في خطوة جديدة لاكتشاف العلاقات المعقدة بين الذكاء الاصطناعي ونماذج الشبكات المتنوعة، قدَّم الباحثون فرضية مزدوجة تُعرف باسم فرضية التقارب في القدرة (Capability Convergence Hypothesis) التي تعزز فكرة أن البيانات الهيكلية تُمثل عاملاً حاسمًا في مدى فعالية هذه النماذج. بينما تقترح الفرضية الأساسية السابقة أن النماذج مع زيادة الحجم تميل إلى التقارب نحو تمثيلات تُشبه واقعًا مشتركًا، تشير هذه الدراسة إلى أنه تحت ميزانية معينة من التقييم لكل رمز، فإن التقارب في التمثيل لا يضمن بالضرورة التقارب في القدرة.

وضعت الدراسة ثلاث حواجز رئيسية في سبيل تطوير نماذج هجينة قادرة على المعالجة بطريقة فعالة. الحاجز الأول هو حاجز شانون، الذي يمنع أي تصميم معماري يحوي حالة o(Nb)، بينما الحاجز الثاني يتمثل في أفق يمنع أي نافذة ثابتة. أما الحاجز الثالث، فهو حاجز الدائرة الذي يمنع التركيب القائم على الانتباه الثابت العمق.

عبر التجارب الأولية المسجلة التي أجريت تحت ظروف محددة مسبقًا، يتم قياس الفجوة المتوقعة بدقة، حيث أظهرت نتائج مثيرة تعزز من فرضيات القدرة والتقارب. تبرز هذه النتائج أهمية الهياكل الوصولية في تحقيق النجاح في النماذج الهجينة، وهو ما يعني أن الابتكار في بنية الهيكلية لفهم البيانات سيكون محور اهتمام الباحثين في الساحة التقنية.

باختصار، يبدو أن التقارب الهيكلي يُضمن مجانًا مع الحجم، بينما تقارب القدرة يتطلب استثمارًا في بنية الوصول. تدعونا هذه النتائج الجديدة للتفكير في مستقبل النماذج الهجينة وكيف يمكن تحسين قدراتها بشكل أكبر.