في عصر الذكاء الاصطناعي، تُطرح تساؤلات مهمة حول الفعالية النسبية بين التفكير اللغوي والبرمجة في معالجة المهام الخوارزمية. دراسة جديدة لفتت الأنظار في هذا الصدد، حيث تناولت دور النماذج اللغوية المعززة بالأدوات (Tool-Augmented Language Models) في تقديم حلول فعالة.

تخيل أنك تطلب من نظام ذكاء اصطناعي أن يحل لك مسألة حسابية معقدة. هنا تنشأ مقارنة مثيرة للاهتمام بين استخدام اللغة الطبيعية (Natural Language) والكود (Code). تمت دراسة هذا الجانب عن طريق اختبار أداء النظام على 40 مهمة خوارزمية قابلة للتحقق، حيث أظهرت النتائج أن تنفيذ الكود كان الأفضل بفرق كبير بلغ +31.6 نقطة.

رغم ذلك، لماذا يعتبر هذا التحسن جذرياً؟ لقد قارن الباحثون بين تنفيذ الكود والتعليل اللغوي الطبيعي، وقاموا بفصل العوامل المؤثرة. اتضح أن أداء التعليل اللغوي لم يكن بعيداً جداً (+0.15 نقطة) عن أسلوب تنفيذ الكود، ما يدل على أن الفارق الأساسي ليس في نوع النموذج بحد ذاته، بل في الاعتماد على التنفيذ الخارجي الموثوق.

باستخدام نموذج فعال يعتمد على نظرية القرار الإحصائي، تمكن الباحثون من تحديد الحالات التي يتفوق فيها التنفيذ على المخاطر الأخرى. كما تم اختبار نظرية جديدة من خلال أدوات إعادة البناء (Reconstruction Intervention) التي استخدمت نموذج لغة بديل لاستنباط مسارات التفكير اللغوي من تمثيلات الكود، محققة أداءً متقاربا مع أساليب التفكير اللغوي الأصلية.

إذا كنت مهتماً بتفاصيل هذه الدراسة وأثرها على مستقبل الذكاء الاصطناعي، يمكنك مراجعة جميع التجارب المتاحة على GitHub. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.