تعتبر ظاهرة الذكاء الاصطناعي المتعرج (Artificial Jagged Intelligence) تجسيدًا حقيقيًا لتحديات نموذج التعلم في الذكاء الاصطناعي. ففي الأبحاث الحديثة، تمثل هذه الظاهرة نمطًا متكررًا حيث تمتلك أنظمة التعلم الكبيرة قدرات محلية بارزة، بينما تظل ضعيفة أو هشة في مجالات أخرى.

تقدم الدراسة الجديدة نظرية رسمية حول AJI، تصف توزيع الضغط التحسيني بشكل غير متساوٍ، حيث يتم نمذجة عملية التدريب كعملية ذات ميزانية محدودة توزع طاقة التحديث المدفوعة بالتدرجات عبر اتجاهات ذات صلة بالقدرة في فضاء المعلمات. هذا النموذج يبرز أن ملفات القدرة المتعرجة تنشأ نتيجة للبنية الموضوعية غير المتساوية، وهيكل البيانات، والترابط التمثيلي، وليس نتيجة لمقدار ذكاء واحد فقط.

تقوم الورقة بتعريف مصطلحات جديدة مثل زيادة القدرات، حصة طاقة التحسين، والتعرج، وتثبت أن التركيز المستمر لطاقة التحديث cumulative update energy يؤدي إلى حدود دنيا لتشتت المكاسب في القدرات.

تناقش الدراسة أيضًا آليات إعادة التوزيع، بما في ذلك تنظيم تباين الطاقة والأهداف الهيكلية المساعدة، كتدخلات تعيد تشكيل مجال التحسين. يشير الإطار الناتج إلى علاقة وثيقة بين ظهور القدرات غير المتوازنة، هيكل التدريب، وإدارة التحسين.

تتنبأ النظرية بأن التركيز المبكر لطاقة التحديث يجب أن يكون مؤشرًا لاحقًا على التعرج في القدرات، وأن التوسع تحت هدف ضيق لا يلغي بالضرورة عدم التماثل. علاوة على ذلك، يمكن للأهداف المساعدة الممولة بشكل صريح إحياء القدرات المهملة. وبالتالي، فإن AJI ليست مجرد تسمية وصفية لسلوك النموذج غير المتوازن، بل هي نظرية قابلة للاختبار حول كيفية تأثير الموارد المحدودة على تشكيل القدرات بالتركيز والتأخير وعدم التساوي الهيكلي.