في عالم الذكاء الاصطناعي المتطور سريعاً، باتت نماذج اللغة الكبيرة (Large Language Models) قادرة على كتابة البرمجيات، وإعداد مستندات قانونية، وإنتاج ملاحظات سريرية، لكن هناك حدود أساسية تحكم ما يمكن أن يحققه الحاسوب. هذه الدراسة تقدم رؤية جديدة حول كيفية تحويل نتائج المستحيلات من فضول نظري إلى قواعد تصميمية عملية.

تُظهر الدراسة أن هناك سقفاً للدقة يتم تحديده بواسطة الهيكل الذي يعتمد عليه النظام، وبعد نقطة معينة من عمق التفكير النقدي، لا يمكن لأي كمية من التدريب أن تتجاوز هذا الحد. يتم قياس هذا الأفق الحتمي (Deterministic Horizon) بين تسعة عشر وواحد وثلاثين عبر اثني عشر هيكلاً من هياكل الـTransformer.

يمكن حساب هذا السقف قبل النشر، بناءً على عدد الطبقات وعرض الإدخال، وتظهر النتائج أن تحسين النظام لتقليل نسبة الخطأ لا يقل عن أربع نقاط مئوية. تكشف الآليات وراء ذلك عن عدم قدرة التدفقات الباقية على تجاوز هذا السقف، حيث يُظهر التحويل المعلوماتي دقة تتراجع بشكل فائق بعد الوصول للأفق.

تُطرح أيضاً عدة نتائج تتعلق بأنماط مختلفة من التعلم، مثل التعلم بالتفضيل والذي يظهر تعقيداً متزايداً، وكذلك الحاجة إلى معايير مستقلة متعددة في أنظمة استرجاع المعلومات المتعددة المراحل. تكشف هذه النتائج عن قيود أساسية يمكن استخدامها كمعايير تصميمية لتحسين الأنظمة الذكية.

أخيراً، تقدم هذه الدراسة مجموعة مكونة من ستة عشر معياراً، بما في ذلك حدود قابلة للحساب، وتكاليف انتهاك محددة، وقواعد تصميم بناءة لكل حالة. تعتبر هذه المنهجية الخاصة بالمستحيلات معياراً قد تحتاجه الأبحاث المستقبلية في مجال الذكاء الاصطناعي الموثوق. فكل حد أساسي للذكاء الاصطناعي يشكل أيضاً قاعدة تصميمية تسهم في إيجاد حلول موثوقة وفعالة.