في عالم الذكاء الاصطناعي، تطرح نظرية تمثيل الواقع البلاتوني (Platonic Representation Hypothesis) فكرة مثيرة تفيد بأن الشبكات العصبية (Neural Networks) المدربة على أنماط مختلفة، مثل النصوص والصور، تتقارب وتلتقي بالنهاية عند تمثيل واحد للواقع. ومع ذلك، تشير دراسة حديثة إلى أن الأدلة التي تدعم هذه النظرية ليست قوية كما كان يُعتقد، بل تعتمد بشكل كبير على طريقة التقييم المستخدمة في التجارب.

عند قياس التوافق بين النماذج، تم استخدام الجيران الأقرب المتبادلين على مجموعات بيانات صغيرة (حوالي 1000 عينة)، مما أدى إلى نتائج ترعى الضبابية في الواقع عندما تتوسع البيانات لتصل إلى الملايين. حيث أظهرت الدراسة أن نفس السلوك الذي لوحظ في التوافق بين النص والصورة يتكرر في مجالات أخرى مثل النص والصوت والنص والفيديو.

كما أن التقييمات التي أجريت وفقاً للنهج التقليدي، والتي تستند إلى مقارنات مباشرة للصورة مع التسمية، ليست فعالة في سياقات أكثر واقعية تعكس تعدد الصور والنصوص، مما يؤدي إلى تقليل التوافق المقاس.

يظهر البحث أيضاً أنه لا يبدو أن الاتجاه المعتمد، الذي يفيد بأن نماذج اللغة الأكثر قوة تتوافق بشكل متزايد مع الرؤية، يمسك بمصير النموذج الأحدث. وبشكل عام، تشير النتائج إلى أن الأدلة الحالية على التوافق بين الأنماط المتعددة هي أضعف مما اقترضها الباحثون في وقت سابق، مما يعني أن النماذج التي يتم تدريبها على أنماط مختلفة قد تتعلم تفسيرات غنية ومتنوعة للواقع، لكنها ليست متطابقة.

كيف تعتقد أن هذه النتائج ستؤثر على مستقبل الذكاء الاصطناعي وتطوره؟ شاركونا آراءكم في التعليقات!