تعتبر الاستدلالات التماثلية (Analogical Reasoning) من أبرز سمات الذكاء البشري، فهي تمكننا من تفعيل الأنماط المجردة التي تم اكتشافها في مجال ما وتطبيقها في مجالات أخرى. على الرغم من أهميتها الكبيرة في الإدراك، إلا أن الآليات التي من خلالها يتعلم الذكاء الاصطناعي، وخصوصاً نماذج Transformers، تنفيذ هذا النوع من التفكير لا تزال غير مفهومة بشكل كامل.

في دراسة جديدة، استلهم الباحثون من مفهوم الفونكتورات (functors) في نظرية الفئات، حيث قاموا بتعريف الاستدلال التماثلي كاستنتاج للتماثلات بين الكيانات عبر فئات مختلفة. استناداً إلى هذا المفهوم، تم تقديم مهام اصطناعية (Synthetic Tasks) لتقييم ظهور الاستدلال التماثلي تحت ظروف خاضعة للرقابة.

أظهرت النتائج أن ظهور القدرات الاستدلالية لدى نماذج Transformers يعتمد بشكل كبير على خصائص البيانات، واختيارات التحسين، وحجم النموذج. ومن خلال التحليل الآلي، تم التوصل إلى أن الاستدلال التماثلي يتفتت إلى مكونين أساسيين:
1. المحاذاة الهندسية (Geometric Alignment) لبنية العلاقات في فضاء التضمين (Embedding Space)،
2. تطبيق الفونكتور ضمن نموذج Transformer.

تمكن هذه الآليات النماذج من نقل البنية العلاقاتية من فئة إلى أخرى، مما يتيح تحقيق الاستدلال التماثلي.

في نهاية الدراسة، تم قياس هذه التأثيرات واكتشف الباحثون أن نفس الاتجاهات لوحظت أيضاً في نماذج اللغات الضخمة (Large Language Models) المدربة مسبقاً، مما يمثل تحولاً من مفهوم مجرد للإدراك إلى ظاهرة ملموسة تستند إلى الميكانيكيات في الشبكات العصبية الحديثة.

هذا الاكتشاف يفتح آفاقاً جديدة لفهم كيفية معالجة الذكاء الاصطناعي للمعلومات وكيف يمكن استخدامه في التطبيقات المستقبلية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.