انتقال الذكاء: متى ستتعلم الأنظمة كيفية اتخاذ القرارات بكفاءة؟

في زمن تتطور فيه تقنيات الذكاء الاصطناعي بشكل متسارع، يتوجب علينا استكشاف أساليب جديدة لتحسين أداء هذه الأنظمة بفعالية أكبر. عرض باحثون مبتكرون في الورقة العلمية الجديدة فكرة مثيرة حول كيفية تدريب نماذج القرارات بكفاءة لتقليل التكاليف المرتبطة بها.

تفيد التحقيقات بأن إدخال مهارات جديدة في نموذج لغوي مُجمد يتطلب عادةً مليوني بارامتر، وهو ما يعد تكلفة مرتفعة للغاية. لكن، باستخدام طريقة {method}، تمكن الباحثون من تقليص هذه التكلفة إلى حوالي 3000 بارامتر فقط، مما يمثل انخفاضًا كبيرًا بمقدار مئتي مرة.

هذه الطريقة الجديدة تعتمد على التعليم السلوكي (behavior cloning) وتسمى مشغل القرار نظام-1، الذي يستخدم ما يقرب من 330K بارامتر لتعويض مشغل بتقنية التعلم المعزز (reinforcement learning) يحتوي على 1.33M بارامتر. هذا النظام ليس فقط قادرًا على تحقيق نتائج مشابهة، ولكن يمكنه أيضًا اتخاذ قرارات بسرعة، حيث تُختصر الفترة الزمنية للأخذ في الاعتبار 3,685 توكن إلى قرار واحد في 6 توكن دون فقدان الدقة.

كما أن باحثين أضافوا نسخًا أقل تعقيدًا تحتوي على 23K بارامتر، مما يعكس قدرة نظامهم على العمل بفعالية في مهام مثل SearchQA وLiveMath. هذه النسخة تظهر أيضًا تحسنًا كبيرًا في الأداء، مما يعزز الشكوك السابقة حول كفاءة الأنظمة التقليدية.

إن ما يميز هذه الطريقة هو القدرة على نقل الأساليب المستخدمة عبر مهام متعددة، مما يعني أنها ليست مقتصرة على مهمة واحدة بل يمكن تطبيقها بشكل اوسع. وفي ظل التطورات المتلاحقة، يبقى السؤال: كيف ستغير هذه الطريقة مستقبل الذكاء الاصطناعي؟