أصبح الذكاء الاصطناعي جزءًا لا يتجزأ من حياتنا اليومية، لكن تطور قدراته لم يتوقف بعد. في هذا السياق، تسلط الأبحاث الأخيرة الضوء على نماذج اللغة الكبيرة (Large Language Models) وقدرتها على تحقيق استدلالات منطقية متقدمة باستخدام المنطق الأول (First-Order Logic). ورغم أن هذه النماذج قد أثبتت كفاءتها في بعض المجالات، إلا أن الأداء في مهام الاستدلال الرياضي المعقد ما زال بحاجة إلى تحسين، خاصة في المهام التي تتطلب استدلالات متعددة الخطوات.

على سبيل المثال، أظهرت دراسة جديدة أن نموذج Deepseek-Prover-V2-7B قد حقق دقة منخفضة تبلغ 4.2% في مجموعة بيانات جديدة خاصة بإثبات النظريات، مما يبرز التحديات التي تواجه نماذج اللغة في هذا المجال. لكن لا داعي للقلق، حيث يهدف الباحثون من خلال ابتكار DREAM إلى تحسين الاستراتيجيات التي تعتمدها نماذج اللغة، مما يسهم في تعزيز التنوع والشفافية في طرق الإنتاج.

يمثل DREAM استراتيجية موجهة من خلال آليات تعتمد على تنويع الاستراتيجيات الدليلية لتعزيز النتائج، بالإضافة إلى مبدأ التغذية الراجعة لأخطاء المقترحات الفرعية، مما يساعد النماذج على تصحيح أخطائها وتحسين برهاناتها. ولتقييم هذه الأساليب، تم تقديم مجموعة بيانات جديدة تحتوي على 447 نظرية رياضية بصيغة Lean 4.

مع هذه التطورات، يتطلع الباحثون إلى رؤية تحسينات ملحوظة في أداء نماذج اللغة الكبيرة، على الأقل بنسبة تتراوح بين 0.6% و 6.4%. هل ستخطف هذه الابتكارات الأضواء في عالم الذكاء الاصطناعي؟ تابعونا لمعرفة المزيد!