تعتبر نماذج اللغات الضخمة (LLMs) من أبرز التقنيات في مجال الذكاء الاصطناعي، حيث تتمتع بقدرة مذهلة على إتمام مهام التفكير المعقد. لكن، هل تمتلك هذه النماذج بنى معرفية متسقة تشبه تلك التي يمتلكها البشر؟ هذه هي القضية التي تتناولها دراسة جديدة استندت إلى نظرية الفضاء المعرفي (Knowledge Space Theory) لتقييم كيفية تعامل هذه النماذج مع التفكير الرياضي.

توضح النظرية أن المعرفة الإنسانية تتسم بالتعقيد والتداخل، فالإحاطة بمفهوم معين تتطلب فهم المفاهيم المرتبطة به مسبقًا. لذا، كانت الدراسة تهدف إلى اختبار ما إذا كانت النماذج الحالية تُظهر فهمًا يتماشى مع هذه المبادئ المعرفية. تم تقييم ثمانية نماذج، سواء كانت مفتوحة أو مغلقة المصدر، مقابل أداء المتعلمين البشريين.

نتائج الدراسة كشفت عن نقطتين رئيسيتين:
1. النماذج لا تتبع البنية المعرفية البشرية؛ حيث تتجاهل بشكل متكرر الاعتماديات المعرفية وتفشل في استغلال المعرفة المتاحة في السياق لتحسين أدائها.
2. الفحص أظهر أن هذه النماذج ليس لديها بنية معرفية منسقة، حيث لوحظ تدني التداخل بين توزيعات المعرفة الخاصة بها.

علاوة على ذلك، يُظهر هذا العجز الهيكلي ضعفًا واضحًا في قدرة النماذج على تقديم تقييم دقيق؛ مما يجعل النتائج أكثر إثارة للقلق. تشير النتائج إلى أن المعرفة الحالية في نماذج اللغات الضخمة لا تتوافق مع التكوين البشري، مما يطرح تحديات جديدة أمام الباحثين في مجال الذكاء الاصطناعي.

في النهاية، تدعو هذه الدراسة المجتمع العلمي إلى إعادة التفكير في كيفية تصميم وتقييم نماذج الذكاء الاصطناعي، مع التركيز على أهمية الفهم المعرفي وليس فقط الأداء.

ما رأيكم في هذه النتائج المثيرة؟ هل تعتقدون أن نماذج اللغات الضخمة ستتمكن من تحسين بنيتها المعرفية في المستقبل؟ شاركونا في التعليقات.