التفكير مثل الإنسان: هل يمكن للذكاء الاصطناعي تطوير الاستدلال التناظري؟

عندما يواجه الإنسان شيئًا جديدًا، يلجأ بnature إلى المقارنات. قد يسمع طفل يتعلم عن الذرات أن الإلكترونات تدور حول النواة “مثل الكواكب التي تدور حول الشمس”. قد يقدم رجل أعمال فكرته عن شركة ناشئة على أنها “أوبر لتنظيف الحيوانات الأليفة”. قد يخبر عالم غير متخصص أن الدماغ يعالج المعلومات “مثل الكمبيوتر”.

هذا القفز الذهني – رؤية كيف تشبه شيئين بعضهما البعض في بنيته العميقة – يسمى الاستدلال التناظري. وقد يكون هذا المكون هو ما يفصل بين الذكاء البشري والذكاء الاصطناعي في شكله الحالي. إذا كنا سنطور الذكاء الاصطناعي العام – الغاية الكبرى للذكاء الاصطناعي التي أثبتت أنها مراوغة حتى الآن – يجب علينا أن نعرف ما إذا كان من الممكن للأجهزة أن تتعلم التفكير بشكل تناظري. لا يمكن أن تكون المراهنات أعلى. إذا كان الجواب “لا”، فإن حتى أنظمة الذكاء الاصطناعي 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 الاستدلال التناظري على مستوى التشابهات الهيكلية، بدلاً من التشابهات السطحية. على سبيل المثال، ما يجعل القلوب ومضخات المياه متشابهة؟ بالتأكيد ليس مظهرها المادي. إنها حقيقة أن كلاهما يؤديان 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.

لا يوجد نقص في الأمثلة الواقعية. khwaz August Kekulé، الكيميائي الألماني المذهل، الذي تلقى تلميحًا عن بنية البنزين في شكل حلم رأى فيه ثعبانًا يعض ذيله. اليوم، يطبق المبرمجون دروسًا من تنظيم المطبخ عند هيكلة الشفرة، ويشرح المعلمون التيار الكهربائي من خلال مقارنته بالمياه التي تتدفق عبر الأنابيب.

然而، تعثر أنظمة الذكاء الاصطناعي الحالية على هذه المهارة المعرفية الشائعة. عندما يُطلب منهم، يكون نماذج اللغة الكبيرة الحديثة (LLM) أكثر من سعادة لشرح لماذا “الوقت هو المال”، أو لإكمال ألعاب المنطق الكلامي. ولكن يُظهر الدليل المتزايد أنهم يشاركون غالبًا في مطابقة الأنماط المتقدمة، بدلاً من رسم هيكلي حقيقي. عندما يقدم الباحثون لهذه النماذج مشكلات تناظرية جديدة لا تتوافق مع بيانات التدريب، غالبًا ما تنخفض الأداء. هذا لأن LLM تتفوق في إعادة إنتاج التناظرات التي رأوها من قبل، ولكنها تعثرت عندما طُلب منها صياغة وصلات جديدة.

لا استدلال تناظري، لا ذكاء اصطناعي عام

من الواضح، الاستدلال التناظري هو شرط مسبق ضروري للذكاء الاصطناعي العام. بدون ذلك، تبقى أنظمة الذكاء الاصطناعي هشة، غير قادرة على التكيف مع المعرفة التي تهم في مجال واحد لحل مشكلات في مجال آخر. على سبيل المثال، تخيل سيارة ذاتية القيادة تعلمت التنقل في شوارع كاليفورنيا الشمسية، لكنها لا تستطيع الاستدلال من ذلك التعلم لتحمل ظروف الثلج. نظام الذكاء الاصطناعي للسيارة هو مجرد مطابقة أنماط باهظة الثمن، وليس نظامًا قادرًا على الذكاء الحقيقي. الذكاء الحقيقي سيتطلب المرونة المعرفية للاعتراف بأن القيادة على الطرق الجليدية تشبه هيكليًا سيناريوهات السطوح الانزلاقية الأخرى، حتى لو تختلف التفاصيل.

ينطبق نفس المبدأ على المجالات الأخرى غير السيارات ذاتية القيادة، بالطبع. ي驱ّف التفكير التناظري أيضًا التقدم في العلوم، والتشخيص الطبي، والمنطق القانوني، والمشاريع الإبداعية. أنظمة الذكاء الاصطناعي بدون هذه القدرة تشبه عالمًا حفظ مكتبة كاملة، لكنه لا يستطيع تحويل تلك المعرفة عبر التخصصات. مثير للإعجاب، نعم، ولكن فقط بطريقة محدودة للغاية.

بناء العقل التناظري

إذاً، ماذا سيتطلب تطوير أنظمة ذكاء اصطناعي قادرة على الاستدلال التناظري مثل البشر؟ بناءً على الأبحاث الناشئة وطبيعة التفكير التناظري الأساسية، يبدو أن هناك شروطًا وتقنيات حرجة ضرورية.

بيانات تدريب غنية وهيكلية ومتنوعة

المتطلب الأول هو أن يتم تدريب أنظمة الذكاء الاصطناعي على بيانات تتجاوز الأنماط النصية السطحية. الإنترنت، مع مخازنه الواسعة من الأوراق العلمية والوثائق الفنية والمحتوى التفسيري، هو نقطة انطلاق جيدة. لكن ليس أي بيانات إنترنت سوف تفعل. ما هو مطلوب هو التنوع الهيكلي. 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 تتميز بيانات التدريب بالخرائط المعمارية إلى جانب النوتات الموسيقية، والبراهين الرياضية مع الشعر، أو الحجج القانونية إلى جانب وصفات الطهي.

من المهم أكثر أن هذه البيانات تحتفظ وتبرز العلاقات الهيكلية، وليس فقط الارتباطات الإحصائية. يمكن أن تساعد الرسومات المعرفية والرسوم التسببية والخريطة الصريحة للعلاقات بين المفاهيم 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

لتأكيد أن أنظمة الذكاء الاصطناعي تتعلم التفكير بشكل تناظري، وليس مجرد تحسين مهارات التقليد، نحن بحاجة إلى أدوات تتحقق عمدًا من قدرتهم على رسم الهيكل على مواقف لم يواجهوها من قبل. هذا يتضمن بناء مشاكل اختبار متعمدة التي تختلف عن أي شيء قد يظهر في بيانات التدريب – ما يسميه الباحثون “مهمات مضادة للواقع”.

على سبيل المثال، بدلاً من طلب من الذكاء الاصطناعي إكمال تناظرات قياسية مثل “الجرو هو للكلب مثل القطاة للقطة”، قد نقدم له مشاكل تستخدم مفاهيم مخترعة أو نسأله 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 يتعرض لذلك المقارنة المحددة؟ ستكشف هذه الاختبارات عما إذا كان النظام يفهم الهياكل الكامنة أو مجرد تذكر أمثلة متشابهة.

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 التناظرات. يمكنهم استخدام هذه الأبحاث لتطوير معايير قوية للاستدلال التناظري. ومع ذلك، يجب أن تتجاوز هذه المعايير ببساطة حساب الإجابات الصحيحة على اختبارات التناظر. ما هو ضروري حقًا هو معايير تحدد ما إذا كان أنظمة الذكاء الاصطناعي يمكنها تحديد العلاقات ذات الصلة لرسمها، مع تجاهل التشابهات السطحية والحفاظ على الاتساق عبر مساهماتها.

قد يتضمن ذلك أنظمة تقييم تُكافئ تحديد العلاقات من الدرجة العالية. على سبيل المثال، سيكون للذكاء الاصطناعي درجة أعلى إذا كان يمكنه ليس فقط التعرف على أن الذرات والنظم الشمسية تتضمن كلاهما دورانًا، ولكن أيضًا فهم العلاقات السببية التي تحكم تلك المدارات. يمكن تقييم قدرة أخرى على توليد تناظرات مناسبة لشرح مفاهيم جديدة بشكل تلقائي، وليس فقط إكمال مشاكل التناظر المحددة مسبقًا.

الدعم من خلال التوجيه

تشير الأبحاث الحديثة إلى أن قدرة الذكاء الاصطناعي على التفكير بشكل تناظري تعتمد إلى حد كبير على كيفية طلبه للقيام بذلك. التوجيه التناظري – توجيه النماذج بشكل صريح من خلال عملية رسم الهيكل – يمكن أن يثير تفكيرًا أكثر تطورًا من مجرد تقديم المشاكل باردة. قد يتضمن ذلك أولاً سؤال النظام عن تحديد العلاقات في مجال المصدر، ثم الطلب منه بشكل صريح رسم تلك العلاقات على مجال الهدف.

يمكن أن تخدم هذه التقنية غرضين مزدوجين: تحسين قدرات الذكاء الاصطناعي الحالية في التفكير التناظري، بالإضافة إلى توليد بيانات تدريب لأنظمة مستقبلية. من خلال تسجيل الحالات الناجحة من التفكير التناظري الموجه، يمكن إنشاء أمثلة يمكن تعليم أنظمة لاحقة على المشاركة في هذا العملية بطريقة أكثر طبيعية.

هياكل هجينة

الوصول إلى التفكير التناظري مثل البشر قد يتطلب الانتقال بعيدًا عن نهج 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 تتفوق الشبكات العصبية في تعلم الأنماط الضمنية، يمكن للأنظمة الرمزية أن تفرض الاتساق الهيكلي والخريطة المنطقية التي يتطلبها الاستدلال التناظري.

الأنظمة الهجينة لا تزال في مرحلة الطفولة، لكن الباحثين ي探ون إمكانياتها بنشاط. يجادل بعضهم، على سبيل المثال، لمزج الشبكات العصبية مع المنطق الرمزي الذي قد يؤدي إلى تحسين القدرات التناظرية. يروج آخرون لنمذجة هجينة مبنية على معالجة الذكاء الاصطناعي لتendency إلى الخيال والتفكير بشكل تناظري على نحو سطحي.

إلى أين بعد ذلك؟

اعتمادًا على من تسأل، الاستدلال التناظري إما أنه ي出现 بالفعل أو أنظمة الذكاء الاصطناعي تصبح أكثر تطورًا في التقليد. مهما كانت الحقيقة أقرب إلى الصواب، من الواضح أن تحقيق حلم الذكاء الاصطناعي العام سيتطلب أكثر من مجرد نماذج أكبر أو更多 البيانات. سيتطلب أيضًا بعض الابتكارات الأساسية في كيفية هيكلة أنظمة الذكاء الاصطناعي، ومدريبتهم، وتقييمهم.

كما تتحقق قدرات الذكاء الاصطناعي التحويلية، يأتي الاستدلال التناظري لتمثيل معيار أداء حرج وذكريات محذرة للفجوة بين قدرات الذكاء الاصطناعي الحالية والتفكير البشري الحقيقي. عندما يكون نظام الذكاء الاصطناعي قادرًا على رؤية أن الديمقراطية هي للمواطنين ما الفرقة هي للموسيقيين – التعرف على العلاقات الهيكلية العميقة، وليس الميزات السطحية – سيكون قد عبر عتبة حاسمة نحو الذكاء الحقيقي.