في عالم يزداد فيه اعتمادنا على الذكاء الاصطناعي، يُعتبر تطوير أنظمة قادرة على التفكير السببي أمرًا جوهريًا لتحقيق دقة وشفافية في نتائجها. ومع أن الأساليب الحالية تركز على دمج القيود السببية أثناء تدريب نماذج الجينات، إلا أنها غالباً ما تفتقر إلى إطار عمل موحد يجعلها تستفيد من قدرات نماذج الأساس (Foundation Models) في التفكير صفر-لقطة (Zero-shot).

اليوم، نقدم لكم FM-CGM، وهو إطار عمل وحدوي يتيح القيام بمختلف مراحل التفكير السببي البصري باستخدام نماذج الأساس التي تم تدريبها مسبقًا. يتمثل الابتكار في أن FM-CGM يقوم بتحديد ما نطلق عليه "خط الأنابيب السببي" من خلال ثلاثة مكونات رئيسية: مستخرج المفاهيم (Concept Extractor)، مُعالج المفاهيم (Concept Manipulator)، ومولد المناهج المضادة (Counterfactual Generator).

من خلال هذا الإطار، نستفيد من نموذج تفكير كبير للتفكير في السبب والنتيجة ونموذج تحويل النص إلى صورة للوصول إلى نتائج إبداعية جديدة. هذا بالطبع يُمكن الأنظمة من اكتشاف أسباب جديدة بشكل فعال وإجراء تدخلات معنوية وإنتاج مناهج مضادة بكل سهولة.

بالإضافة لذلك، قمنا بتطوير آلية توجيه دلالي سببي (Causal Semantic Guidance)، تعتمد على الانتباه المتقاطع، لضمان أن التدخلات المعنوية تنتقل إلى المفاهيم المشتقة مع الحفاظ على المناطق الثابتة.

تجاربنا أظهرت أن هذا النهج يمكنه تحديد هياكل سببية محتملة ويعد مناسبًا لتوليد صور مضادة موثوقة، مما يمثل خطوة هامة نحو تعزيز قدرات أنظمة الذكاء الاصطناعي في فهم وتفسير العلاقات السببية.