غريزة الذكاء الاصطناعي الجديدة: لماذا يهم التفكير الذكي أكثر من التفكير لفترة أطول

لقد كانت التطورات في الذكاء الاصطناعي مدفوعة بفكرة أن زيادة البيانات والقدرة الحاسوبية يمكن أن تحسن الأداء. وقد أدى هذا النهج “القوي” إلى أنظمة ذكاء اصطناعي مثيرة للإعجاب، مثل GPT-3، والتي أدت أداءً جيدًا على مدار السنوات. ومع ذلك، يصل هذا المنهج إلى حدوده. مع زيادة تعقيد مشاكل الذكاء الاصطناعي، يصبح من الواضح أن إضافة المزيد من القدرة الحاسوبية لن تكون حلاً مستدامًا أو فعالًا لتحقيق تقدم طويل الأمد. وقد دفع هذا الإدراك الباحثين إلى إعادة التفكير في نهجهم لتطوير الذكاء الاصطناعي. في هذا السياق، يقدم نموذج Cogito v2 من Deep Cogito نهجًا جديدًا يمكن أن يغير مستقبل تطوير الذكاء الاصطناعي. بدلاً من الاعتماد على المزيد من القدرة الحاسوبية أو التفكير الممتد، يطور Cogito v2 “غريزة ذكاء” داخلية توجيه النموذج لتحديد المسارات الصحيحة قبل البدء في البحث. هذا هو تحول في كيفية تطوير الذكاء الاصطناعي من خلال التركيز على التفكير بشكل أفضل، وليس لفترة أطول.

تحول في تطوير الذكاء الاصطناعي

لقد كانت القوة الدافعة وراء التطورات في الذكاء الاصطناعي لفترة طويلة هي فكرة أن “المزيد هو أفضل”. وقد أدى هذا النهج إلى نماذج ذكاء اصطناعي تنتج سلاسل تفكيرية مكثفة لحل مشاكل معقدة. نموذج GPT-3 من OpenAI هو مثال على هذا النهج، حيث أدت سلاسل التفكير الأطول إلى نتائج مثيرة للإعجاب في مهام صعبة. ومع ذلك، يأتي هذا النهج مع عيوب كبيرة. تتطلب سلاسل التفكير الأطول موارد حاسوبية أكثر، مما يؤدي إلى أوقات استدلال أبطأ وتكلفة تشغيل أعلى. بالإضافة إلى ذلك، أظهرت الأبحاث أن هذه العمليات الممتدة غالبًا ما تؤدي إلى عوائد متضائلة، حيث يؤدي التفكير الأطول إلى انحياز أكبر وعدم كفاءة. المشكلة الأساسية هي أن الاعتماد على سلاسل التفكير الممتدة وزيادة القدرة الحاسوبية لم يعد حلاً فعالًا لمواجهة مشاكل الذكاء الاصطناعي المعقدة. هذه النهج محدودة بزمن المعالجة الهائل ومتطلبات الذاكرة.

لماذا تهتم “الغريزة” بالذكاء الاصطناعي

على عكس الأنظمة الحالية للذكاء الاصطناعي التي تعتمد على التفكير الممتد، غالبًا ما يعتمد البشر على ما يسمى “الغريزة” (نوع من الحكم الذاتي السريع) لحل المشاكل. بينما قد يبدو مفهوم الغريزة مجردًا، غالبًا ما يكون نتيجة سنوات من الخبرة والتعلم ومعالجة السياق التي تمكن البشر من اتخاذ قرارات سريعة دون تحليل كل التفاصيل. هذا النوع من الحدس هو ما يفصل الحساب الخام عن التفكير البشري. يبني البشر هذه “الغريزة” من خلال التعرف على الأنماط والخبرة المتراكمة، مما يسمح لهم باتخاذ قرارات دون استكشاف كل الخيارات الممكنة. يهدف الذكاء الاصطناعي الجديد إلى تكرار هذا العملية.

كيف دمج Cogito v2 “الغريزة”?

قام Cogito بدمج فكرة “الغريزة” (المعروفة أيضًا باسم “الذكاء السابق”) في نموذجها الأخير Cogito v2. قاموا بدمج هذه الفكرة باستخدام آلية تسمى التقطير والتكبير المتكرر (IDA). تمكن هذه الآلية النموذج من التعلم من عملية التفكير الخاصة به وتحسين مهارات حل المشاكل مع مرور الوقت. بدلاً من الاعتماد على تحفيزات ثابتة أو معلمين محددين، يسمح IDA للذكاء الاصطناعي بالاستفادة من مسارات التفكير الناجحة وتكرارها في معلمات النموذج الأساسية. يعزز هذا العملية الذاتية من قدرة النموذج على التفكير، مع التركيز على الطرق الأكثر فعالية للتفكير، وليس فقط على الإجابات الصحيحة.

• التقطير والتكبير المتكرر (IDA)

للفهم كيفية عمل IDA، يمكننا النظر إلى نظرية العملية المزدوجة، التي تقسم التفكير البشري إلى نظامين: النظام 1 والنظام 2. النظام 1 يُشير إلى اتخاذ القرارات السريع والحدسي، بينما النظام 2 أبطأ وأكثر تفكيرًا. تقترح النظرية أن البشر يعتمدون على النظام 1 لمعظم المهام، ولكنهم ينتقلون إلى النظام 2 عند مواجهة قرارات أكثر تعقيدًا.

IDA هو دورة من两ى خطوة: التكبير والتقطير. في مرحلة التكبير، يستخدم النموذج أساليب حاسوبية مكثفة لإنشاء حلول أو مسارات تفكيرية عالية الجودة. هذا يشبه التفكير بالنظام 2، حيث يأخذ الذكاء الاصطناعي وقتًا لتقدير الحلول المحتملة بعناية. في مرحلة التقطير، يدمج النموذج بعد ذلك الأفكار المستفادة من مرحلة التكبير، مما يُحول عملية التفكير من النظام 2 إلى النظام 1. كما يصبح سائق السيارة أكثر حدسًا بعد اكتساب الخبرة، يمكن للنموذج الذكاء الاصطناعي مع IDA اتخاذ قرارات أسرع وأكثر كفاءة مع مرور الوقت.

الفكرة الرئيسية وراء IDA هي استخدام التفكير الحاسوبي المكثف في مرحلة التكبير، ثم تقطير التفكير المحسّن إلى معلمات النموذج. يسمح هذا العملية للنموذج بتحسين استراتيجيات التفكير الفعالة التي تبني قدرته على التفكير بحدس عند حل المشاكل. من خلال تكرار هذه الدورة، يُحسن نظام الذكاء الاصطناعي باستمرار قدرته على اتخاذ القرارات بموارد حاسوبية أقل.

مميزات دمج “الغريزة” في الذكاء الاصطناعي

أحد أهم مميزات غريزة الذكاء الاصطناعي هي كفاءتها. تُظهر نماذج مثل Cogito v2 سلاسل تفكيرية أقصر بنسبة تصل إلى 60% مقارنة بنماذج المنافسة. هذا يعني أنها يمكن أن تصل إلى الإجابات بأقل خطوات داخلية، مما يقلل من الوقت والموارد المطلوبة للاستدلال. على سبيل المثال، يمكن حل مشكلة قد تأخذ نموذج DeepSeek R1 أكثر من 200 رمز في أقل من 100 رمز بواسطة Cogito v2.

علاوة على ذلك، تُظهر تكلفة تدريب Cogito v2 أنها أقل بكثير من نماذج الذكاء الاصطناعي التقليدية. تكلفت تدريب Cogito v2، الذي يغطي مجموعة واسعة من المعلمات، أقل من 3.5 مليون دولار، وهو مبلغ أقل بكثير من النفقات المرتبطة عادةً بنماذج كبيرة مثل GPT-4.

أظهر Cogito v2 أيضًا قدرات متأصلة في مجالات لم يتم تدريبه عليها صراحة. على سبيل المثال، على الرغم من تدريبه في الغالب على النص، يمكن لـ Cogito v2 التفكير في الصور، واستخلاص أفكار حول تركيبات الصور والبيئات. هذه القدرة على التفكير عبر الوسائط هي خطوة كبيرة نحو الذكاء العام الاصطناعي، وهو هدف هام على طريق الذكاء الاصطناعي العام.

إعادة التفكير في تطوير الذكاء الاصطناعي

يُظهر نجاح الذكاء السابق أن استراتيجيات تطوير الذكاء الاصطناعي تحتاج إلى تحول أساسي. بدلاً من مجرد زيادة حجم النموذج أو زيادة الموارد الحاسوبية، يجب أن يركز تطوير الذكاء الاصطناعي على بناء أنظمة يمكنها تطوير وتحسين استراتيجيات التفكير الخاصة بها. يُشبه هذا التحول التطور المعرفي البشري، حيث لا يعتمد الذكاء على حجم الدماغ أو وقت التفكير، ولكن على نماذج عقلية و استراتيجيات تفكير أفضل. يمكن أن يؤدي هذا التحول إلى عواقب طويلة الأمد. من خلال التركيز على التفكير الأفضل بدلاً من القوة الحاسوبية الخام، يمكن للذكاء الاصطناعي أن يصبح أكثر مرونة وملاءمة وقدرة على التعامل مع تحديات جديدة. يمكن أن يسرع هذا التحول تطبيق الذكاء الاصطناعي في صناعات مثل الرعاية الصحية والأمن السيبراني والنقل المستقل، مما يجعل أنظمة الذكاء الاصطناعي أكثر كفاءة وتأثيرًا.

النقطة الأساسية

يُظهر نجاح Cogito v2 أن مستقبل الذكاء الاصطناعي يكمن ليس في توسيع النماذج أو زيادة القدرة الحاسوبية، ولكن في تحسين هياكل التفكير وضبطها لتحقيق حلول أكثر ذكاءً. هذا التحول يعد بمستقبل أكثر استدامة وسهولة الوصول للذكاء الاصطناعي، حيث يمكن للأنظمة أن تتحسن وتتأقلم باستمرار مع اعتماد أقل على الموارد الحاسوبية الهائلة. من خلال التركيز على التفكير الذكي بدلاً من الحساب القوي، يمكن للذكاء الاصطناعي أن يصبح أكثر قدرة على التعامل مع المشاكل المعقدة في العالم الحقيقي.