تعلم الذكاء الاصطناعي من الذكاء الاصطناعي: ظهور التعلم الاجتماعي بين نماذج اللغة الكبيرة

منذ كشف OpenAI عن ChatGPT 3.5 في نهاية عام 2022، أصبح دور نماذج اللغة الكبيرة (LLMs) أكثر بروزًا في الذكاء الاصطناعي (AI)، خاصة في معالجة اللغة الطبيعية (NLP). هذه النماذج، المصممة لمعالجة وتوليد نصوص تشبه الإنسان، تتعلم من مجموعة واسعة من النصوص من الإنترنت، تتراوح من الكتب إلى المواقع. يسمح هذا العملية التعلمية لها بالاستحواذ على جوهر لغة الإنسان، مما يجعل نماذج LLMs تظهر وكأنها محلات حل عامة للمشكلات.

في حين أن تطوير نماذج LLMs قد فتح أبوابًا جديدة، فإن طريقة تعديل هذه النماذج لتطبيقات محددة – المعروفة باسم التحسين الدقيق – تطرح مجموعة من التحديات. يتطلب التحسين الدقيق للنموذج تدريبات إضافية على مجموعات بيانات أكثر تركيزًا، مما يمكن أن يؤدي إلى صعوبات مثل الحاجة إلى بيانات تم تصنيفها، ومخاطر انحراف النموذج والتأثير المفرط، والحاجة إلى موارد كبيرة.

لمواجهة هذه التحديات، اعتمد باحثون من جوجل مؤخرًا فكرة “التعلم الاجتماعي” لمساعدة الذكاء الاصطناعي على التعلم من الذكاء الاصطناعي. الفكرة الرئيسية هي أن نماذج LLMs، عند تحويلها إلى محادثات، يمكنها التفاعل والتعلم من بعضها البعض بطريقة تشبه التعلم الاجتماعي البشري. يسمح هذا التفاعل لها بالتعلم من بعضها البعض، مما يعزز فعاليتها.

ما هو التعلم الاجتماعي؟

التعلم الاجتماعي ليس فكرة جديدة. إنه يعتمد على نظرية من السبعينيات بواسطة ألبرت باندورا، التي تشير إلى أن الناس يتعلمون من مراقبة الآخرين. هذا المفهوم، عند تطبيقه على الذكاء الاصطناعي، يعني أن أنظمة الذكاء الاصطناعي يمكنها التحسين من خلال التفاعل مع بعضها البعض، والتعلم ليس فقط من الخبرات المباشرة ولكن أيضًا من أفعال الزملاء. يpromis هذا الأسلوب اكتساب مهارات أسرع وقد يسمح حتى لأنظمة الذكاء الاصطناعي بتطوير “ثقافة” خاصة بها من خلال مشاركة المعرفة.

على عكس أساليب التعلم الأخرى للذكاء الاصطناعي، مثل التعلم بالtrial-and-error التعزيز أو التعلم التقليدي من الأمثلة المباشرة، يركز التعلم الاجتماعي على التعلم من خلال التفاعل. يقدم طريقة أكثر يدوية وجماعية للذكاء الاصطناعي لاكتساب مهارات جديدة.

التعلم الاجتماعي في نماذج LLMs

جانب مهم من التعلم الاجتماعي هو تبادل المعرفة دون مشاركة المعلومات الأصلية والحساسة. لذلك، اعتمد الباحثون ديناميكية معلم-طالب حيث يسهل نموذج المعلم عملية التعلم لنموذج الطالب دون الكشف عن أي تفاصيل سرية. لتحقيق هذا الهدف، يولد نموذج المعلم أمثلة اصطناعية أو إرشادات من التي يمكن لنموذج الطالب التعلم منها دون مشاركة البيانات الفعلية. على سبيل المثال، ضع في اعتبارك نموذج معلم مدرب على التمييز بين رسائل البريد العشوائي والرسائل غير العشوائية باستخدام بيانات تم تعليمها بواسطة المستخدمين. إذا كنا نريد نموذجًا آخر لتحقيق هذه المهمة دون لمس البيانات الأصلية الحساسة، يأتي التعلم الاجتماعي إلى اللعب. سينتج نموذج المعلم أمثلة اصطناعية أو يوفر رؤى بناءً على معرفته، مما يسمح لنموذج الطالب بتحديد رسائل البريد العشوائي بدقة دون التعرض المباشر للبيانات الحساسة. هذا الأسلوب لا يزيد فقط من كفاءة التعلم ولكنه يظهر أيضًا إمكانية لنمذج LLMs للتعلم بطرق ديناميكية ومتكيفة، مما قد يؤدي إلى بناء ثقافة معرفية جماعية. ميزة حيوية في هذا النهج هي اعتماده على الأمثلة الاصطناعية والإرشادات المصممة. من خلال توليد أمثلة جديدة ومعلوماتية مختلفة عن مجموعة البيانات الأصلية، يمكن لنموذج المعلم الحفاظ على الخصوصية بينما يوجه نموذج الطالب نحو التعلم الفعال. هذا الأسلوب أثبت فعاليته، حيث حقق نتائج على قدم المساواة مع تلك التي تم الحصول عليها باستخدام البيانات الفعلية.

كيف يعالج التعلم الاجتماعي تحديات التحسين الدقيق؟

يوفر التعلم الاجتماعي طريقة جديدة لتحسين نماذج LLMs لأداء مهام محددة. يساعد في التعامل مع تحديات التحسين الدقيق بالطرق التالية:

1. الحاجة الأقل للبيانات المُصنفة: من خلال التعلم من الأمثلة الاصطناعية المُتبادلة بين النماذج، يقلل التعلم الاجتماعي من الاعتماد على البيانات المُصنفة الصعبة الحصول عليها.
2. تجنب التخصص المفرط: يحافظ على مرونة النماذج من خلال تعريضها لمجموعة أوسع من الأمثلة مما هو موجود في مجموعات بيانات صغيرة ومحددة.
3. تقليل التأثير المفرط: يوسع التعلم الاجتماعي تجربة التعلم، مما يساعد النماذج على التعلم بشكل أفضل وتجنب التأثير المفرط.
4. توفير الموارد: يسمح هذا الأسلوب باستخدام أكثر كفاءة للموارد، حيث يتعلم النماذج من تجارب بعضها البعض دون الحاجة إلى الوصول المباشر إلى مجموعات بيانات كبيرة.

اتجاهات المستقبل

الpotential للتعلم الاجتماعي في نماذج LLMs يuggest طرقًا مثيرة للاهتمام ومهمة للبحث في الذكاء الاصطناعي في المستقبل:

1. ثقافات الذكاء الاصطناعي الهجينة: مع مشاركة نماذج LLMs في التعلم الاجتماعي، قد تبدأ في تطوير منهجيات مشتركة. يمكن إجراء دراسات للتحقيق في تأثيرات هذه “الثقافات” الناشئة للذكاء الاصطناعي، مع فحص تأثيرها على التفاعلات البشرية والقضايا الأخلاقية المُحاطة بها.
2. التعلم عبر الوسائط: يمكن توسيع التعلم الاجتماعي إلى ما وراء النص ليشمل الصور والأصوات والمزيد، مما قد يؤدي إلى أنظمة ذكاء اصطناعي تملك فهمًا أعمق للعالم، مشابهة لطريقة تعلم البشر من خلال الحواس المتعددة.
3. التعلم اللامركزي: فكرة أنماذج الذكاء الاصطناعي تتعلم من بعضها البعض عبر شبكة لامركزية تقدم طريقة جديدة لتحويل المعرفة. هذا سيتطلب مواجهة تحديات كبيرة في التنسيق والخصوصية والأمان.
4. التفاعل بين الإنسان والذكاء الاصطناعي: هناك إمكانية في استكشاف كيف يمكن للإنسان والذكاء الاصطناعي أن يستفيدوا بشكل متبادل من التعلم الاجتماعي، خاصة في الإعدادات التعليمية والتعاونية. هذا يمكن أن يعيد تعريف كيفية نقل المعرفة والابتكار.
5. تطوير الذكاء الاصطناعي الأخلاقي: تعليم الذكاء الاصطناعي للتعامل مع الأزمة الأخلاقية من خلال التعلم الاجتماعي يمكن أن يكون خطوة نحو الذكاء الاصطناعي الأكثر مسؤولية. سيتركز ال焦点 على تطوير أنظمة ذكاء اصطناعي قادرة على التفكير الأخلاقي والتوافق مع القيم الاجتماعية.
6. أنظمة تحسين الذات: نظام حيث تتعلم أنماذج الذكاء الاصطناعي بشكل مستمر وتتحسن من تجارب بعضها البعض يمكن أن يسرع من 혁신 الذكاء الاصطناعي. هذا يشير إلى مستقبل حيث يمكن للذكاء الاصطناعي التكيف مع التحديات الجديدة بشكل أكثر استقلالية.
7. الخصوصية في التعلم: مع مشاركة أنماذج الذكاء الاصطناعي للمعرفة، من المهم ضمان خصوصية البيانات الأساسية. قد تركز الجهود المستقبلية على استكشاف أساليب أكثر تطورًا لتمكين نقل المعرفة دون المساس بأمان البيانات.

النتيجة النهائية

لقد قام باحثو جوجل بتحويل نهج مبتكر يسمى التعلم الاجتماعي بين نماذج اللغة الكبيرة (LLMs)، مستوحى من قدرة الإنسان على التعلم من مراقبة الآخرين. يسمح هذا الإطار لنماذج LLMs بمشاركة المعرفة وتحسين القدرات دون الوصول إلى البيانات الحساسة أو الكشف عنها. من خلال توليد أمثلة اصطناعية وإرشادات، يمكن لنماذج LLMs التعلم بشكل فعال، مما يعالج التحديات الرئيسية في تطوير الذكاء الاصطناعي مثل الحاجة إلى بيانات مُصنفة، والتخصص المفرط، والتأثير المفرط، واستهلاك الموارد. التعلم الاجتماعي لا يزيد فقط من كفاءة الذكاء الاصطناعي والتنوع، ولكنه يفتح أيضًا إمكانيات للذكاء الاصطناعي لتطوير “ثقافات” مشتركة، والتعلم عبر الوسائط، والمشاركة في شبكات لامركزية، والتفاعل مع البشر بطرق جديدة، والتعامل مع الأزمة الأخلاقية، وضمان الخصوصية. هذا يشير إلى تحول كبير نحو أنظمة ذكاء اصطناعي أكثر تعاونية، ومتنوعة، وأخلاقية، واعدة بإعادة تعريف مشهد أبحاث الذكاء الاصطناعي وتطبيقاته.