يتغير مجال الذكاء الاصطناعي مع مرور كل يوم، وأصبح التفكير السببي موضوعًا بحثيًا ساخنًا في السنوات الأخيرة. غالبًا ما تفشل نماذج التعلم الآلي التقليدية في التفكير المنطقي وتجد صعوبة في فهم العلاقة السببية وراء الأحداث. اليوم، سيقدم محرر Downcodes ورقة بحثية من مؤسسات مثل Microsoft وMIT، والتي تقترح استراتيجية تدريب متقدمة للتعلم الآلي تعمل على تحسين قدرات التفكير المنطقي للنماذج الكبيرة، وحتى نماذج Transformer الصغيرة، والتي يمكن مقارنتها بـ GPT-. 4 في القدرات الاستدلالية. دعونا نلقي نظرة فاحصة على هذه النتيجة البحثية المثيرة للإعجاب.
في عصر الانفجار المعلوماتي هذا، نتعامل مع الأجهزة الذكية كل يوم. هل سبق لك أن تساءلت كيف عرف هؤلاء الأشخاص الذين يبدو أنهم أذكياء أن يحضروا مظلة لأن السماء تمطر؟ وراء هذا في الواقع ثورة عميقة في التفكير السببي.
قامت مجموعة من الباحثين من المؤسسات الأكاديمية الشهيرة، بما في ذلك Microsoft وMIT، بتطوير استراتيجية تدريب رائدة للتعلم الآلي. لا تتغلب هذه الإستراتيجية على أوجه القصور في نماذج التعلم الآلي الكبيرة في التفكير المنطقي فحسب، بل تحقق أيضًا تحسينات كبيرة من خلال الخطوات التالية:
طريقة تدريب فريدة: استخدم الباحثون طريقة تدريب جديدة قد تختلف عن تقنيات التدريب التقليدية على التعلم الآلي.
تحسينات في الاستدلال المنطقي: يعمل نهجهم على تحسين قدرات الاستدلال المنطقي للنماذج الكبيرة بشكل كبير، وحل التحديات الموجودة سابقًا.
استخدم السببية لإنشاء مجموعة تدريب: يستخدم فريق البحث نموذجًا سببيًا لإنشاء مجموعة بيانات تدريب. يمكن لهذا النموذج أن يكشف عن العلاقة السببية بين المتغيرات ويساعد في تدريب نموذج يمكنه فهم المنطق السببي وراء البيانات.
تدريس البديهيات الأساسية للنموذج: يقومون بتدريس المقدمات الأساسية في المنطق والرياضيات مباشرة للنموذج لمساعدة النموذج على أداء تفكير منطقي أفضل.
الأداء المذهل لنموذج المحول الصغير: على الرغم من أن معلمات النموذج لا تتجاوز 67 مليونًا، إلا أن نموذج المحول الذي تم تدريبه من خلال هذه الطريقة يمكن مقارنته بنموذج GPT-4 من حيث القدرات المنطقية.
قد يبدو التفكير السببي حكرًا على الفلاسفة، لكنه في الواقع قد تغلغل بالفعل في كل جانب من جوانب حياتنا. بالنسبة للذكاء الاصطناعي، فإن إتقان التفكير السببي يشبه تعلم شرح العالم باستخدام "لأن...لذا...". لكن الذكاء الاصطناعي لم يولد بهذا، بل يحتاج إلى التعلم، وعملية التعلم هذه هي قصة هذه الورقة.
طريقة التدريب اكسيوم:
تخيل أن لديك طالبًا ذكيًا جدًا ولكن ليس لديه أدنى فكرة عن السبب والنتيجة في العالم. كيف يمكنك تدريسها؟ توصل الباحثون إلى حل - التدريب البديهي. وهذا يشبه إعطاء الذكاء الاصطناعي "دليل السببية" والسماح له بتعلم كيفية تحديد وتطبيق القواعد السببية من خلال هذا الدليل.
أجرى الباحثون تجارب على نموذج المحولات ووجدوا أن طريقة التدريب هذه ناجحة بالفعل، ولم يتعلم الذكاء الاصطناعي تحديد العلاقات السببية على الرسوم البيانية صغيرة الحجم فحسب، بل كان قادرًا أيضًا على تطبيق هذه المعرفة على الرسوم البيانية الأكبر حجمًا! لم يسبق لها أن شهدت مثل هذه الصورة الكبيرة من قبل.
تتمثل مساهمة هذا البحث في أنه يوفر طريقة جديدة للذكاء الاصطناعي لتعلم الاستدلال السببي من البيانات السلبية. وهذا يشبه إعطاء الذكاء الاصطناعي طريقة جديدة "للتفكير" حتى يتمكن من فهم العالم وشرحه بشكل أفضل.
لا يسمح لنا هذا البحث برؤية إمكانية تعلم الذكاء الاصطناعي للاستدلال السببي فحسب، بل يفتح لنا أيضًا الباب لرؤية سيناريوهات التطبيق المحتملة للذكاء الاصطناعي في المستقبل. ربما في المستقبل القريب، لن يتمكن مساعدونا الأذكياء من الإجابة على الأسئلة فحسب، بل سيخبروننا أيضًا عن سبب حدوث شيء ما.
عنوان الورقة: https://arxiv.org/pdf/2407.07612v1
بشكل عام، أدى هذا البحث إلى تحسينات كبيرة في قدرات التفكير السببي للذكاء الاصطناعي وقدم اتجاهات وإمكانيات جديدة لتطوير الذكاء الاصطناعي في المستقبل. ويتطلع محرر موقع Downcodes إلى تطبيق هذه التقنية في المزيد من المجالات، مما يسمح للذكاء الاصطناعي بفهم الإنسان وخدمته بشكل أفضل.