاكاة التركيبية إلى حد ما، فإنها غالباً ما تفشل في بعض المعايير، وتفشل في فهم المعنى والنية وراء الجمل التي تولدها. ومع ذلك، تشير دراسة حديثة نُشرت في مجلة Nature إلى أن بروتوكول تدريب فريد يركز على كيفية تعلم الشبكات العصبية قد يكون المفتاح لمعالجة هذا التحدي.

اتبع مؤلفو الدراسة نهجاً مختلفاً في تدريب الذكاء الاصطناعي، متجنبين الحاجة إلى إنشاء معماريات ذكاء اصطناعي جديدة تماماً. وبدلاً من ذلك، بدأوا بنموذج محول قياسي، وهو نفس البنية الأساسية المستخدمة في ChatGPT وBard من Google، ولكن دون أي تدريب نصي مسبق. كانت الابتكار الحاسم في نظام التدريب نفسه.

إعادة تشكيل عملية التعلم

صمم الباحثون مجموعة من المهام تتضمن لغة خيالية تتكون من كلمات غير مفهومة مثل "dax" و"lug" و"kiki" و"fep" و"blicket". كانت هذه الكلمات مرتبطة بمجموعات من النقاط الملونة، حيث كانت بعض الكلمات تمثل مباشرة ألوان نقاط محددة، بينما كانت كلمات أخرى تشير إلى وظائف غيرت مخرجات النقاط. على سبيل المثال، مثلت "dax" نقطة حمراء، بينما كانت "fep" وظيفة تقوم، عند دمجها مع "dax" أو كلمات رمزية أخرى، بضرب مخرجات النقاط المقابلة بثلاثة. والأهم من ذلك، لم يتلقَ الذكاء الاصطناعي أي معلومات حول هذه الارتباطات؛ قدم الباحثون ببساطة أمثلة على جمل غير مفهومة جنباً إلى جنب مع تكوينات النقاط المقابلة.

تحقيق فهم شبيه بالبشر في الذكاء الاصطناعي

مع خضوع نموذج الذكاء الاصطناعي للتدريب، تعلم تدريجياً الاستجابة بشكل متماسك، ملتزماً بالقواعد الضمنية للغة غير المفهومة. حتى عند تقديم تركيبات جديدة من الكلمات، أظهر الذكاء الاصطناعي قدرته على "فهم" القواعد المخترعة للغة وتطبيقها على عبارات لم تُرَ من قبل. أشارت هذه الإنجاز المذهل إلى إمكانية الذكاء الاصطناعي على التعميم، وهي خطوة حاسمة نحو العقل الشبيه بالبشر.

لتقييم أداء الذكاء الاصطناعي، قارن الباحثونه مع المشاركين من البشر. في بعض الحالات، استجاب الذكاء الاصطناعي المدرب بدقة 100 في المئة، متفوقاً على البشر الذين حققوا معدل دقة يبلغ حوالي 81 في المئة. حتى عندما أخطأ الذكاء الاصطناعي، كانت أخطاؤه تعكس الأخطاء الشائعة التي يرتكبها البشر، مما يبرز قدرته على التفكير الشبيه بالبشر.

الآليات والاتجاهات المستقبلية

ما يثير الاهتمام بشكل خاص هو أن هذا الأداء المذهل تم تحقيقه باستخدام نموذج محول صغير نسبياً، وليس نموذج ذكاء اصطناعي ضخم تم تدريبه على مجموعات بيانات ضخمة. يشير هذا الاكتشاف إلى أنه بدلاً من غمر نماذج التعلم الآلي ببيانات لا نهاية لها، قد يؤدي نهج أكثر تركيزاً، يشبه فصل اللغويات المتخصصة أو الجبر، إلى تحسينات كبيرة في قدرات الذكاء الاصطناعي.

بينما يقدم بروتوكول التدريب الجديد نتائج واعدة، من الضروري الاعتراف بقيوده. تفوق نموذج الذكاء الاصطناعي في مهام محددة تتعلق بالتعرف على الأنماط داخل لغة مصطنعة لكنه واجه صعوبات عندما واجه تحديات جديدة تماماً أو أشكالاً غير مدربة من التعميم. وبالتالي، من الضروري إدراك أن تحقيق التعميم المحدود في الذكاء الاصطناعي هو خطوة كبيرة لكنه لا يزال بعيداً عن الهدف النهائي للذكاء الاصطناعي العام.

يلاحظ أرماندو سولار-ليزاما، عالم الحاسوب في معهد ماساتشوستس للتكنولوجيا، أن هذا البحث قد يفتح آفاقاً جديدة لتحسين الذكاء الاصطناعي. من خلال التركيز على تعليم النماذج للتفكير بفعالية، حتى في المهام الاصطناعية، قد نجد طرقاً لتعزيز قدرات الذكاء الاصطناعي بما يتجاوز الحدود الحالية. ومع ذلك، قد يشكل توسيع نطاق بروتوكول التدريب الجديد تحديات تحتاج إلى معالجة.