الذكاء الاصطناعي
#الذكاء_الاصطناعي
#جوجل
جوجل تكشف: "الجدال الداخلي" يضاعف دقة نماذج الذكاء الاصطناعي
كشفت دراسة حديثة أجرتها شركة جوجل أن نماذج الذكاء الاصطناعي المتقدمة المتخصصة في الاستنتاج تحقق أداءً عالياً من خلال محاكاة نقاشات تشبه تفاعل الوكلاء المتعددين (Multi-agent)، وتتضمن وجهات نظر وسمات شخصية متنوعة.
أظهرت التجارب أن هذا "الجدال الداخلي"، الذي أطلق عليه الباحثون اسم "مجتمع الفكر" (Society of Thought)، يحسن بشكل كبير أداء النموذج في مهام التفكير والتخطيط المعقدة. ووجد الباحثون أن نماذج الاستنتاج الرائدة مثل DeepSeek-R1 وQwQ-32B، التي يتم تدريبها عبر التعلم المعزز (RL)، تطور هذه القدرة على الانخراط في نقاشات داخلية بشكل فطري دون تعليمات صريحة.
ما هو مفهوم "مجتمع الفكر"؟
تعتمد الفرضية الأساسية لـ "مجتمع الفكر" على أن نماذج الاستنتاج تتعلم محاكاة الحوارات الاجتماعية لتحسين منطقها. تستند هذه الفرضية إلى العلوم الإدراكية، وتحديداً فكرة أن العقل البشري تطور كعملية اجتماعية لحل المشكلات عبر الجدال والتعامل مع وجهات النظر المتباينة.
أشار الباحثون إلى أن "التنوع المعرفي يعزز حل المشكلات، خاصة عندما يكون مصحوباً بمعارضة حقيقية". وبالتالي، فإن دمج وجهات نظر متنوعة يسمح لنماذج اللغة الكبيرة بتطوير استراتيجيات تفكير قوية. من خلال محاكاة محادثات بين شخصيات داخلية مختلفة، يمكن للنماذج إجراء فحوصات ضرورية (مثل التحقق والتراجع) لتجنب الأخطاء الشائعة والتحيزات.
في نماذج مثل DeepSeek-R1، يظهر هذا "المجتمع" مباشرة ضمن سلسلة الأفكار (Chain of Thought). ولا يحتاج المستخدمون إلى نماذج منفصلة أو مطالبات خاصة لفرض هذا التفاعل؛ فالجدال ينشأ بشكل مستقل داخل عملية التفكير لنموذج واحد.
أمثلة واقعية: كيف يعمل الجدال الداخلي؟
قدمت الدراسة أمثلة ملموسة لكيفية تحسين النتائج عبر هذا الاحتكاك الداخلي. في إحدى التجارب التي تضمنت مسألة معقدة في تركيب الكيمياء العضوية، وكما تظهر الصورة المرفقة في الدراسة، قام نموذج DeepSeek-R1 بمحاكاة جدال بين عدة وجهات نظر داخلية، بما في ذلك "المخطط" (Planner) و"المدقق الناقد" (Critical Verifier).
اقترح "المخطط" في البداية مسار تفاعل قياسي، لكن "المدقق الناقد" قاطعه لتحدي الافتراض وقدم حجة مضادة بحقائق جديدة. ومن خلال هذا الفحص التنافسي، اكتشف النموذج الخطأ، ووفق بين الآراء المتضاربة، وقام بتصحيح مسار التركيب.
ظهرت ديناميكية مماثلة في المهام الإبداعية وألعاب الرياضيات مثل "لعبة العد التنازلي". فمع التعلم المعزز، انقسم النموذج تلقائياً إلى شخصيتين: "حلال المشاكل المنهجي" و"المفكر الاستكشافي" الذي يراقب التقدم ويقترح استراتيجيات بديلة عند الفشل.
تغيير قواعد تدريب النماذج للشركات
تقدم هذه النتائج إرشادات عملية للمطورين والشركات لبناء تطبيقات ذكاء اصطناعي أكثر قوة:
- هندسة المطالبات من أجل "الصراع": بدلاً من الأدوار العامة، يجب على المطورين تصميم مطالبات تعين ميولاً متعارضة (مثل مسؤول امتثال يتجنب المخاطر مقابل مدير منتج يركز على النمو) لإجبار النموذج على التمييز بين البدائل.
- التوقف عن "تعقيم" البيانات: ربما تكون أهم نتيجة هي أن الشركات يجب أن تتوقف عن تنظيف بياناتها بشكل مفرط. النماذج التي تم ضبطها بدقة (Fine-tuning) على بيانات محادثات "فوضوية" ونقاشات متناقضة حسنت قدرتها على التفكير بشكل أسرع بكثير من تلك المدربة على إجابات مثالية ونظيفة.
- كشف "الصندوق الأسود": بالنسبة لحالات الاستخدام المؤسسية الحساسة، يرى جيمس إيفانز، المؤلف المشارك في الورقة البحثية، أن المستخدمين بحاجة لرؤية المعارضة الداخلية للثقة في المخرجات، مما يقترح تغييراً في تصميم واجهة المستخدم لعرض هذه النقاشات.
تشير الدراسة إلى أن وظيفة مهندس الذكاء الاصطناعي تتحول من مجرد تدريب النماذج إلى شيء أقرب إلى علم النفس التنظيمي، حيث يصبح تصميم المجموعات الصغيرة داخل النماذج عاملاً حاسماً في الأداء.
الأسئلة الشائعة
هو محاكاة النماذج لحوارات ونقاشات داخلية بين شخصيات افتراضية متنوعة للتحقق من المنطق وتصحيح الأخطاء قبل تقديم الإجابة النهائية.
تطور النماذج مثل DeepSeek-R1 هذه القدرة ذاتياً وتلقائياً من خلال عملية التعلم المعزز (Reinforcement Learning) دون تعليمات صريحة.
تشير الدراسة إلى أن البيانات "الفوضوية" التي تحتوي على نقاشات ومحاولات حل متكررة أفضل لتدريب قدرات التفكير من البيانات النظيفة والمثالية.
التعليقات 0
سجل دخولك لإضافة تعليق
لا توجد تعليقات بعد. كن أول من يعلق!