نهاية سلسلة الأفكار؟ يطرح باحثو CoreThink وجامعة كاليفورنيا تحولاً جوهرياً في منطق الذكاء الاصطناعي

لطالما كانت السباق في مجال الذكاء الاصطناعي حول النطاق. نماذج أكبر، المزيد من وحدات معالجة الرسومات، استجابات أطول. قادت OpenAI وAnthropic وGoogle الهجوم مع نماذج لغة كبيرة جدًا (LLMs)، وتحسين التعلم بالتعزيز، وتحفيز سلسلة الأفكار—تقنيات مصممة لتحاكي المنطق من خلال كتابة إجابات خطوة بخطوة.

لكن ورقة تقنية جديدة بعنوان CoreThink: طبقة منطق رمزي لمنطق المهام الطويلة مع LLMs من CoreThink AI وباحثي جامعة كاليفورنيا، تدعي أن هذا المنهج قد يصل إلى سقفه. يقدم المؤلفون ادعاءً مثيرًا للجدل: LLMs هي مولدات نصية إحصائية قوية، لكنها ليست محركات منطق. وسلسلة الأفكار، وهي الطريقة الأكثر استخدامًا لاقتراح خلاف ذلك، هي أكثر من مسرحية أداء من المنطق الحقيقي.

في الاستجابة، يقدم الفريق الرمزية العامة، طبقة منطق رمزي عصبي مصممة لتركيبها في النماذج الحالية. تظهر تقييماتهم تحسينات كبيرة عبر مجموعة واسعة من معايير المنطق—التي تحققت دون إعادة تدريب أو تكلفة إضافية لوحدات معالجة الرسومات. إذا تم التحقق منها، يمكن أن يشير هذا النهج إلى نقطة تحول في كيفية تصميم أنظمة الذكاء الاصطناعي للمنطق وصنع القرار.

ما هي سلسلة الأفكار — ولماذا تهمنا

سلسلة الأفكار (CoT) أصبحت واحدة من أكثر التقنيات شيوعًا في الذكاء الاصطناعي الحديث. من خلال طلب نموذج لكتابة خطوات المنطق قبل تقديم إجابة، وجد الباحثون أنهم يمكن أن يحسّنوا في كثير من الأحيان نتائج البenchmarks في مجالات مثل الرياضيات والبرمجة والتنظيم. على السطح، بدا الأمر وكأنه اختراق.

然而، يؤكد التقرير على حدود هذا النهج. قد تبدو تفسيرات CoT مقنعة، لكن الدراسات تظهر أنها في كثير من الأحيان غير مخلصة لما قام به النموذج بالفعل، مما يؤدي إلى تبرير الإخراج بعد الحقيقة بدلاً من الكشف عن المنطق الحقيقي. هذا يخلق مخاطر في العالم الحقيقي. في الطب، قد تخفي السرد المحتمل الاعتماد على علاقات غير صحيحة، مما يؤدي إلى تشخيصات خاطئة خطيرة. في القانون، قد تُعتبر الدوافع المزيفة كتفسيرات حقيقية، مما يهدد الإجراءات القانونية والمساءلة.

كما يسلط الورقة الضوء على عدم الكفاءة: سلسلة الأفكار غالبًا ما تنمو بشكل مفرط على المشاكل البسيطة، بينما تنهار في المنطق السطحي على المشاكل المعقدة. النتيجة هي هدر الحوسبة، وفي كثير من الحالات، دقة مخفضة. يخلص المؤلفون إلى أن سلسلة الأفكار “تؤدي أداءً، وليست آلية” —عرض سطحي يخلق وهمًا من القابلية للتفسير دون تقديمه.

الذكاء الاصطناعي الرمزي: من الأحلام المبكرة إلى النهضات الجديدة

ينادي نقد سلسلة الأفكار إلى النظر مرة أخرى في تاريخ الذكاء الاصطناعي الرمزي. في العقود الأولى، دارت أبحاث الذكاء الاصطناعي حول أنظمة قاعدية تحمل المعرفة في شكل منطقي صريح. حاولت أنظمة الخبراء مثل MYCIN تشخيص الأمراض من خلال تطبيق قواعد مصنعة، ونظام كشف الاحتيال يعتمد على مجموعات منطقية كبيرة لالتقاط الشذوذ.

الذكاء الاصطناعي الرمزي كان له نقاط قوة لا شك فيها: كل خطوة من خطوات المنطق كانت شفافة وقابلة للتتبع. لكن هذه الأنظمة كانت هشة. كان التشفير الذي يتطلب آلاف القواعد يتطلب عملاً هائلاً، واضطرت إلى مواجهة مواقف جديدة. جادل النقاد مثل هوبيرت دريفوس بأن الذكاء البشري يعتمد على معرفة سياقية خفية لا يمكن أن تُلتقطها أي مجموعة قواعد. بحلول التسعينيات، أفسحت الطرق الرمزية المجال للشبكات العصبية التي تعتمد على البيانات.

في السنوات الأخيرة، كان هناك جهد متجدد لدمج نقاط القوة من كلا العالمين من خلال الذكاء الاصطناعي العصبي الرمزي. الفكرة بسيطة: اسمح للشبكات العصبية بالتعامل مع الإدخالات الحسية المزعجة مثل الصور أو النص، بينما توفر الوحدات الرمزية منطقًا منظمًا وضمانات منطقية. لكن معظم هذه الهجينة عانت من مشاكل التكامل. كانت الهياكل الرمزية قاسية، بينما كانت الوحدات العصبية غالبًا ما تتعارض مع الاتساق. النتيجة كانت أنظمة معقدة وثقيلة فشلت في تقديم القابلية للتفسير المpromised.

الرمزية العامة: طبقة منطق جديدة

يهدف مُحسّن الرمزي العام (GSR) من CoreThink إلى التغلب على هذه القيود من خلال نهج مختلف. بدلاً من ترجمة اللغة إلى هياكل صارمة أو تمثيلات عالية الأبعاد، يعمل GSR بالكامل داخل اللغة الطبيعية نفسها. كل خطوة من خطوات المنطق يتم التعبير عنها بكلمات، مما يضمن الحفاظ على السياق وال细ية والوضعية. هذا يعني أن الفروقات مثل “يجب” مقابل “ينبغي” يتم نقلها خلال عملية المنطق، بدلاً من التبسيط.

يعمل الإطار من خلال تحليل الإدخالات باللغة الطبيعية، وتطبيق القيود المنطقية من خلال التحويلات اللغوية، وإنتاج مسارات منطقية حرفية تظل قابلة للقراءة بالكامل من قبل الإنسان. عندما تظهر التناقضات أو الأخطاء، يتم إظهارها مباشرة في مسار المنطق، مما يسمح بالشفافية وتصحيح الأخطاء. لتظل فعالة، تقوم النظام بتقليم الخطوات غير الضرورية، مما يسمح بالمنطق المستقر على المدى الطويل دون الحاجة إلى توسيع وحدات معالجة الرسومات.

نظرًا لأنها تعمل كطبقة بدلاً من الحاجة إلى إعادة التدريب، يمكن تطبيق GSR على نماذج قاعدة موجودة. في التقييمات، قدم باستمرار تحسينات في الدقة بين 30 و60 في المائة عبر مهام المنطق، كل ذلك دون زيادة تكاليف التدريب.

نتائج البنچمارك

تُظهر التحسينات بشكل أفضل من خلال البنچمارك. على LiveCodeBench v6، الذي يقيّم مشاكل البرمجة من الدرجة الأولى، حقق CoreThink نسبة نجاح 66.6 في المائة—أعلى بكثير من النماذج الرائدة في فئته. في SWE-Bench Lite، وهو بنچمارك لتصحيح الأخطاء في العالم الحقيقي من مستودعات GitHub، وصل النظام إلى دقة 62.3 في المائة، وهو أعلى نتيجة تم الإبلاغ عنها. وعلى ARC-AGI-2، أحد اختبارات المنطق المجرد الأكثر صعوبة، سجل 24.4 في المائة، متجاوزًا نماذج الطليعة مثل Claude وGemini، التي لا تزال أقل من 6 في المائة.

تُظهر هذه الأرقام أكثر من دقة خام. في دراسات الحالة المفصلة، قامت الطبقة الرمزية بتمكين النماذج من التصرف بشكل مختلف. في ColumnTransformer من scikit-learn، على سبيل المثال، اقترح نموذج أساسي تصحيحًا سطحيًا يخفي الخطأ. بينما حدد نظام CoreThink المُحسّن المشكلة الأساسية في التزامن وجريًا شاملاً. على تحدي LeetCode الصعب، تطبيق نموذج قاعدي خاطئًا البرمجة الديناميكية وفشل تمامًا، بينما قامت الطبقة الرمزية بتصحيح تمثيل الحالة الخاطئة وإنتاج حل يعمل.

كيف يناسب في نهضة الرمزية

ينضم العام الرمزي إلى حركة متزايدة من المحاولات لإعادة إدخال البنية إلى منطق الذكاء الاصطناعي. أظهر الذكاء الاصطناعي الرمزي الكلاسيكي قيمة الشفافية، لكنه لم يتمكن من التكيف مع الابتكارات. الهجينة العصبية الرمزية التقليدية وعدت بالتوازن، لكنها غالبًا ما أصبحت معقدة. مكدسات التخطيط التي أضافت البحث إلى LLMs قدمت أملًا مبكرًا، لكنها انهارت تحت التعقيد مع تصاعد المهام.

تشير التطورات الحديثة إلى إمكانية الهجينة الجديدة. على سبيل المثال، أظهر AlphaGeometry من DeepMind أن الهياكل الرمزية يمكن أن تتفوق على نماذج الشبكات العصبية النقية في مشاكل الهندسة. يمتد نهج CoreThink إلى هذا الاتجاه. في трубة ARC-AGI، يتم دمج الكشف عن الكائنات الحتمية والتنميط الرمزي مع التنفيذ العصبي، مما ينتج نتائج بعيدة جدًا عن تلك التي تنتجها أنظمة LLM فقط.

الفرق الرئيسي هو أن الرمزية العامة لا تعتمد على المنطق الصارم أو إعادة التدريب الضخمة. من خلال المنطق مباشرة في اللغة، يظل مرنًا مع الحفاظ على القابلية للتفسير. هذا يجعلها أخف من الهجينة السابقة، وبالتالي عملية للتكامل في التطبيقات التجارية.

لماذا يهم

إذا كانت سلسلة الأفكار وهمية من المنطق، فإن صناعة الذكاء الاصطناعي تواجه تحديًا حاسمًا. لا يمكن للشركات أن تعتمد على أنظمة تظهر فقط أنها تُreason، خاصة في البيئات عالية المخاطر مثل الطب والقانون والمالية. يُشير الورقة إلى أن التقدم الحقيقي سيأتي ليس من توسيع النماذج بشكل أكبر، ولكن من إعادة التفكير في أسس المنطق نفسها.

الرمزية العامة هي واحدة من هذه الأسس. تقدم طبقة خفيفة وقابلة للتفسير يمكن أن تعزز النماذج الحالية دون الحاجة إلى إعادة التدريب، مما ينتج تحسينات حقيقية في المنطق بدلاً من السرد السطحي.对于 المجتمع الأوسع للذكاء الاصطناعي، يُشير إلى تحول ممكن في النموذج: عودة المنطق الرمزي، ليس ك مجموعات قواعد هشة، ولكن كشريك مرن للتعلم العصبي.

كما يقول المؤلفون: “لا نحتاج إلى إضافة المزيد من المعاملات لتحسين المنطق—نحتاج إلى إعادة التفكير في الأسس.”