التفكير مثل الإنسان: هل يمكن للذكاء الاصطناعي تطوير العقل التحليلي؟

عندما يواجه الإنسان شيء جديد ، فإنهم يلجأون تلقائيًا إلى المقارنات. قد يسمع طفل يتعلم عن الذرات أن الإلكترونات تدور حول النواة “مثل الكواكب التي تدور حول الشمس”. قد يقدم رجل أعمال شركته الناشئة على أنها “أوبر لتنظيف الحيوانات الأليفة”. قد يخبر عالم غير متخصص أن الدماغ يعالج المعلومات “مثل الكمبيوتر”.

هذا القفز الذهني – رؤية كيفية تشابه شيء مع آخر في هيكله العميق – يسمى التفكير التحليلي. وقد يكون هذا المكون هو ما يفصل بين الذكاء البشري والذكاء الاصطناعي في شكله الحالي. إذا كنا سنطور يومًا ما الذكاء الاصطناعي العام – الغاية الكبرى للذكاء الاصطناعي التي أثبتت أنها بعيدة المنال – يجب علينا أن نعرف ما إذا كان من الممكن للأجهزة أن تتعلم التفكير بشكل تحليلي. لا يمكن أن تكون المراهنة أعلى. إذا كان الجواب “لا” ، thì حتى الأنظمة الذكية الأكثر تطورًا ستبقى دائمًا مجرد حواسيب محسنة. لن تكون قادرة على حل المشكلات التي تتطلب أكثر من إعادة ترتيب البيانات التي تم تدريبها عليها.

هيكل الفهم

يعمل التفكير التحليلي على مستوى التشابهات الهيكلية ، وليس السطحية. على سبيل المثال ، ما يجعل القلوب والصمامات المائية متشابهة؟ بالتأكيد ليس مظهرها الخارجي. إنها الحقيقة التي تؤدي كلاهما نفس الوظيفة ، وهي دوران السوائل عبر النظام. وبالضبط هذه القدرة على رسم العلاقات النموذجية في سياق إلى سياق آخر هي ما يجعل التعلم البشري والإبداع وحل المشكلات فريدًا.

هناك الكثير من الأمثلة الواقعية. خذ على سبيل المثال أوغست كيكولي ، الكيميائي الألماني الممتاز ، الذي تلقى تلميحًا عن بنية البنزن في شكل حلم رأى فيه ثعبانًا يلدغ ذيله. اليوم ، يطبق المبرمجون دروسًا من تنظيم المطبخ عند هيكلة الشفرة ، ويشرح المعلمون التيار الكهربائي بمقارنته بمياه تتدفق عبر الأنابيب.

然而 ، الأنظمة الحالية للذكاء الاصطناعي تجد هذه القدرة المعرفية الشائعة صعبة للغاية. عندما يُطلب منهم ، فإن النماذج اللغوية الكبيرة الحديثة (LLM) سعيدة لشرح لماذا “الزمن هو المال” ، أو لإكمال ألعاب المنطق اللفظي. ولكن الأدلة المتزايدة تشير إلى أنها غالبًا ما تشارك في مطابقة الأنماط المتقدمة ، بدلاً من رسم هيكلي حقيقي. عندما يقدم الباحثون هذه النماذج لمشكلات تحليلية جديدة لا تتوافق مع بيانات التدريب ، غالبًا ما ينهار الأداء. هذا لأن LLM تتميز بتحسين التماثل الذي رأته من قبل ، ولكنها تتعثر عندما تُطلب منها إنشاء روابط جديدة.

لا تفكير تحليلي ، لا ذكاء اصطناعي عام

من الواضح أن التفكير التحليلي هو الشرط الأهم للذكاء الاصطناعي العام. بدون ذلك ، تبقى أنظمة الذكاء الاصطناعي هشة ، غير قادرة على تعميم المعرفة التي تنطبق في مجال إلى حل مشكلات في مجال آخر. على سبيل المثال ، تخيل سيارة ذاتية القيادة تعلمت التنقل في شوارع كاليفورنيا الشمسية ولكنها لا تستطيع استخلاص ذلك التعلم لتحديد مواقف الثلج. نظام الذكاء الاصطناعي للسيارة هو مجرد مطابقة أنماط باهظة الثمن ، وليس نظامًا قادرًا على ذكاء حقيقي. سيتطلب الذكاء الحقيقي المرونة المعرفية للاعتراف بأن القيادة على الطرق الجليدية مشابهة هيكليًا لسيناريوهات السطوح الزلقة الأخرى ، حتى لو كانت التفاصيل مختلفة.

تنطبق نفس المبدأ على المجالات الأخرى أيضًا. يدفع التفكير التحليلي أيضًا التقدم في العلوم والتشخيص الطبي والمنطق القانوني والإبداع. الأنظمة الذكية بدون هذه القدرة تشبه عالمًا谁 حفظ مكتبة كاملة ولكن لا يستطيع دمج تلك المعرفة عبر التخصصات. مهيب ، نعم ، ولكن فقط بطريقة محدودة للغاية.

بناء العقل التحليلي

ماذا سيتطلب تطوير أنظمة ذكاء اصطناعي قادرة على التفكير التحليلي البشري؟ بناءً على الأبحاث الناشئة وطبيعة التفكير التحليلي ، يبدو أن هناك شروطًا وأساليب معينة ضرورية.

بيانات تدريب غنية هيكليًا ومتنوعة

المتطلب الأول هو أن يتم تدريب أنظمة الذكاء الاصطناعي على بيانات تتجاوز الأنماط النصية السطحية. الإنترنت ، مع مخازنه الكبيرة من الأوراق العلمية والوثائق الفنية والمحتوى التفسيري ، هو نقطة انطلاق جيدة. لكن ليس أي بيانات إنترنت سوف تفعل. ما هو مطلوب هو تنوع هيكلي. بعبارة أخرى ، لتوجيه أنظمة الذكاء الاصطناعي نحو تعلم التعرف على الأنماط المجردة ، يجب على المطورين البدء في تعريضهم للتناقضات من اليوم الأول للتدريب. يمكن أن تحتوي بيانات التدريب على مخططات معمارية إلى جانب نوتات موسيقية ، أو براهين رياضية مع شعر ، أو حجج قانونية إلى جانب وصفات طهي. منذ أن تمثل كل مجال هيكلات علاقة مختلفة ، فإن نظام الذكاء الاصطناعي العام سوف يستفيد من هذا النوع من التمرين.

ما هو أكثر أهمية ، أن هذه البيانات تحتاج إلى الحفاظ على العلاقات الهيكلية وتسليط الضوء عليها ، وليس فقط الارتباطات الإحصائية. الرسومات المعرفية والرسومات السببية والعلاقات المحددة明确 بين المفاهيم يمكن أن تساعد أنظمة الذكاء الاصطناعي على تعلم “رؤية” الهيكل بدلاً من تذكر الارتباطات آليًا. فكر في تعليم الذكاء الاصطناعي ليس فقط ما هي الأشياء ، ولكن كيف ترتبط ببعضها البعض بطرق مبدأية.

اختبار ما وراء مجموعة التدريب

لضمان أن أنظمة الذكاء الاصطناعي تتعلم التفكير التحليلي ، وليس مجرد تحسين مهارات التقليد ، نحن بحاجة إلى أدوات تختبر عمدًا قدرتهم على رسم الهيكل على مواقف لم يواجهوها من قبل. وهذا يعني بناء مهام اختبار متعمدة التي تختلف عن أي شيء قد يظهر في بيانات التدريب – ما يسميه الباحثون مهام “عكسية” .

على سبيل المثال ، بدلاً من طلب من الذكاء الاصطناعي إكمال تماثلات قياسية مثل “الجرو هو للكلب مثل القططة لل ____” ، قد نقدم له مشكلات تستخدم مفاهيم مخترعة أو نسأله عن رسم العلاقات بين المجالات التي لم يرها متصلة من قبل. هل يمكنه أن يتعرف على أن العلاقة بين المكونات والوصفة تتوازى مع العلاقة بين الأدلة والحجة القانونية ، حتى لو لم ير هذا المقارنة المحددة من قبل؟ هذه الاختبارات سوف تكشف عما إذا كان النظام يفهم الهيكل الكامن أو مجرد تذكر الأمثلة المماثلة.

قياس ما يهم

الخبر السار لمطوري الذكاء الاصطناعي هو أن هناك قيمة عقود من الأبحاث في العلوم المعرفية التي تتعامل بشكل خاص مع كيفية معالجة البشر للتماثلات. يمكنهم استخدام هذه الأبحاث لتطوير معايير قوية للتفكير التحليلي. ومع ذلك ، يجب أن تتجاوز هذه المعايير ببساطة حساب الإجابات الصحيحة على اختبارات التماثل. ما هو مطلوب حقًا هو مقاييس تقيس ما إذا كان أنظمة الذكاء الاصطناعي يمكنها تحديد العلاقات ذات الصلة لرسمها ، مع تجاهل التشابهات السطحية والحفاظ على الاتساق عبر رسوماتها.

قد يتضمن ذلك أنظمة تسجيل تُكافئ تحديد العلاقات من الدرجة العالية. على سبيل المثال ، سوف يُمنح الذكاء الاصطناعي درجة أعلى إذا كان يمكنه ليس فقط التعرف على أن الذرات والأنظمة الشمسية تتضمن كلاهما دورانًا ، ولكن أيضًا فهم العلاقات السببية التي تحكم تلك الدورات. ومن الشروط الأخرى التي يمكن تقييمها هي ما إذا كان الذكاء الاصطناعي يمكنه توليد تماثلات مناسبة لشرح مفاهيم جديدة ، وليس فقط إكمال مشكلات تماثل مهيأة مسبقًا.

دعم التوجيه

تشير الأبحاث الحديثة إلى أن قدرة الذكاء الاصطناعي على التفكير التحليلي تعتمد إلى حد كبير على كيفية طلبه. التوجيه التحليلي – توجيه النماذج بشكل صريح من خلال عملية الرسم الهيكلي – يمكن أن يثير التفكير الأكثر تطورًا من مجرد تقديم المشكلات باردة. قد يتضمن ذلك أولاً سؤال النظام عن تحديد العلاقات في مجال المصدر ، ثم طلب منه بشكل صريح رسم تلك العلاقات على مجال الهدف.

يمكن أن تخدم هذه التقنية غرضين مزدوجين: تحسين قدرات الذكاء الاصطناعي الحالية على التفكير التحليلي ، وتوليد بيانات تدريب لأنظمة مستقبلية. من خلال تسجيل الحالات الناجحة للتفكير التحليلي الموجه ، يمكن إنشاء أمثلة يمكن تعليم أنظمة لاحقة من خلالها على هذه العملية بشكل أكثر طبيعية.

هياكل هجينة

الوصول إلى التفكير التحليلي البشري قد يتطلب التحرك بعيدًا عن المناهج القائمة على الشبكات العصبية النقية. يمكن أن توفر الأنظمة الهجينة التي تجمع بين التعرف على الأنماط والمنطق الرمزي – تمثيل العلاقات الهيكلية وتحويلها بشكل صريح – القطعة المفقودة. بينما تتميز الشبكات العصبية بتعلم الأنماط الضمنية ، يمكن للأنظمة الرمزية أنفرض الاتساق الهيكلي والخريطة المنطقية التي يتطلبها التفكير التحليلي.

الأنظمة الهجينة لا تزال في مرحلة الطفولة ، ولكن الباحثون يبحثون بنشاط إمكانياتها. بعضهم يجادل لدمج الشبكات العصبية مع المنطق الرمزي الذي قد يؤدي إلى تعزيز القدرات التحليلية. آخرون يروجون لنمذجة هجينة مبنية للتعامل مع عادة نماذج الذكاء الاصطناعي للاختراع والتفكير التحليلي بشكل سطحي.

أين بعد؟

اعتمادًا على من تسأل ، فإن التفكير التحليلي هو إما بالفعل ظاهر أو أنظمة الذكاء الاصطناعي تصبح أكثر تطورًا في التقليد. مهما كانت الوضع ، من الواضح أن ، إذا كان حلم الذكاء الاصطناعي العام سيُحقق ، فسوف يتطلب أكثر من مجرد نماذج أكبر أو أكثر من البيانات. سوف يتطلب بعض الابتكارات الأساسية في كيفية هيكلة وتدريب وتقييم أنظمتنا للذكاء الاصطناعي.

随着 تقدم قدرات الذكاء الاصطناعي التحويلية ، يأتي التفكير التحليلي ليمثل معيارًا حاسمًا للأداء وتنبيهًا مخيفًا للفجوة بين قدرات الذكاء الاصطناعي الحالية والتفكير البشري الحقيقي. عندما يمكن لنظام الذكاء الاصطناعي رؤية أن الديمقراطية هي للمواطنين ما الفرقة للموسيقيين – الاعتراف بالعلاقات الهيكلية العميقة بدلاً من الميزات السطحية حول التنسيق والتمثيل والتناغم الناشئ – سوف يكون قد عبر عتبة حاسمة نحو الذكاء الحقيقي.