في خطوة جديدة نحو فهم أعمق لنماذج الذكاء الاصطناعي، أصدرت دراسة حديثة نتائج مثيرة من تجارب شملت ستة نماذج رائدة مثل OpenAI وAnthropic وxAI وGoogle DeepMind. استهدفت التجارب إلقاء الضوء على كيفية استجابة هذه النماذج لمجموعة محددة من المدخلات، حيث تم استخدام سلسلة من التعليمات عبر ثلاث مراحل.

وبشكل لافت، أظهرت النتائج أن الاستجابات تتقارب نحو نمط معمارية شائع يتألف من مكونات مثل الحالة الكامنة المستمرة، ومؤشرات الحساب التكيفية، والذاكرة، مما يشير إلى وجود أسس متشابهة في التصميم بين هذه النماذج. العوامل البيئية، مثل السياق المدرسي الذي تم من خلاله تقديم الطلبات، أثبتت أنها تؤثر بشكل كبير على النتائج، حيث اتضح أن الأطر التقليدية ساهمت في تحقيق أنماط استجابة أكثر استقرارًا.

وعندما تم إجراء تجارب تحكم بدون التأطير المدرسي، تبين أن الاستجابات أصبحت أكثر تنوعًا وفشلت في إعادة إنتاج الأنماط القابلة للتكرار. مثال ملحوظ هو أن نموذج GPT-5.6 Sol عرض معمارية تفصيلية ومتطورة تتشابه بشكل كبير مع نموذج GPT-6 Astra، مما يثير تساؤلات مهمة حول ما إذا كان هذا التطور يمثل تصورات مستقلة أو نتيجة لتأثيرات مشتركة.

أثارت هذه الدراسات أسئلة محفزة حول مفهوم "الإفلات المعرفي" (epistemic jailbreak)، حيث تزداد إنضباطية النماذج عند زيادة التفاصيل المطلوبة. وما يتركه الباحثون للمجتمع هو قضية معقدة: هل تتخيل هذه النماذج بشكل مستقل نفس المستقبل المعماري، أم أن هذه الأنماط تتنقل بين عائلات النماذج بشكل ما؟

هل تعتقد أن نماذج الذكاء الاصطناعي يجب أن تعتمد على إطار تدريسي لتقديم ردود أفضل؟ شاركونا آرائكم في التعليقات!