هل تتبع نماذج اللغة قاعدة أوكام؟ تحليل مثير لقدرات التفكير الاستنتاجي والاستدلالي

في عالم الذكاء الاصطناعي، يبرز دور الاستدلال غير الاستنتاجي (Non-deductive reasoning) كأحد الركائز الأساسية لتحليل الأسئلة المعقدة في حياتنا اليومية. يتضمن هذا النوع من الاستدلال كل من الاستدلال الاستقرائي (Inductive reasoning) والاستدلال الاستنتاجي (Abductive reasoning)، حيث تتميز هذه الأنواع بوجود عدة فرضيات صحيحة، وغالبًا ما تكون الأبسط منها، أي تلك التي تتماشى مع قاعدة أوكام (Occam's Razor)، هي الأكثر فائدة.

ومع ذلك، فإن هذه الزاوية لم تُعطَ الاهتمام الكافي في الأبحاث الأخيرة المتعلقة بتقييم قدرات الاستدلال غير الاستنتاجي لنماذج اللغة الكبيرة (Large Language Models). لذا، تسعى هذه الدراسة لتسليط الضوء على ما إذا كانت القدرات الاستنتاجية والاستدلالية لهذه النماذج تتوافق مع قاعدة أوكام، وأيضًا تقييم صحة استنتاجاتها.

لتحقيق هذا الهدف، قمنا بتطوير إطار عمل يُمكننا من توليد أسئلة استدلال تتطلب علانية العمل مع كل من الاستدلال الاستقرائي والاستدلال الاستنتاجي في آنٍ واحد. هذا الإطار سهل التوسع بحيث يمكن إنتاج أي سؤال قابل للتعبير عنه في منطق من الدرجة الأولى. كما يتمحور دور الوكيل الذكي حول تقديم فرضيات تفسر الملاحظات وفقًا لنموذج عالم محدد.

بالإضافة إلى ذلك، نقترح مقياسًا مؤتمتًا جديدًا لتقييم ما إذا كانت الفرضيات تلتزم كميًا بقاعدة أوكام؛ حيث تعتبر الفرضيات الصحيحة والأبسط ذات جودة عالية. تُظهر نتائجنا المستندة إلى أحدث نماذج اللغة الكبيرة أن هذه النماذج يمكنها أداء الاستدلال الاستقرائي والاستنتاجي في السيناريوهات البسيطة، لكنها تواجه صعوبة في التعامل مع نماذج العالم المعقدة وفي إنتاج فرضيات ذات جودة عالية، حتى مع تقنيات تحسين الاستدلال الشائعة مثل التعلم السياقي (In-context learning) وRLVR.

إن هذا البحث يفتح آفاقًا جديدة في فهم كيفية تحسين نماذج اللغة لتعزيز قدراتها الاستنتاجية والاستدلالية بشكل أكبر، مما يعزز من قدرتها على معالجة الأسئلة المعقدة بشكل أكثر فعالية. فما رأيكم في هذا التطور؟ شاركونا في التعليقات.