في خطوة جديدة نحو فهم أعمق لكيفية أداء الذكاء الاصطناعي في الألعاب الاستراتيجية، قام باحثون بتدريب نماذج اللغة على بيانات تتعلق بلعبة الشطرنج، الأمر الذي أثمر عن نتائج عالية على معايير الأداء. من بين هذه النماذج، يبرز نموذج KinGPT، الذي يتمتع بحجم 25 مليون معلمة، والذي جاء ليحدد الفارق بين الفهم الحقيقي للشطرنج ومجرد مطابقة الأنماط.
أظهر KinGPT أداءً متفوقًا على نماذج أخرى أكبر حجمًا، مثل ChessGPT، في حل الألغاز المتعلقة بالشطرنج. فقد تمكن من التفوق على نماذج تحتوي على 3 و4 مليار معلمة في حل مجموعة من الألغاز التي تتطلب مهارات شطرنج عالية، مما يطرح سؤالًا حول كيفية تحقيق هذه النجاحات.
من خلال تحليل نتائج نماذج الشطرنج، يؤكد الباحثون أن الأداء المبهر لهذه النماذج ليس بالضرورة نتيجة لفهم قواعد اللعبة، بل يعتمد في الغالب على استراتيجية مطابقة الأنماط (pattern-matching). بالإضافة إلى ذلك، تم تقديم إطار عمل يسمى LLM-Modulo، والذي يعزز دقة تحركات نموذج RedPajama 3B بشكل كبير في حل الألغاز الشطرنجية، مما يرفع نسبة الدقة من 1.2% إلى 21.2%، ويدعم مصداقية تحركات النموذج من 19.3% إلى 95.3%.
تظهر النتائج أن دمج نموذج لغة عام مع مدقق خارجي يوفر بديلاً مرنًا عن التدريب المباشر على بيانات صناعية لمجالات محددة. وبالإضافة إلى ذلك، تم توفير جميع أكواد التدريب والتقييم، ومجموعات البيانات، وعينات الألغاز، ونقاط التحقق لنموذج KinGPT لتمكين الباحثين الآخرين من إعادة الإنتاج.
في النهاية، يتساءل الكثيرون: هل يمكن لنماذج اللغة أن تتفهم الشطرنج بطريقة أعمق، أم أن نجاحها يعتمد فقط على تقنيات مطابقة الأنماط؟ ما رأيكم في هذا التطور؟ شاركونا في التعليقات.
تحدي الذكاء الاصطناعي: هل تستطيع نماذج اللغة فهم الشطرنج؟
أظهرت الدراسات الحديثة أن نماذج اللغة المدربة على بيانات الشطرنج قادرة على تحقيق نتائج مبهرة. ومع ذلك، يبدو أن الكثير من نجاح هذه النماذج يرجع إلى مطابقة الأنماط أكثر من فهم القواعد الأساسية.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...