أصدر الباحثون دراسة جديدة حول القوانين الكبرى لملاءمة نماذج الذكاء الاصطناعي (AI)، حيث تطرح تساؤلًا حيويًا: هل يصبح الذكاء الاصطناعي أكثر توافقًا مع زيادة حجم النماذج؟ في هذا الإطار، يتم تناول الملاءمة كعائلة من العلاقات القابلة للقياس، حيث تم تقديم نموذج رياضي يصف العلاقة بين عبء الملاءمة وحجم النموذج.

وفقًا للدراسة، يُعتبر كل فئة من فئات المخاطر (risk category) مرتبطة بمعادلة توضح عبء الملاءمة المطلوب للحفاظ على هدف أمان ثابت. يتم احتساب ذلك على أنه B_r(N)=a_rN^α_r، حيث يمثل N وكيلًا للقدرة.

تشير النتائج إلى أنه إذا كان α_r أكبر من 1، فإن التوسع في القدرة يُحسن الكفاءة. كما قدّم الباحثون ثلاث طرق لتحديد العبء وتمييز بين الملاءمة الملاحظة والموثوقة.

تجاربهم أظهرت أن النماذج الكبيرة تُظهر سلوكيات غير متوقعة، مثل وجود قوس نمو متسارع في تحقيق الأهداف رغم الصعوبات التقنية. عبر العديد من النماذج التجريبية، قام الباحثون بتحليل البيانات من التدريب على الهجمات، ووجدوا أن الموارد المطلوبة للحفاظ على مستوى نجاح الهجوم تحت 10% تزيد وفقًا لنموذج N^0.60.

بالإضافة إلى ذلك، تم تطبيق هذا البحث على نماذج مثل Qwen2.5، حيث أظهرت تحليلات أعمدة مختلفة مثل الصدق والمرونة، مع بيانات تظهر زيادة في القياسات عند النموذج الأكبر.

مع تطور التحليل، أطلق الباحثون أربع ألعاب متصفح تتماشى مع القوانين التي تم تحديدها، مما يتيح للمهتمين تجربة هذه القوانين بأنفسهم. ما زالت الدراسة تثير تساؤلات حول ديناميات النمو الحالية في نماذج الذكاء الاصطناعي.

إلى أي مدى تعتقد أن النماذج الكبيرة ستتجاوز العقبات التقنية وتحقق نتائج أفضل في المستقبل؟ شاركونا آرائكم في التعليقات!