انهيار دقة الذكاء الاصطناعي أمام المشكلات المعقدة يكشف عن تحديات كبيرة

كشفت دراسة حديثة أجرتها شركة آبل عن قيود جوهرية تواجه نماذج الذكاء الاصطناعي المتطورة، ما يطرح علامات استفهام حول تقدم التكنولوجيا في هذا المجال. 

وأظهرت الورقة البحثية أن نماذج التفكير الكبيرة (LRMs) تفشل في الحفاظ على دقتها عند التعامل مع مسائل معقدة، حيث تعاني من انهيار كامل في الأداء، رغم التطور الكبير الذي حققته هذه النماذج.

أداء محدود

توصل الباحثون إلى أن النماذج التقليدية للذكاء الاصطناعي تتفوق على نماذج LRMs في حل المهام ذات التعقيد المنخفض، بينما يفشل كلا النوعين في التعامل مع المهام المعقدة بشكل كامل. 

تكمن آلية عمل هذه النماذج في توليد خطوات تفصيلية لحل المشكلات عن طريق تقسيمها إلى أجزاء أصغر، لكن الدراسة أظهرت أن النماذج تبدأ بتقليل جهد التفكير المنطقي مع زيادة تعقيد المسائل.

هذا التراجع في الأداء أثار مخاوف كبيرة لدى الباحثين، حيث أوضحوا أن النماذج تفقد قدرتها على التفكير المنطقي بمرور الوقت، ما يؤدي إلى "انهيار تام في الدقة" في مواجهة التحديات الكبيرة، وتصف الدراسة هذا السلوك بأنه "مقلق للغاية"، خصوصاً أن هذه النماذج تمثل المستقبل المتوقع للذكاء الاصطناعي.

تساؤلات حول المستقبل

علق الأكاديمي الأمريكي جاري ماركوس، الذي يُعد من أبرز المنتقدين لقدرات الذكاء الاصطناعي، على هذه النتائج واصفًا إياها بأنها "مدمرة للغاية". 

وأكد أن هذه الدراسة تعيد تسليط الضوء على المشكلات التي تواجه سباق تطوير الذكاء الاصطناعي العام (AGI)، وهو الهدف الذي يسعى إليه كثيرون لتطوير أنظمة ذكاء تضاهي الإنسان في جميع المهام الفكرية.

وأضاف ماركوس أن الاعتقاد بأن نماذج اللغة الكبيرة مثل ChatGPT تمثل طريقًا مباشرًا إلى الذكاء الاصطناعي العام هو وهم. 

ولفت إلى أن الاعتماد المفرط على هذه النماذج قد يضلل الباحثين والمطورين حول قدرات هذه التقنيات.

انهيار عند التعقيد

أظهرت الدراسة أن نماذج الاستدلال تبذل جهدًا كبيرًا في التوصل إلى حلول صحيحة للمشكلات البسيطة بسرعة، لكنها تبدأ في استكشاف حلول خاطئة مع زيادة التعقيد، قبل أن تصل إلى الحلول الصحيحة في النهاية. 

أما في مواجهة المسائل الأكثر تعقيدًا، فقد تنهار هذه النماذج تمامًا وتفشل في إنتاج أي حلول صحيحة.

حتى عندما زود الباحثون النماذج بخوارزميات واضحة لحل بعض المسائل، فشلت النماذج في الأداء، وأوضحت الورقة أن عند الاقتراب من نقطة حرجة تتعلق بالدقة، تقلل النماذج من جهدها المنطقي رغم زيادة صعوبة المشكلة، وهو أمر يتعارض مع المنطق المتوقع من أنظمة ذكية.