في عالم الذكاء الاصطناعي، يعد الاستنتاج الانتقالي (Transitive Inference) من التحديات الكبيرة. يعتمد هذا النوع من الاستنتاج على استنتاج أن A < C من معرفة العلاقات المجاورة فقط (A < B، B < C). بينما يتمكن البشر والحيوانات من تحقيق ذلك عبر خط ذهني عددي رمزي، تساءل الباحثون هل يمكن لنماذج Transformers أن تتبنى نمطاً شبيهاً؟

قام الباحثون بإجراء تجارب على نماذج أصغر تعتمد على مقارنات مجاورة فقط، ووجدوا أن هناك إمكانية لتعميم هذه النماذج على أزواج بعيدة لم تُرَ سابقاً، مما يؤدي إلى ظهور شكل هندسي مثير. ففي هذا السياق، يستنتج أن تمثيلات الكيانات تتقلص لتشكل متنوعاً أحادي البعد، حيث تستعيد المحور الرئيسي الترتيب الخفي بدقة مذهلة.

تظهر النتائج أن حتى مع وجود دقة عالية في النتائج، فإن الثقة في القرارات والفصل الهندسي يتسابقان بشكل متزايد مع زيادة المسافة المرتبة بين الكيانات، مما يعكس التأثير الرمزي للمسافات الذي تم رصده عبر عقود من التجارب السلوكية على البشر والرئيسيات.

هذا الاكتشاف يعزز العلاقة بين الأنظمة الإدراكية والشبكات العصبية الحديثة، حيث يقدم تفسيراً آلياً للاستنتاج الانتقالي، مما يفتح أبواباً جديدة في فهم الآليات الإدراكية والمعرفية.