نماذج OpenAI الجديدة تُبسِّط المهام المعقّدة

تتناول أحدث نماذج o1-preview من OpenAI المشكلات المعقّدة عبر تقسيمها إلى خطوات متتابعة، بما قد يغيّر الطريقة التي تتعامل بها الصناعات مع التحديات.

يُعرَف هذا النهج باسم الاستدلال المتسلسل، وهو يمثّل تحوّلًا كبيرًا عن نماذج الذكاء الاصطناعي السابقة التي كانت غالبًا تقدّم إجابات من دون توضيح طريقة الاستدلال التي اتّبعتها. وقد تُعيد هذه التطوّرات تشكيل الطريقة التي تتعامل بها الشركات والباحثون مع مهام حل المشكلات المعقّدة.

قال Chris Hay، مهندس متميز في IBM: "هذه النماذج تؤدّي بشكل أفضل في المهام التي تتطلّب قدرًا أكبر من المنطق والاستدلال، لأنها تأخذ وقتها في التفكير في المشكلة قبل الوصول إلى الحل". "يشبه الأمر ما لو أنها تعرض خطوات الحلّ واحدة تلو الأخرى".

يتيح نهج الاستدلال المتسلسل للمستخدمين رؤية الكيفية التي يتوصّل بها نموذج الذكاء الاصطناعي إلى استنتاجاته. شرح Hay الفكرة قائلًا: "إذا سألت طفلًا، على سبيل المثال: ما حاصل 25 مضروبة في 10 زائد 5؟ فهناك ثلاث خطوات في هذه المسألة". قد يقدّم لك النتيجة مباشرة من غير أن يشرح كيف وصل إليها. "لكنّك تقول له: لا، لا، عليك أن تقسّم المسألة إلى خطوات… تمامًا كما يحدث في المدرسة عندما تشرح طريقة الحل خطوة بخطوة".

وأكّدت Nathalie Baracaldo، عالمة أبحاث أولى في أمن الذكاء الاصطناعي في IBM، أهمية هذا التطوّر قائلةً: "يكمن الاختلاف الرئيسي في أننا أصبحنا قادرين على فهم الكيفية التي توصّل بها النموذج إلى القرار". "لدينا الآن تفسيرات لما فعله الوكيل، وهي مفيدة للغاية في فهم سبب حدوث شيءٍ ما".

مثل هذا المستوى من الشفافية يمكن أن تكون له آثار واسعة في مختلف الصناعات. فعلى سبيل المثال، تُظهر هذه النماذج في مجال تطوير البرمجيات قدرات أفضل في البرمجة مع عدد أقل من الأخطاء. وأشار Hay إلى أن "هذه النماذج باتت تبرمج بشكل أفضل وتُحدِث هلوسات أقل"، في إشارة إلى الحالات التي ينتج فيها الذكاء الاصطناعي معلومات تبدو معقولة لكنها غير صحيحة.

كما تدمج النماذج الجديدة التعلُّم المعزَّز ضمن عملية تدريبها. وأوضح Hay: "لقد غيّروا أيضًا الطريقة التي تُدرَّب بها هذه النماذج الأساسية". ويتحدثون عن كيفية استخدامهم للتعلُّم المعزَّز لتعليم هذه النماذج وتدريبها."

من المرجّح أن يكون الاستخدام الأكثر فاعلية لهذه نماذج الذكاء الاصطناعي المتقدِّمة في إطار شراكة تجمع بين الخبرة البشرية وقدرات الآلة. قال Hay: "سيظل الإنسان هو مَن يقدّم المدخلات، ويقرّ بالخطة، ويتولّى التحقّق من كل هذه الأمور".

وحذّر Hay من المبالغة في تقدير قدرات النماذج قائلًا: "أعتقد أنه يمكن الحصول على نتائج ممتازة. عندما يسمع الناس عبارة الذكاء الاصطناعي العام AGI، يتخيّلون رأسًا ضخمًا نابضًا يطفو في السحابة... لكن في الواقع، إذا فكرت في الأمر، فهذه النماذج كما هي اليوم، مع قدرتها على توقّع الرمز المميَّز التالي، واعتمادها على بيانات تدريب جيدة، وآليات التخطيط وغير ذلك، تؤدي عملًا جيّدًا للغاية — بل تتفوّق على البشر في عدد كبير من المهام".

ويثير تطوير هذه النماذج أسئلة حول طبيعة الذكاء الاصطناعي وكيف يقارَن بالإدراك البشري. وقد أظهرت النماذج الجديدة براعة لافتة في بعض الجوانب، متفوِّقةً على البشر في اختبارات معيارية مثل Bar exam واختبارات SAT. ومع ذلك، ما زالت تواجه صعوبة في إنجاز مهام يراها معظم البشر بديهية.

وأشار Hay إلى أن هذه النماذج قد تتعثر في مهام يراها البشر بسيطة: "يتفوق النموذج في مهام فردية محددة. ولكنه يواجه حاليًا صعوبة في التمييز بين أجزاء المحادثة المختلفة. وهذا يسبب ارتباكًا في قدرته على التعامل مع عدة مفاهيم في الوقت نفسه. كما أن النموذج يبالغ في الاعتماد على السياق، وغالبًا ما يأخذ في الحسبان قدرًا كبيرًا من المعلومات غير ذات الصلة عند معالجة الطلبات".

وأضافت Baracaldo ملاحظة تحذيرية: "على الرغم من أن هذا النموذج مبهر للغاية، فإنه يخطئ أحيانًا. وإذا قرأت التقرير الفني، فستجد أنه يقدّم أحيانًا حلولًا يراها الخبير البشري غير قابلة للتنفيذ، لأن النموذج لا يلمّ بكل الافتراضات القائمة."

تتجاوز آثار هذه التطوّرات نطاق صناعة التقنية وحدها. وفي مجالي البحث العلمي والأوساط الأكاديمية، يمكن أن تسهم في تسريع وتيرة الاكتشاف من خلال دعم تحليل البيانات المعقّدة وتوليد فرضيّات جديدة. وفي مجالات مثل الطب والقانون، يمكن أن تعمل كأدوات تُعزِّز الخبرة البشرية، بما قد يفضي إلى تشخيصات أدق وتحليلات قانونية أشمل.

ولخّص Hay القيمة العملية لهذه النماذج بالنسبة للمؤسسات بقوله: "أصبحت قدراتها في البرمجة أفضل بكثير مما كانت عليه في السابق".