الذكاء الاصطناعي التوليدي: هل يمتلك فهماً حقيقياً للعالم؟

على الرغم من الأداء المذهل الذي تقدمه نماذج الذكاء الاصطناعي التوليدي، إلا أنها لا تمتلك فهماً متماسكاً للعالم. إذ يمكن لهذه النماذج، مثل GPT-4، كتابة الشعر أو إنتاج برامج كمبيوتر فعالة، رغم أنها تدربت على توقع الكلمات التالية في النصوص.

تبدو هذه القدرات المدهشة وكأنها تشير إلى أن النماذج تتعلم حقائق عامة حول العالم، ولكن دراسة جديدة تشير إلى خلاف ذلك. فقد توصل الباحثون إلى أن نوعاً شائعاً من نماذج الذكاء الاصطناعي التوليدي يمكنه تقديم توجيهات دقيقة للقيادة في مدينة نيويورك، دون أن يكون قد كوّن خريطة داخلية دقيقة للمدينة.

على الرغم من قدرة النموذج المذهلة على التنقل بشكل فعّال، فإن أداؤه انهار عندما تم إغلاق بعض الشوارع وإضافة طرق التفافية. وعند التعمق في الدراسة، اكتشف الباحثون أن الخرائط التي أنشأها النموذج كانت تحتوي على شوارع غير موجودة تربط بين تقاطعات بعيدة.

تظهر هذه النتائج أن النماذج التي تبدو وكأنها تؤدي بشكل جيد في سياق معين قد تفشل إذا تغيرت المهمة أو البيئة بشكل طفيف. يقول “أشيش رامباشان”، المؤلف الرئيسي للدراسة، “إن السؤال حول ما إذا كانت نماذج اللغة الكبيرة تتعلم نماذج عالمية متماسكة هو أمر بالغ الأهمية إذا كنا نرغب في استخدام هذه التقنيات لاكتشافات جديدة”.

كما شارك في الدراسة “كيون وفا”، باحث ما بعد الدكتوراه في جامعة هارفارد، و”جاستين تشين”، طالب دراسات عليا في الهندسة الكهربائية وعلوم الكمبيوتر في معهد ماساتشوستس للتكنولوجيا، و”جون كلاينبرغ”، أستاذ علوم الحاسوب في جامعة كورنيل، و”سيندهيل مولايناثان”، أستاذ في معهد ماساتشوستس للتكنولوجيا.

ركز الباحثون على نوع من نماذج الذكاء الاصطناعي التوليدي يعرف باسم “المحوّلات”، التي تشكل العمود الفقري لنماذج مثل GPT-4. تم تدريب هذه المحولات على كمية هائلة من البيانات اللغوية لتوقع الرمز التالي في تسلسل معين.

لتحليل ما إذا كانت هذه النماذج قد شكلت نموذجاً دقيقاً للعالم، طور الباحثون مقاييس جديدة. استخدموا نموذجين مختلفين لمشاكل معروفة، بما في ذلك التنقل في شوارع نيويورك ولعبة “أوثيلو”.

أظهرت النتائج أن المحولات التي اتخذت قرارات عشوائية شكلت نماذج عالمية أكثر دقة، ربما لأنها شهدت مجموعة أكبر من الخيارات المحتملة خلال التدريب. ومع ذلك، عندما أضيفت طرق التفافية إلى الخرائط، فشلت جميع نماذج الملاحة.

هذه النتائج توضح أن النماذج يمكن أن تؤدي بشكل جيد في مهام معينة دون أن تفهم القواعد المرتبطة بها. إذا أراد العلماء بناء نماذج ذكاء اصطناعي كبيرة تستطيع التقاط نماذج عالمية دقيقة، يجب عليهم اتباع نهج مختلف.

في المستقبل، يخطط الباحثون لمواجهة مجموعة متنوعة من المشاكل، بما في ذلك تلك التي تكون فيها بعض القواعد معروفة جزئياً. كما يرغبون في تطبيق مقاييسهم التقييمية على مشكلات علمية في العالم الحقيقي.

هذا المحتوى تم باستخدام أدوات الذكاء الاصطناعي