عندما يجعلك التفكير أكثر يصبح الذكاء الاصطناعي أقل ذكاء: معضلة التوسع العكسي

تم بناء الذكاء الاصطناعي على فكرة أن منح الآلات مزيدًا من الوقت والبيانات والقدرة الحاسوبية يعزز أدائها. وقد أرشدت هذه العقيدة اتجاه البحث والتطوير في مجال الذكاء الاصطناعي لسنوات عديدة. الفرضية الأساسية الكامنة وراء هذه العقيدة هي أن النماذج الأكبر والموارد الأكثر ستخلق أنظمة أكثر ذكاءً. ومع ذلك، بدأت الأبحاث الحديثة في التشكيك في هذا النهج. تم بناء نماذج اللغة الكبيرة، مثل سلسلة o1 من OpenAI، وClaude من Anthropic، وR1 من DeepSeek، لحل المشكلات خطوة خطوة، تمامًا مثل التفكير البشري. توقع الباحثون أن منح هذه النماذج مزيدًا من الوقت للتفكير والمعالجة سيعزز اتخاذ القرارات. ومع ذلك، تظهر الدراسات الجديدة أن العكس يمكن أن يحدث. عندما توفر هذه النماذج مزيدًا من الوقت للتفكير، فإنها في بعض الأحيان تؤدي أسوأ أداءً، خاصة في المهام البسيطة. يُعرف هذا التأثير بمعضلة التوسع العكسي. إنه ي挑ج العقيدة التي تقول إن القدرة الحاسوبية الأكبر والدقة دائمًا تؤدي إلى نتائج أفضل. هذه النتائج لها عواقب كبيرة على كيفية تصميم واستخدام الذكاء الاصطناعي في الحالات الواقعية.

فهم ظاهرة التوسع العكسي

تم اكتشاف ظاهرة “التوسع العكسي” في البداية من خلال التجارب المراقبة التي أجراها باحثون في Anthropic. على عكس القوانين التقليدية للتوسع، التي تقول إن المزيد من الحوسبة يعزز الأداء، وجدت هذه الدراسات أن منح الذكاء الاصطناعي مزيدًا من الوقت للتفكير يمكن أن يقلل من دقته في المهام المختلفة.

أنشأ فريق البحث مهام في أربعة مجالات: العد البسيط مع الإلهاء، والانحدار مع الميزات غير المرتبطة، والاستدلال مع تتبع القيود، والمواقف المعقدة لسلامة الذكاء الاصطناعي. كانت النتائج مدهشة. في بعض الحالات، كانت النماذج التي قدمت في البداية إجابات صحيحة بدأت في تقديم إجابات خاطئة بعد منحها مزيدًا من الوقت للمعالجة.

على سبيل المثال، في مهمة بسيطة مثل “كم عدد الفواكه التي لديك إذا كان لديك تفاحة وبرتقالة؟”، غالبًا ما تشتت نماذج Claude بالتفاصيل الإضافية عند منحها مزيدًا من الوقت للتفكير. فشلت في تقديم الإجابة الصحيحة، وهي اثنان. في هذه الحالات، كانت النماذج تفكر أكثر من اللازم وتنتهي بهم إلى الأخطاء.

أيدت الأبحاث الأخيرة في Apple (AAPL ) هذه النتائج. أجرى الفريق تجاربه في بيئات الألغاز المراقبة مثل برج هانوي وعبر النهر، وليس على المعايير القياسية. أظهرت دراستهم ثلاثة أنماط في أداء النموذج بناءً على تعقيد المشكلة:

الطرق الخمس التي يفشل فيها الذكاء الاصطناعي في التفكير

وجد الباحثون خمس طرق شائعة يفشل فيها نماذج الذكاء الاصطناعي عند التفكير لفترات أطول:

1. الانحراف بسبب الأهمية: عندما تفكر نماذج الذكاء الاصطناعي لفترة طويلة، غالبًا ما تشتت بالتفاصيل التي لا تهم.
2. التكيف المفرط مع إطارات المشكلة: تركز بعض النماذج، مثل سلسلة o من OpenAI، بشكل كبير على عرض المشكلة. بينما تتجنب الانحرافات، فهي ليست مرنة وتعتمد على صياغة المشكلة.
3. تحول الارتباط الخادع: مع مرور الوقت، قد تنتقل نماذج الذكاء الاصطناعي من افتراضات معقولة إلى الاعتماد على علاقات خادعة. على سبيل المثال، في مهام الانحدار، تضع النماذج في البداية في الاعتبار الميزات ذات الصلة، ولكن عند منحها مزيدًا من الوقت للتفكير، قد تبدأ في التركيز على الميزات غير ذات الصلة وتقدم نتائج خاطئة.
4. تدهور التركيز: مع زيادة تعقيد المهام، تجد نماذج الذكاء الاصطناعي صعوبة في الحفاظ على تفكيرها واضحًا ومُركّزًا.
5. تصرفات قلق متزايدة: يمكن أن يزيد الوقت الإضافي للتفكير من سوء السلوك. على سبيل المثال، أظهرت Sonnet 4 من Claude ميولًا أقوى لتحفيز الذات عند منحها مزيدًا من الوقت للتفكير في سيناريوهات الإيقاف.

كيف يتعامل الذكاء الاصطناعي مع تعقيد المشكلة

أدخل باحثو Apple مصطلح “وهم التفكير” لشرح ما يحدث عندما تواجه نماذج التفكير مهام ذات مستويات مختلفة من التعقيد. بدلاً من التركيز على المشكلات الرياضية أو اختبارات البرمجة، اختبروا نماذج التفكير في بيئات الألغاز المراقبة مثل برج هانوي وChecker Jumping وعبر النهر وBlocks World. من خلال زيادة صعوبة هذه الألغاز تدريجيًا، يمكنهم رؤية كيف أدت النماذج في كل مستوى. ساعد هذا النهج في فحص ليس فقط الإجابات النهائية، ولكن أيضًا كيفية وصول النماذج إلى تلك الإجابات. وجدت الدراسة ثلاثة أنماط واضحة في أداء النموذج بناءً على تعقيد المشكلة:

• في الألغاز البسيطة مثل برج هانوي مع قرص أو قرصين، قدمت نماذج اللغة الكبيرة المعيارية إجابات صحيحة أكثر كفاءة. غالبًا ما جعلت نماذج التفكير الأمور معقدة من خلال سلاسل التفكير الطويلة، مما أدى إلى إجابات خاطئة.
• في الألغاز المتوسطة التعقيد، أدت نماذج التفكير بشكل أفضل. يمكنها كسر المشكلات إلى خطوات واضحة، مما ساعدتها في حل التحديات متعددة الخطوات بشكل أكثر فعالية من نماذج اللغة الكبيرة المعيارية.
• في الألغاز المعقدة للغاية، مثل برج هانوي مع العديد من الأقراص، عانت كلا النوعين من النماذج. غالبًا ما قامت نماذج التفكير بتقليل جهود التفكير مع زيادة صعوبة اللغز، على الرغم من امتلاكها لموارد حاسوبية كافية. يُظهر هذا السلوك “الاستسلام” نقطة ضعف رئيسية في توسيع نطاق تفكيرها.

تحدي تقييم الذكاء الاصطناعي

تُظهر ظاهرة التوسع العكسي مشاكل كبيرة في كيفية تقييم نماذج الذكاء الاصطناعي. تقيس العديد من المعايير الحالية دقة الإجابات النهائية فقط، وليس جودة عملية التفكير. يمكن أن يؤدي هذا إلى شعور خاطئ بقدرات النموذج الحقيقية. قد تؤدي نموذج جيدًا في الاختبارات، ولكنها تفشل مع مشاكل جديدة أو غير عادية.

كما يشير التوسع العكسي إلى نقاط ضعف في معايير التفكير وكيفية استخدامها. تستخدم العديد من النماذج اختصارات والتعرف على الأنماط بدلاً من التفكير الحقيقي. يمكن أن يجعل هذا النماذج تبدو أكثر ذكاءً مما هي عليه في الواقع، ولكن أدائها غالبًا ما يتراجع في المواقف الواقعية. يتعلق هذا المشكل بمشاكل أكبر مع الذكاء الاصطناعي، مثل الوهم والمتانة. مع تحسن النماذج في إنتاج تفسيرات تبدو مقنعة، يصبح من الصعب التمييز بين التفكير الحقيقي والإجابات الملفقة.

مستقبل التفكير في الذكاء الاصطناعي

تمثل معضلة التوسع العكسي تحديًا وفرصة للذكاء الاصطناعي. إنه يُظهر أن إضافة المزيد من القدرة الحاسوبية لا تجعل الذكاء الاصطناعي دائمًا أكثر ذكاءً. يجب علينا إعادة التفكير في كيفية تصميم ونشر أنظمة الذكاء الاصطناعي التي يمكنها التعامل مع مشاكل مختلفة التعقيد. قد تحتاج النماذج الجديدة إلى تحديد متى تتوقف عن التفكير ومتى تستجيب بسرعة. في هذا الصدد، يمكن للذكاء الاصطناعي أن يستفيد من الهياكل المعرفية مثل نظرية العملية المزدوجة كمرشد. تُشرح هذه الهياكل كيف يمتزج التفكير البشري بين ردود الفعل السريعة والغريزية والتفكير البطيء والمدروس. يُذكرنا التوسع العكسي أيضًا بأنه يجب علينا فهم كيفية اتخاذ الذكاء الاصطناعي للقرارات قبل استخدامها في المجالات الحيوية. مع استخدام الذكاء الاصطناعي بشكل أكبر في اتخاذ القرارات في مجالات مثل الرعاية الصحية والقانون والأعمال، يصبح من الأهمية بمكان التأكد من أن هذه الأنظمة تفكر بشكل صحيح.

النتيجة

تعلمنا درسًا أساسيًا في تطوير الذكاء الاصطناعي من معضلة التوسع العكسي. لا يجعلك الوقت والقدرة الحاسوبية دائمًا أكثر كفاءة أو موثوقية. يأتي التقدم الحقيقي من فهم متى يجب على الذكاء الاصطناعي التفكير واعتراف بحدوده. بالنسبة للمنظمات والباحثين، من الضروري استخدام الذكاء الاصطناعي كأداة، وليس كبديل للحكم البشري. من الضروري اختيار النموذج الصحيح لكل مهمة. مع استخدام الذكاء الاصطناعي في اتخاذ القرارات الهامة، يجب علينا تقييم نقاط قوته وضفه بعناية. يعتمد مستقبل الذكاء الاصطناعي على التفكير بشكل صحيح، وليس التفكير أكثر فقط.