شهدت النماذج اللغوية الذاتية التوليد (Autoregressive) الموجودة في الذكاء الاصطناعي ثورة في الطريقة التي تقوم بها بفهم البيانات وإجراء الاستنتاجات. لكن، هذه النماذج التي تعتمد على الخوارزميات الإحصائية في تقدير الاحتمالات تعاني من ثلاثة عيوب رئيسية تؤثر على قدرتها على إجراء الاستدلالات المنطقية المعقدة.

في ورقة بحثية جديدة تم نشرها على arXiv، تم تقديم نموذج مبتكر يسمى DODR (الاستدلال المدفوع بواسطة العمليات المحددة في الفضاء الكامن) الذي يعيد تعريف كيفية إجراء الاستنتاج المنطقي. يقوم هذا النموذج بإعادة بناء عمليات الاستدلال كحسابات بيانية في فضاء رياضي عالي الأبعاد، مما يسمح بتمثيل حالات الاستدلال كمتجهات لحظية تعتمد على وحدات دلالية بدلاً من رموز فردية.

يتميز نموذج DODR باستخدام ثلاثة مشغلات مصفوفية قابلة للتدريب، حيث تمثل كل مشغلة نوعاً مختلفاً من الاستدلال: مشغل الاستنتاج، ومشغل الاستقراء، ومشغل الاستنباط. تمتد دقة هذا النظام لتحقق نتائج مذهلة، متجاوزة العادة الرئيسية للذكاء الاصطناعي في التفكير.

تظهر التجارب على عينة تتكون من 503 سجلات نتائج مثيرة للإعجاب، بما في ذلك تغطية الاستقراء بنسبة 99.96%، ودقة حلول الاستنباط تصل إلى 81.7%. كما يوفر هذا النموذج ضماناً هيكلياً لمعدل صفر من الأوهام وآلية للتعلم المستمر من ثلاث طبقات.

تعتبر هذه الابتكارات بمثابة خطوة كبيرة نحو تحسين قدرة النماذج على التفكير واستنتاج النتائج المنطقية بشكل أكثر فعالية ودقة. هل أنتم متحمسون لمعرفة المزيد عن الآثار التي يمكن أن تترتب على هذه التقنية؟ شاركونا برأيك في التعليقات.