نهج تدريبي ثوري يمكّن الذكاء الاصطناعي من التعميم مثل العقول البشرية

في تطورٍ رائدٍ في مجال الذكاء الاصطناعي، كشف باحثون عن بروتوكول تدريبٍ جديدٍ يُحسّن بشكلٍ ملحوظٍ قدرة نموذج الذكاء الاصطناعي على التعميم وفهم المعلومات، مُقرّباً إياه من طريقة التعلّم والاستدلال البشري. يُشكّك هذا النهج المبتكر في الاعتقاد السائد بأنّ زيادة البيانات هي مفتاح تحسين التعلّم الآلي، مُقدّماً رؤىً جديدةً حول أسرار كلٍّ من الذكاء الاصطناعي والإدراك البشري.

يتفوق البشر في فهم ودمج مختلف العناصر لإدراك العالم، وهي مهارة معرفية تُعرف باسم "التركيبية" أو "التعميمmatic ". تُمكّننا هذه المهارة من فك رموز الجمل غير المألوفة، وإنشاء ردود أصلية، وفهم المعاني الكامنة وراء الكلمات وقواعد النحو. لطالما شكّل تحقيق التركيبية تحديًا لمطوري الذكاء الاصطناعي، حيث تكافح الشبكات العصبية التقليدية لمحاكاة هذا الجانب الأساسي من الإدراك البشري.

رغم قدرة نماذج الذكاء الاصطناعي التوليدية الحالية، مثل GPT-3 وGPT-4 من OpenAI، على محاكاة التركيب إلى حد ما، إلا أنها غالبًا ما تعجز عن تحقيق نتائج جيدة في بعض المعايير، إذ تفشل في فهم المعنى والقصد الكامنين وراء الجمل التي تولدها. مع ذلك، تشير دراسة حديثة نُشرت في مجلة Nature إلى أن بروتوكول تدريب فريدًا يركز على كيفية تعلم الشبكات العصبية قد يكون مفتاحًا لمواجهة هذا التحدي.

إعادة تشكيل عملية التعلم

اتبع مؤلفو الدراسة نهجًا مختلفًا في تدريب الذكاء الاصطناعي، متجنبين الحاجة إلى إنشاء بنى جديدة كليًا. فبدلًا من ذلك، بدأوا بنموذج محول قياسي، وهو نفس البنية الأساسية المستخدمة في ChatGPT وBard من جوجل، ولكن دون أي تدريب مسبق على النصوص. وكان الابتكار الجوهري يكمن في نظام التدريب نفسه.

صمّم الباحثون مجموعة من المهام باستخدام لغة وهمية مؤلفة من كلمات لا معنى لها مثل "dax" و"lug" و"kiki" و"fep" و"blicket". رُبطت هذه الكلمات بمجموعات من النقاط الملونة، حيث مثّلت بعض الكلمات ألوانًا محددة للنقاط، بينما مثّلت كلمات أخرى وظائف تُغيّر مخرجات النقاط. على سبيل المثال، مثّلت كلمة "dax" نقطة حمراء، بينما كانت كلمة "fep" وظيفة، عند دمجها مع "dax" أو كلمات رمزية أخرى، تُضاعف مخرجات النقاط المقابلة ثلاث مرات. والجدير بالذكر أن الذكاء الاصطناعي لم يتلقَّ أي معلومات حول هذه الارتباطات؛ إذ قدّم الباحثون ببساطة أمثلة على جمل لا معنى لها إلى جانب تكوينات النقاط المقابلة.

الذكاء الاصطناعي يحقق فهماً شبيهاً بالفهم البشري

مع خضوع نموذج الذكاء الاصطناعي للتدريب، تعلم تدريجياً الاستجابة بشكل متماسك، ملتزماً بالقواعد الضمنية للغة غير المنطقية. حتى عند عرض تراكيب جديدة من الكلمات، أظهر الذكاء الاصطناعي قدرته على "فهم" قواعد اللغة المُبتكرة وتطبيقها على عبارات لم يسبق له رؤيتها. يشير هذا الإنجاز المذهل إلى إمكانية تعميم الذكاء الاصطناعي، وهي خطوة حاسمة نحو التفكير الشبيه بالبشر.

لتقييم أداء الذكاء الاصطناعي، قارن الباحثون أداءه بأداء مشاركين بشريين. في بعض الحالات، استجاب الذكاء الاصطناعي المدرب بدقة تامة (100%)، متفوقًا على البشر الذين حققوا دقة بلغت حوالي 81%. حتى عندما ارتكب الذكاء الاصطناعي أخطاءً، كانت هذه الأخطاء مشابهة للأخطاء الشائعة لدى البشر، مما يُبرز قدرته على التفكير المنطقي الشبيه بالبشر.

الأمر اللافت للنظر هو أن هذا الأداء المذهل تحقق باستخدام نموذج تحويل صغير نسبيًا، وليس باستخدام ذكاء اصطناعي ضخم مُدرَّب على مجموعات بيانات هائلة. تشير هذه النتيجة إلى أنه بدلًا من إغراق نماذج التعلم الآلي ببيانات لا حصر لها، فإن اتباع نهج أكثر تركيزًا، أشبه بدورة متخصصة في اللغويات أو الجبر، قد يُحقق تحسينات جوهرية في قدرات الذكاء الاصطناعي.

الآثار والتوجهات المستقبلية

رغم أن بروتوكول التدريب الجديد هذا يُبشّر بنتائج واعدة، إلا أنه من الضروري إدراك حدوده. فقد تفوّق نموذج الذكاء الاصطناعي في مهام محددة تتعلق بالتعرف على الأنماط ضمن لغة مُصطنعة، لكنه واجه صعوبة عند مواجهة تحديات جديدة كلياً أو أشكال تعميم غير مألوفة. وبالتالي، من الأهمية بمكان إدراك أن تحقيق تعميم محدود في الذكاء الاصطناعي يُعدّ خطوة هامة، ولكنه لا يرقى إلى مستوى الهدف النهائي المتمثل في الذكاء الاصطناعي العام.

يشير أرماندو سولار-ليزاما، عالم الحاسوب في معهد ماساتشوستس للتكنولوجيا، إلى أن هذا البحث قد يفتح آفاقًا جديدة لتحسين الذكاء الاصطناعي. فمن خلال التركيز على تعليم النماذج التفكير الفعال، حتى في المهام الاصطناعية، قد نجد طرقًا لتعزيز قدرات الذكاء الاصطناعي بما يتجاوز حدودها الحالية. مع ذلك، قد يطرح توسيع نطاق بروتوكول التدريب الجديد هذا تحديات تتطلب معالجة.

إضافةً إلى تطبيقاتها العملية في مجال الذكاء الاصطناعي، قد يُسهم هذا البحث في فهم آليات عمل الشبكات العصبية وقدراتها الناشئة. إن فهم هذه العمليات من شأنه أن يُساعد في تقليل الأخطاء في أنظمة الذكاء الاصطناعي وتعزيز فهمنا للإدراك البشري.