تم اكتشاف كيفية إدراك نماذج الذكاء الاصطناعي المختلفة للعالم بشكل تجريبي

في عام 2024، توصل معهد ماساتشوستس للتكنولوجيا (MIT) إلى فكرة جريئة: عندما تصبح نماذج الذكاء الاصطناعي أكثر قوة، فإنها تبدأ في رؤية العالم بنفس الطريقة. أجرت مدرسة البوليتكنيك الفيدرالية في لوزان (EPFL) تجارب أظهرت أن كل شيء أكثر تعقيدًا.

قبل عامين، بدا هذا المفهوم، الذي أطلق عليه المؤلفون أنفسهم «فرضية أفلاطون في التمثيل»، متناغمًا تمامًا. في الواقع: على الرغم من محاولة LLMs التدريب على بيانات مختلفة، على الرغم من ذلك العجز، كلها تعتمد بطريقة أو بأخرى على نفس الواقع. ولذلك، ينبغي أن تمثل النماذج ذلك بطريقة مماثلة. وإذا توصلوا جميعًا بشكل مستقل إلى نفس التمثيل الداخلي للعالم، ألا يكشف هذا عن شيء أساسي في طبيعة الذكاء؟

في أنظمة الذكاء الاصطناعي الحديثة، يتم تمثيل مفاهيم مثل “كلب” أو “سيارة” أو “شجرة” كمتجهات في مساحات عالية الأبعاد. لتقييم التشابه بين النماذج، يمكن للمرء مقارنة هذه التمثيلات الداخلية من خلال فحص نمط توزيع المسافات أو أوجه التشابه بين المفاهيم المتعددة. وكانت هذه القياسات هي التي أعطت باحثي معهد ماساتشوستس للتكنولوجيا الأساس لادعاءاتهم المثيرة للجدل.

مشاكل هندسية

“كانت الفكرة الأصلية مثيرة للغاية. ولكننا ظللنا نعود إلى نفس السؤال: ماذا تعني في الواقع درجات التشابه هذه؟” تقول ماريا بربيتش، رئيسة مختبر التعلم الآلي للطب الحيوي (MLBio) في EPFL.

وأجرت مع زملائها سلسلة من التجارب، نتائج والتي سيتم تقديمها في المؤتمر الدولي للتعلم الآلي.

كان التقارب الواضح بين النماذج المختلفة خادعًا، حيث بدت برامج الماجستير في القانون أكثر تشابهًا جزئيًا بسبب مشاكل في طريقة قياس التشابه.

جزء من المشكلة يرجع إلى هندسة المساحات. إن المساحات عالية الأبعاد التي يستخدمها الذكاء الاصطناعي، على عكس الفضاء ثلاثي الأبعاد الذي اعتدنا عليه، غير بديهية – فالمسافات فيها يمكن “تركيزها”، مما يجعل العديد من النقاط غير المتصلة بعيدة بشكل متساوٍ تقريبًا عن بعضها البعض.

قال فابيان جروجر من جامعة بازل، المؤلف الرئيسي للدراسة: “لقد أخذنا أفكارًا من هندسة المساحات عالية الأبعاد واستخدمناها للتشكيك في مقاييس التشابه. وبمجرد أن فعلنا ذلك، بدأت الأمور في الانهيار”.

تجربة بسيطة

“أبسط سؤال طرحناه في البداية: إذا أخذت نموذجين عشوائيين ومستقلين تمامًا ولم يتم تدريبهما أو الاطلاع على البيانات من قبل، فكيف يمكن أن يكون تشابههما مختلفًا عن الصفر؟ إذا كان هناك نمطان عشوائيان يبدوان متشابهين بالفعل، فمن المرجح أن المقياس لا يلتقط بنية شاملة ذات معنى، بل نوعًا من الأعمال الرياضية،” يوضح بربيك.

لكن الباحثين لم يدحضوا التقارب على الإطلاق. هناك نوع معين من التشابه يستمر مع زيادة القوة – علاقات الجوار المحلية بين المفاهيم. من الناحية العملية، هذا يعني أن أنظمة الذكاء الاصطناعي تتعلم كيفية الجمع بين أفكار معينة (تتجمع السيارات بجوار السيارات، وتتجمع الحيوانات مع الحيوانات، وتشكل المفاهيم ذات الصلة أحياء مستقرة)، حتى عبر أشكال هندسية مختلفة جذريًا.

أطلق المؤلفون على استنتاجاتهم اسم “فرضية التمثيل الأرسطي”. وبينما أكد أفلاطون على الأشكال المثالية العالمية، أولى تلميذه أرسطو اهتمامًا أكبر للعلاقات والفئات والسياق. تصف وجهة النظر العلائقية هذه بشكل أفضل التنظيم المعرفي لنماذج الذكاء الاصطناعي الحالية.

لماذا هذا ضروري؟

يؤكد جروجر: “يُظهر عملنا أنه ربما لا تزال هناك اختلافات كبيرة بين النماذج في التمثيل العالمي للعالم. وهذا مهم لمواءمة الذكاء الاصطناعي (مع القيم الإنسانية) وفي نهاية المطاف لفهمنا لما تتعلمه هذه النماذج فعليًا”.

وتقدم الدراسة أيضًا نظامًا جديدًا لتقييم تشابه الأفكار، مما يزيل التحيزات المحددة. تم اختبار هذا النهج على نماذج اللغة والمرئية والفيديو، والحصول على أدلة متسقة لصالح التقارب المحلي بدلا من التوافق العالمي.

مع هذه التطورات، وربما بالتعاون مع الزملاء (وفقًا لبربيك، أخذ مؤلفو الفرضية الأفلاطونية الأصلية العمل الذي “أبطل” عملهم بشكل بناء) من الضروري معرفة الطريقة التي تتطابق بها صورة عالم مختلف أنظمة الذكاء الاصطناعي، وبماذا ولماذا تختلف.