قادة الفكر

التفكير مثل البشر: هل يستطيع الذكاء الاصطناعي تطوير الاستدلال بالقياس؟

Gediminas Rickevičius
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةالاستدلال القياسي يتطلب تعيين العلاقات الهيكلية وليس الأنماط السطحية.
عرض المزيد
  • الاستدلال القياسي يتطلب تعيين العلاقات الهيكلية وليس الأنماط السطحية.
  • غالبًا ما تفشل أنظمة الذكاء الاصطناعي الحالية في اختبارات القياس الجديدة مما يكشف عن مجرد مطابقة الأنماط.
  • قد تكون البنى الهجينة العصبية-الرمزية ضرورية للاستدلال القياسي الحقيقي.

عندما يواجه البشر شيئًا جديدًا، يلجؤون غريزيًا إلى المقارنات. فقد يسمع طفل يتعلم عن الذرات أن الإلكترونات تدور حول النواة «مثلما تدور الكواكب حول الشمس». وقد يقدّم رائد أعمال شركته الناشئة بوصفها «أوبر للعناية بالحيوانات الأليفة». وقد يشرح عالم لجمهور غير متخصص أن الدماغ يعالج المعلومات «مثل الحاسوب».

تُسمّى هذه القفزة الذهنية، أي رؤية التشابه بين شيئين في بنيتهما العميقة، الاستدلال بالقياس. وقد تكون العنصر الذي يفصل الذكاء البشري عن الذكاء الاصطناعي بصورته الحالية. وإذا أردنا يومًا تطوير الذكاء الاصطناعي العام، تلك الغاية المنشودة للذكاء الاصطناعي التي ظلّت بعيدة المنال، فعلينا معرفة ما إذا كان بإمكان الآلات أصلًا تعلّم التفكير بالقياس. ولا يمكن المبالغة في أهمية ذلك. فإذا كان الجواب «لا»، فستظل حتى أكثر الأنظمة تطورًا إلى الأبد مجرد آلات حاسبة متقدمة، عاجزة عن حل مسائل تتطلب أكثر من إعادة ترتيب البيانات التي تدربت عليها.

بنية الفهم

يعمل الاستدلال بالقياس على مستوى التشابه البنيوي، لا السطحي. فما الذي يجمع القلب ومضخة الماء؟ ليس مظهرهما بالتأكيد، بل أداؤهما الوظيفة نفسها تمامًا: تدوير سائل داخل نظام. وهذه القدرة على نقل العلاقات المميزة لسياق ما إلى سياق آخر هي ما يمنح التعلم البشري والإبداع وحل المشكلات طابعها الفريد.

والأمثلة الواقعية كثيرة. فقد تلقّى الكيميائي الألماني اللامع أوغست كيكوله تلميحًا عن بنية البنزين من خلال حلم رأى فيه ثعبانًا يعض ذيله. واليوم يطبق المبرمجون دروس تنظيم المطبخ عند تنظيم الشيفرة، ويشرح المعلمون التيار الكهربائي بتشبيهه بالماء المتدفق في الأنابيب.

لكن أنظمة الذكاء الاصطناعي الحالية تجد هذه المهارة المعرفية الشائعة صعبة جدًا. فالنماذج اللغوية الكبيرة الحديثة تشرح بسرور، إذا طُلب منها، لماذا «الوقت مال»، أو تحل ألغاز الاستدلال اللفظي. غير أن الأدلة المتزايدة تشير إلى أنها غالبًا تمارس مطابقة متقدمة للأنماط، لا مواءمة بنيوية حقيقية. وحين يقدم الباحثون مسائل قياسية جديدة تختلف عن بيانات التدريب، يهبط الأداء غالبًا بشدة. فهذه النماذج تتقن تكرار القياسات التي سبق أن رأتها، لكنها تتعثر حين يُطلب منها بناء روابط جديدة.

لا ذكاء اصطناعي عام بلا استدلال بالقياس

من الواضح أن الاستدلال بالقياس هو شرط لا غنى عنه للذكاء الاصطناعي العام. فبدونه تظل الأنظمة هشة، عاجزة عن تكييف معرفة مفيدة في مجال لحل مسائل في مجال آخر. تخيل سيارة ذاتية القيادة تعلمت السير في شوارع كاليفورنيا المشمسة، لكنها لا تستطيع تعميم ما تعلمته للتعامل مع الثلوج. إن نظامها ليس ذكاءً حقيقيًا، بل أداة باهظة الثمن لمطابقة الأنماط. ويتطلب الذكاء الحقيقي مرونة معرفية تدرك أن القيادة على طرق جليدية تشبه بنيويًا حالات أخرى من التعامل مع أسطح زلقة، حتى لو اختلفت التفاصيل.

وينطبق المبدأ نفسه بالطبع خارج المركبات الذاتية أيضًا. فالتفكير بالقياس يدفع التقدم في العلوم والتشخيص الطبي والاستدلال القانوني والعمل الإبداعي. ومن دونه يشبه النظام عالمًا حفظ مكتبة كاملة لكنه يعجز عن تركيب معرفتها عبر التخصصات. إنه مثير للإعجاب، ولكن ضمن نطاق ضيق فقط.

بناء عقل يستدل بالقياس

ما الذي يتطلبه تطوير أنظمة قادرة على الاستدلال بالقياس على نحو بشري؟ بناءً على الأبحاث الناشئة وطبيعة هذا التفكير الأساسية، تبدو عدة شروط وأساليب حاسمة ضرورية.

بيانات تدريب غنية بنيويًا ومتنوعة

الشرط الأول تدريب الأنظمة على بيانات تتجاوز الأنماط النصية السطحية. والإنترنت بما يحويه من أبحاث ووثائق تقنية وأعمال إبداعية ومحتوى تفسيري نقطة انطلاق جيدة، لكن ليست أي بيانات متاحة عليه مناسبة. المطلوب هو التنوع البنيوي. ولتوجيه الأنظمة نحو إدراك الأنماط المجردة، ينبغي تعريضها للمقابلات بين أشياء مختلفة منذ اليوم الأول للتدريب. يمكن الجمع بين المخططات المعمارية والنوتات الموسيقية، أو البراهين الرياضية والشعر، أو الحجج القانونية ووصفات الطبخ. ولكل مجال أنماط مختلفة من العلاقات، ما يفيد النظام المرشح لأن يصبح ذكاءً اصطناعيًا عامًا.

والأهم أن تحفظ البيانات العلاقات البنيوية وتبرزها، لا الارتباطات الإحصائية وحدها. فقد تساعد الرسوم البيانية المعرفية والمخططات السببية والعلاقات المرسومة صراحة بين المفاهيم الأنظمة على «رؤية» البنية بدل حفظ الروابط آليًا. كأننا لا نعلّم الذكاء الاصطناعي ماهية الأشياء فقط، بل المبادئ التي تحكم علاقاتها بعضها ببعض.

اختبار يتجاوز مجموعة التدريب

للتأكد من تعلّم الاستدلال بالقياس لا مجرد تحسين التقليد، نحتاج أدوات تختبر عمدًا القدرة على مواءمة البنية مع مواقف لم يسبق للنظام مواجهتها. ويتطلب ذلك مسائل تختلف عمدًا عن أي شيء يُحتمل وجوده في بيانات التدريب، وهو ما يسميه الباحثون مهام «مضادة للواقع».

فبدل مطالبة النظام بإكمال قياس مألوف مثل «الجرو بالنسبة إلى الكلب كالهُريرة بالنسبة إلى ____»، يمكن تقديم مسائل بمفاهيم مخترعة، أو طلب مواءمة العلاقات بين مجالات لم يرها مرتبطة من قبل. هل يدرك أن علاقة المكونات بوصفة الطبخ تقابل علاقة الأدلة بالحجة القانونية، حتى إن لم يسبق أن صادف هذه المقارنة؟ تكشف الاختبارات إن كان يفهم البنية الكامنة أم يسترجع أمثلة مشابهة فحسب.

قياس ما يهم

الخبر السار للمطورين أن العلوم المعرفية تملك عقودًا من الأبحاث عن معالجة البشر للقياس. ويمكن الاستفادة منها لبناء اختبارات معيارية متينة، لكن يجب تجاوز عدّ الإجابات الصحيحة في اختبارات القياس. المطلوب مقاييس ترصد قدرة الأنظمة على تحديد العلاقات الجديرة بالمواءمة، مع تجاهل التشابهات السطحية والحفاظ على اتساق المواءمات.

قد تكافئ أنظمة التقييم إدراك العلاقات الأعلى رتبة. فمثلًا ينال النظام نقاطًا أكثر إذا لم يلاحظ فقط أن الذرات والأنظمة الشمسية تتضمن مدارات، بل فهم أيضًا العلاقات السببية التي تحكمها. ويمكن تقييم قدرته على توليد قياسات مناسبة تلقائيًا لشرح مفاهيم جديدة، لا مجرد إكمال مسائل قياس مهيكلة مسبقًا.

دعم الاستدلال بالموجّهات

تشير الأبحاث الحديثة إلى أن قدرة الذكاء الاصطناعي على التفكير بالقياس تعتمد بدرجة كبيرة على طريقة سؤاله. ويمكن أن يستثير التوجيه بالقياس، أي إرشاد النماذج صراحة خلال مواءمة البنى، استدلالًا أكثر تطورًا من تقديم المسائل دون تمهيد. فقد يُطلب أولًا تحديد علاقات المجال المصدر، ثم يُطلب بوضوح إسقاطها على المجال الهدف.

وقد تخدم التقنية غرضين: تحسين قدرات الأنظمة الحالية، وإنتاج بيانات تدريب للنماذج المقبلة. فتسجيل الحالات الناجحة من الاستدلال الموجّه بالقياس يوفّر أمثلة لتعليم الأنظمة اللاحقة تنفيذ العملية على نحو أكثر طبيعية.

بنى هجينة

قد يتطلب بلوغ استدلال بالقياس يشبه البشري تجاوز المناهج القائمة على الشبكات العصبية وحدها. وربما توفر الأنظمة الهجينة القطعة المفقودة بجمع التعرف على الأنماط مع الاستدلال الرمزي، الذي يمثّل العلاقات البنيوية ويعالجها صراحة. فالشبكات العصبية تتقن تعلّم الأنماط الضمنية، بينما تستطيع الأنظمة الرمزية فرض الاتساق البنيوي والمواءمة المنطقية اللازمين للقياس.

لا تزال البنى الهجينة في مهدها، لكن الباحثين يستكشفون إمكاناتها بنشاط. فبعضهم يدعو إلى الجمع بين الشبكات العصبية والاستدلال الرمزي، ما قد يعزز القدرة على القياس. وآخرون يروجون لنماذج هجينة تعالج ميل أنظمة الذكاء الاصطناعي إلى اختلاق المعلومات والتفكير بالقياس بصورة سطحية.

ما الخطوة التالية؟

بحسب من تسأل، إما أن الاستدلال بالقياس بدأ يظهر بالفعل، وإما أن الأنظمة تحسن التقليد فحسب. وأيًا كان الرأي الأقرب إلى الحقيقة، فإن تحقيق حلم الذكاء الاصطناعي العام يتطلب أكثر من نماذج أكبر أو بيانات إضافية. إنه يتطلب أيضًا ابتكارات أساسية في كيفية بناء الأنظمة وتدريبها وتقييمها.

ومع تكشّف قدرات الذكاء الاصطناعي التحويلية، يصبح الاستدلال بالقياس معيارًا حاسمًا للأداء وتذكيرًا يدعو إلى التروي بالفجوة بين القدرات الحالية والإدراك البشري الحقيقي. وعندما يدرك النظام أن علاقة الديمقراطية بالمواطنين تقابل علاقة الأوركسترا بالموسيقيين، فيرى العلاقات البنيوية العميقة للتنسيق والتمثيل والتناغم الناشئ لا السمات السطحية، يكون قد تجاوز عتبة مهمة نحو الذكاء الحقيقي.

لقد كان جيديميناس ريكيفيشيوس قوة نمو في شركات تكنولوجيا المعلومات والإعلان واللوجستيات الرائدة في السوق حول العالم لمدة تزيد عن 13 عامًا. وقد غير من النهج التقليدي لتطوير الأعمال والمبيعات من خلال دمج البيانات الكبيرة في اتخاذ القرارات الاستراتيجية. كما أنه يتابع مهمته لتمكين الشركات من حلول جمع البيانات العامة على الويب المتقدمة بصفته نائب الرئيس الأول للشراكات العالمية في Oxylabs.