لماذا لا تنتقل نماذج جي بي تي إلى الموسيقى الرمزية؟ اكتشف سرها الغامض!

في عالم الذكاء الاصطناعي، نجحت نماذج جي بي تي (GPT) في تحقيق أداء قوي عندما يتعلق الأمر بتمثيل النصوص عبر مفردات محدودة من الرموز القابلة لإعادة الاستخدام. هذه النجاح حفز العلماء للبحث في كيفية تطبيق نفس الفكرة على الموسيقى الرمزية، حيث تُعتبر الهياكل الموسيقية المتكررة مثل الأكورديات والإيقاعات الأساسية كأنماط قابلة للإعادة، مثل الرموز اللغوية.

ومع ذلك، تضيع النماذج في تسليم الفكرة البسيطة: النجاح في الترميز الموسيقي لا يعتمد فقط على دمج هذه الأنماط، بل يكمن في فعالية الضغط. الضغط الفعال يتطلب وجود توازنات في النظام الذي يربط بين الحقائق الموسيقية، بحيث تُشكّل التوزيعات الشرطية القابلة للتنبؤ.

يستعرض الباحثون إطار عمل يُعرف باسم "إطار فعالية-عدم خسارة"، والذي يُعرّف الترميز بأنه بناء نظام يسهل التنبؤ الفعال ويحقق عدم الخسارة على مستوى العلاقات. ينقسم هذا الإطار إلى مبدأ فعالية التنبؤ، والذي يُحدد الحدود بين الحقائق والرموز، ومبدأ عدم خسارة العلاقات الذي يوضح الحدود بين الرموز والدولة.

تجارب مضبوطة في المجال الموسيقي الرمزي تؤكد صحة هذه الحدود، حيث أظهر أن بناء أنظمة التنسيق الفعالة يُحسّن قابلية الضغط التنبؤية، بينما تمنع التوقعات الثابتة الإبداع الموسيقي المعقد من الظهور. بشكل مثير، نجد أن التركيز على ضغط التسلسل لوحده لا يضمن الضغط التنبؤي، في حين يسمح الحفاظ على حرية السياق بتشكل التنظيم الموسيقي دون الحاجة إلى تسميات هيكلية صريحة.

هذه النتائج تشرح سبب عدم انتقال نماذج جي بي تي مباشرة عبر الوسائط: تتنقل الهياكل، ولكن واجهات الترميز لا تفعل ذلك. لذا، يجب أن تكتشف عمليات الترميز تمثيلات فعّالة بينما تحافظ على حرية العلاقات التي تُنتج منها الهياكل السياقية.