تعتبر نماذج الذكاء الاصطناعي الحديثة قادرة على إنجاز مهام معقدة، ولكنها تعاني من مشكلات تتعلق بالذكاء المتعرج. في هذا المقال، نستكشف كيفية معالجة هذه المشكلة.
شرارة العبقرية إلى ومضات الغباء: كيفية حل مشكلة “الذكاء المتعرج” في الذكاء الاصطناعي
يمكن لروبوتات الدردشة الحديثة القائمة على الذكاء الاصطناعي القيام بأشياء مذهلة، بدءًا من كتابة الأوراق البحثية إلى تأليف قصائد شكسپيرية عن قطتك. لكن وسط شرارات العبقرية، تظهر ومضات من الغباء. مرارًا وتكرارًا، ترتكب نماذج اللغة الكبيرة، أو LLMs، التي تدعم أدوات الذكاء الاصطناعي التوليدية اليوم أخطاءً أساسية، بدءًا من الفشل في حل مسائل الرياضيات البسيطة في المدرسة الثانوية إلى التعثر في قواعد لعبة “كونكت فور”.
لقد أطلق على هذه الحالة عدم الاستقرار اسم “الذكاء المتعرج” في الدوائر التقنية، وهي ليست مجرد نزوة، بل فشل حاسم وجزء من السبب الذي يعتقد العديد من الخبراء أننا في فقاعة ذكاء اصطناعي. لن توظف طبيبًا أو محاميًا، رغم تقديمه نصائح طبية أو قانونية سليمة، إذا كان يتصرف أحيانًا وكأنه لا يعرف كيف يعمل العالم. يبدو أن الشركات تشعر بنفس الطريقة تجاه وضع الذكاء الاصطناعي “المتعرج” في إدارة سلاسل الإمداد أو عمليات الموارد البشرية أو العمليات المالية.
لحل مشكلة الذكاء المتعرج، يجب أن نوفر لنماذج الذكاء الاصطناعي لدينا وصولًا إلى مخزون أكثر قوة، وأكثر تنظيمًا، وفي النهاية أكثر إنسانية من المعرفة. بعد أن قمت بتطوير مجموعة من أنظمة الذكاء الاصطناعي على مدى 30 عامًا، وجدت أن مثل هذه المعرفة هي عنصر لا غنى عنه في أي نظام موثوق.
هذا لأن الابتكارات التكنولوجية التي أطلقت عصر الذكاء الاصطناعي ليست قادرة على تسوية هذه الحواف المتعرجة. لا تمتلك نماذج الذكاء الاصطناعي الحالية قواعد واضحة حول كيفية عمل العالم؛ بل تستنتج الأشياء من برك ضخمة من البيانات. بعبارة أخرى، لا تعرف الأشياء، لذا فهي مضطرة للتخمين، وعندما تخمن بشكل خاطئ، تتراوح النتائج من المضحك إلى الكارثي.
فكر في كيفية تعلم البشر. يولد الأطفال في حالة من “الارتباك المتفتح المتلألئ”، ويكتشفون الأنماط في العالم من حولهم: الوجوه ممتعة للنظر إليها، ورائحة الأم رائعة، والقط يخدش إذا سحبت ذيله. لكن التعرف على الأنماط يتم دعمه قريبًا بمعرفة واضحة: القواعد التي نتعلمها، بدلاً من الأشياء التي نمتصها. من الأبجدية إلى الرياضيات إلى كيفية تحميل غسالة الصحون أو قيادة السيارة، نستخدم المعرفة المCodified لتعلم بكفاءة—وتجنب الأخطاء الغبية أو الخطيرة على طول الطريق.
تحديات الذكاء المتعرج
لا تمتلك نماذج الذكاء الاصطناعي الحالية قواعد واضحة حول كيفية عمل العالم؛ بل تستنتج الأشياء من برك ضخمة من البيانات.
تقوم مختبرات الذكاء الاصطناعي الرائدة بالفعل بتجربة هذا النهج. كانت نماذج LLMs الأولى تكافح مع الرياضيات المدرسية، لذا قام الباحثون بإضافة معرفة رياضية فعلية—ليس استنتاجات ضبابية، بل قواعد واضحة حول كيفية عمل الرياضيات. النتيجة: يمكن لنماذج جوجل الأخيرة الآن حل مسائل أولمبياد الرياضيات بشكل موثوق.
إضافة المزيد من البيانات من أنواع مختلفة—على سبيل المثال، البيانات المرئية، التي يدعو إليها عمالقة الذكاء الاصطناعي مثل يان ليكون—لن تتغلب على التحدي الأساسي للذكاء المتعرج. حتى مع البيانات الإضافية، من المؤكد رياضيًا أن النماذج ستستمر في ارتكاب الأخطاء—لأن هذا هو كيف يعمل الذكاء الاصطناعي القائم على البيانات والاحتمالات. بدلاً من ذلك، نحتاج إلى تزويد النماذج بالمعرفة—مفاهيم وقيود موصوفة بشكل صارم، قواعد وعلاقات—تثبت سلوكها على حقائق عالمنا.
لتزويد نماذج الذكاء الاصطناعي بمخزون من المعرفة الإنسانية، نحتاج إلى بناء قاعدة بيانات عامة للمعرفة الرسمية بسرعة، تمتد عبر مجموعة من التخصصات. بالطبع، قواعد الرياضيات واضحة؛ لكن آليات مجالات أخرى—مثل الرعاية الصحية، القانون، الاقتصاد، أو التعليم، على سبيل المثال—أكثر تعقيدًا بكثير. هذه التحديات أصبحت الآن في متناول أيدينا، حيث تشير نمو شركات مثل Scale AI، التي توفر بيانات عالية الجودة لتدريب نماذج الذكاء الاصطناعي، إلى ظهور مهنة جديدة—مهنة تترجم الخبرة البشرية إلى شكل يمكن للآلة قراءته، وفي القيام بذلك، تشكل ليس فقط ما يمكن أن يفعله الذكاء الاصطناعي، ولكن ما يعتبره صحيحًا.
يمكن الوصول إلى هذه القاعدة المعرفية عند الطلب من قبل المطورين (أو حتى وكلاء الذكاء الاصطناعي) لتقديم رؤى قابلة للتحقق تغطي كل شيء من تحميل غسالة الصحون إلى تعقيدات قانون الضرائب. ستقوم نماذج الذكاء الاصطناعي بارتكاب أخطاء أقل سخافة، لأنها لن تحتاج إلى استنتاج كل شيء من المبادئ الأساسية. (تشير بعض الأبحاث أيضًا إلى أن مثل هذه النماذج ستحتاج إلى بيانات وطاقة أقل بكثير، على الرغم من أن هذه الادعاءات لم يتم إثباتها بعد.)
على عكس نماذج الذكاء الاصطناعي غير الشفافة اليوم، التي تنبثق معرفتها من التعرف على الأنماط وتنتشر عبر مليارات من المعلمات، يمكن فحص جسم المعرفة البشرية المقطر بشكل رسمي مباشرة وفهمه والتحكم فيه. يمكن للجهات التنظيمية التحقق من معرفة النموذج، ويمكن للمستخدمين التأكد من أن الأدوات مضمونة رياضيًا بعدم ارتكاب أخطاء غبية.
إعادة تعريف العلاقة بين الذكاء الاصطناعي والعالم
نحتاج إلى تزويد النماذج بالمعرفة—مفاهيم وقيود موصوفة بشكل صارم، قواعد وعلاقات—تثبت سلوكها على حقائق عالمنا.
إن الطموح لإنشاء مثل هذه المورد المعرفي ليس جديدًا في الذكاء الاصطناعي. على الرغم من أن الجهود السابقة أسفرت عن نتائج غير حاسمة، فقد حان الوقت لبدء جديد. تمامًا كما يستخدم علماء الأحياء الخوارزميات لتسريع العملية التي كانت تستغرق وقتًا طويلاً لنمذجة البروتينات، يمكن للباحثين في الذكاء الاصطناعي الاستفادة من الذكاء الاصطناعي التوليدي للمساعدة في نمذجة المعرفة.
من الواضح أن نماذج الذكاء الاصطناعي الحالية تزداد ذكاءً وستتحسن باستخدام بيانات مختلفة. ومع ذلك، للتغلب على تحدي الذكاء المتعرج—وتحويل نماذج الذكاء الاصطناعي إلى شركاء موثوقين ومحركات حقيقية للقيمة—نحتاج إلى إعادة تعريف الطريقة التي تتعلق بها النماذج بالعالم وتتعلم عنه. سمحت لنا الخوارزميات القائمة على البيانات ببدء الحديث مع الآلات. لكن المعرفة، وليس البيانات، هي المفتاح لاستدامة مستقبل الذكاء الاصطناعي بعد الفقاعة المحتملة.
تم نشر هذه المقالة في الأصل على Undark. اقرأ المقالة الأصلية.
إن معالجة مشكلة الذكاء المتعرج تتطلب إعادة تعريف كيفية تعلم نماذج الذكاء الاصطناعي عن العالم. المعرفة هي المفتاح لمستقبل مستدام.
