النماذج اللغوية الكبيرة ليست بحاجة إلى التفكير – إنها مجرد تخطيط جيد

النماذج اللغوية الكبيرة (LLM) مثل OpenAI’s o3، Google’s Gemini 2.0، وDeepSeek’s R1 أظهرت تقدمًا ملحوظًا في حل المشكلات المعقدة، وإنشاء نصوص تشبه النصوص البشرية، وحتى كتابة الشفرة بدقة. يتم اعتبار هذه النماذج المتقدمة غالبًا باسم “نماذج التفكير” لقدراتها الرائعة في تحليل وحل المشكلات المعقدة. ولكن هل هذه النماذج تتفكر حقًا، أم أنها مجرد تخطيط استثنائي؟ هذا التمييز دقيق للغاية، وله آثار كبيرة على كيفية فهم قدرات وقيود النماذج اللغوية الكبيرة.

للفهم هذا التمييز، دعونا نقارن بين سيناريوهين:

• التفكير: محقق ي điều تحقيق جريمة يجب أن يجمع بين الأدلة المتناقضة، ويستنتج أيهما كاذبة، ويتوصل إلى استنتاج بناءً على أدلة محدودة. يتضمن هذا العملية استدلالًا وتصحيحًا للتناقضات والتفكير المجرد.
• التخطيط: لاعب شطرنج يحسب أفضل تسلسل للحركات لتحقيق الفوز على خصمه.

في حين أن كلا العمليتين يتضمنان عدة خطوات، يشارك المحقق في التفكير العميق لاستخلاص الاستدلالات، وتقييم التناقضات، وتطبيق المبادئ العامة على حالة محددة. يشارك لاعب الشطرنج، من ناحية أخرى، بشكل أساسي في التخطيط، واختيار تسلسل الحركات الأمثل للفوز في اللعبة. النماذج اللغوية الكبيرة، كما سنرى، تعمل بشكل أكثر تشابهًا مع لاعب الشطرنج من المحقق.

فهم الفرق: التفكير مقابل التخطيط

من أجل إدراك لماذا النماذج اللغوية الكبيرة جيدة في التخطيط وليس التفكير، من المهم أولاً فهم الفرق بين المصطلين. التفكير هو عملية استخلاص استنتاجات جديدة من مقدمات معينة باستخدام المنطق والاستدلال. يتضمن تحديد وتصحيح التناقضات، وتوليد رؤى جديدة بدلاً من تقديم المعلومات فقط، واتخاذ القرارات في المواقف الغامضة، والانخراط في التفكير القائم على السبب والنتيجة والتفكير التخيلي مثل سيناريوهات “ماذا لو”.
التخطيط، من ناحية أخرى، يركز على هيكلة تسلسل الإجراءات لتحقيق هدف معين. يعتمد على تقسيم المهام المعقدة إلى خطوات أصغر، اتباع استراتيجيات حل المشكلات المعروفة، وتكييف الأنماط المكتسبة مسبقًا للمشكلات المماثلة، وتنفيذ تسلسلات منظمة بدلاً من توليد رؤى جديدة. في حين أن كلا التفكير والتخطيط يتضمنان معالجة خطوة بخطوة، ي đòi التفكير إلى مستوى أعلى من التجريد والاستدلال، بينما يتبع التخطيط إجراءات محددة دون توليد معرفة جديدة بشكل أساسي.

كيفية tiếp cận النماذج اللغوية الكبيرة “التفكير”

النماذج اللغوية الكبيرة الحديثة، مثل OpenAI’s o3 وDeepSeek-R1، مجهزة بتقنية تعرف باسم سلسلة التفكير (CoT) لتحسين قدرات حل المشكلات. هذه الطريقة تشجع النماذج على تقسيم المشكلات إلى خطوات متوسطة، مما يقلد الطريقة التي يفكر بها البشر منطقيًا. لكي نرى كيف يعمل هذا، دعونا نعتبر مشكلة رياضية بسيطة:

إذا كانت متجر تبيع التفاح بسعر 2 دولار لكل تفاحة، ولكنها تقدم خصمًا قدره 1 دولار لكل تفاحة إذا اشتريت أكثر من 5 تفاحات، فكم سيكلف 7 تفاحات؟

نموذج لغوي كبير نموذجي باستخدام سلسلة التفكير قد يحلها على النحو التالي:

1. تحديد السعر العادي: 7 * 2 دولار = 14 دولار.
2. تحديد ما إذا كان الخصم ساري المفعول (منذ 7 > 5).
3. حساب الخصم: 7 * 1 دولار = 7 دولارات.
4. طرح الخصم من الإجمالي: 14 دولار – 7 دولارات = 7 دولارات.

من خلال وضع تسلسل خطوات بشكل صريح، يقلل النموذج من فرصة الأخطاء التي تنشأ عن محاولة التنبؤ بالجواب في مرة واحدة. في حين أن هذا التحليل الخطوة بخطوة يجعل النماذج اللغوية الكبيرة تبدو وكأنها تتفكر، إلا أنه في الأساس شكل من أشكال حل المشكلات المنظم، مثل اتباع وصفة خطوة بخطوة. من ناحية أخرى، قد يعترف عملية تفكير حقيقية بقاعدة عامة: إذا كان الخصم ساري المفعول بعد 5 تفاحات، فإن كل تفاحة تكلف 1 دولار. يمكن للبشر استنتاج هذه القاعدة على الفور، ولكن نموذج لغوي كبير لا يستطيع ذلك لأنه يتبع فقط تسلسلًا منظماً من الحسابات.

لماذا سلسلة التفكير هي تخطيط وليس تفكيرًا

في حين أن سلسلة التفكير (CoT) قد حسنت أداء النماذج اللغوية الكبيرة في المهام المنطقية مثل مشكلات الكلمات الرياضية وتحديات البرمجة، إلا أنها لا تتضمن تفكيرًا منطقيًا حقيقيًا. هذا لأن سلسلة التفكير تتبع المعرفة الإجرائية، واعتمادًا على خطوات منظمة بدلاً من توليد رؤى جديدة. يفتقر إلى فهم حقيقي للسببية والعلاقات المجردة، مما يعني أن النموذج لا يشارك في التفكير التخيلي أو يعتبر سيناريوهات افتراضية تتطلب حدسًا يتجاوز البيانات التي تم تدريبها عليها. بالإضافة إلى ذلك، لا يمكن لسلسلة التفكير أن تغير نهجها بشكل أساسي ما وراء الأنماط التي تم تدريبها عليها، مما يحد من قدرة النموذج على التفكير بشكل إبداعي أو التكيف في سيناريوهات غير مألوفة.

ماذا سيتطلب من النماذج اللغوية الكبيرة لتصبح آلات تفكير حقيقية؟

إذاً، ما الذي يحتاجه النماذج اللغوية الكبيرة للتفكير حقًا مثل البشر؟ هنا بعض المجالات الرئيسية التي تتطلب تحسينًا ونهجًا محتملًا لتحقيقه:

1. الفهم الرمزي: يتفكر البشر من خلال操作 الرموز المجردة والعلاقات. النماذج اللغوية الكبيرة، مع ذلك، تفتقر إلى آلية تفكير رمزي حقيقية. دمج الذكاء الاصطناعي الرمزي أو النماذج الهجينة التي تدمج الشبكات العصبية مع الأنظمة المنطقية الرسمية يمكن أن يعزز قدرة النماذج على المشاركة في التفكير الحقيقي.
2. الاستدلال السببي: يتطلب التفكير الحقيقي فهم السبب والنتيجة، وليس فقط الارتباطات الإحصائية. نموذج يتفكر يجب أن يستنطق المبادئ الأساسية من البيانات بدلاً من مجرد التنبؤ بالرمز التالي. البحث في الذكاء الاصطناعي السببي، الذي يصمم صراحة العلاقات السببية والنتيجة، يمكن أن يساعد النماذج اللغوية الكبيرة في الانتقال من التخطيط إلى التفكير.
3. التعكس الذاتي والذكاء الاصطناعي: يقيّم البشر باستمرار عمليات التفكير الخاصة بهم من خلال سؤال “هل هذا الاستنتاج معقول؟” النماذج اللغوية الكبيرة، من ناحية أخرى، لا تملك آلية للتعكس الذاتي. بناء نماذج يمكنها تقييم مخرجاتها بشكل نقدي سيكون خطوة نحو التفكير الحقيقي.
4. الحدس والتفكير التخيلي: على الرغم من أن النماذج اللغوية الكبيرة لديها وصول إلى كميات هائلة من المعرفة، إلا أنها غالبًا ما ت투غ في التفكير العادي. يحدث هذا لأنها لا تملك تجارب حقيقية في العالم لتشكيل حدسها، ولا يمكنها بسهولة التعرف على المبالغ التي سيتعرف عليها البشر على الفور. كما أنها تفتقر إلى طريقة لجلب الديناميات الحقيقية في العالم إلى عمليات اتخاذ القرار. أحد الطرق لتحسين هذا يمكن أن يكون من خلال بناء نموذج مع محرك حدس، قد يتضمن دمج المدخلات الحسية الحقيقية أو استخدام الرسومات المعرفية لمساعدة النموذج على فهم العالم بالطريقة التي يفهمها البشر.
5. التفكير التخيلي: غالبًا ما يتضمن التفكير البشري سؤال “ماذا لو كانت الأمور مختلفة؟” النماذج اللغوية الكبيرة ت투غ في هذه الأنواع من سيناريوهات “ماذا لو” لأنها مقيدة بالبيانات التي تم تدريبها عليها. من أجل أن تفكر النماذج بشكل أكثر تشابهًا مع البشر في هذه المواقف، سيتطلب الأمر محاكاة سيناريوهات افتراضية وفهم كيف يمكن أن تؤثر التغييرات في المتغيرات على النتائج. كما سيتطلب الأمر طريقة لاختبار إمكانيات مختلفة ووضع رؤى جديدة، بدلاً من مجرد التنبؤ بناءً على ما تم رؤيته. بدون هذه القدرات، لا يمكن للنماذج اللغوية الكبيرة التفكير حقًا في المستقبل البديل – يمكنها فقط العمل مع ما تعلمته.

الختام

في حين قد تظهر النماذج اللغوية الكبيرة وكأنها تتفكر، إلا أنها في الواقع تعتمد على تقنيات التخطيط لحل المشكلات المعقدة. سواء كانت تحل مشكلة رياضية أو تشارك في الاستدلال المنطقي، فهي في الأساس تنظم الأنماط المعروفة بطريقة منظمة بدلاً من فهم المبادئ الأساسية وراءها. هذا التمييز حاسم في أبحاث الذكاء الاصطناعي لأننا إذا أخطأنا في اعتبار التخطيط المتقدم على أنه تفكير حقيقي، فإننا نخاطر بتقييم قدرات الذكاء الاصطناعي بشكل مبالغ فيه.

طريق التفكير الحقيقي سيتطلب تقدمًا أساسيًا في المنطق الرمزي والتفكير السببي والتعكس الذاتي. حتى ذلك الحين، ستبقى النماذج اللغوية الكبيرة أدوات قوية لحل المشكلات المنظمة، ولكنها لن تتفكر حقًا بالطريقة التي يفكر بها البشر.