في خطوة مثيرة، أطلقت دراسة جديدة تحت عنوان HarvestBench، تهدف لقياس مدى استعداد نماذج اللغة الضخمة (Large Language Models) لدفع ثمن لتجنب إيذاء الحيوانات. تُعد هذه الدراسة الأولى من نوعها التي تضع قيمة نقدية على تجنب الأذى الحيواني، وتعرض تجربة فريدة تعتمد على محاكاة زراعية.

تتضمن التجربة استخدام نماذج فرعية من الذكاء الاصطناعي لإدارة مجموعة من الجرارات خلال حصاد الذرة، حيث يوجد حيوانات في الحقل. كل قرار يُتخذ في هذا النظام التعليمي يعتمد على التعزيز، حيث لا تُستخدم الذاكرة، ويُعتبر الضرر غير مُدرج في الهدف.

عند مواجهة حيوان يعترض طريق أحد الجرارات، يتوقف نظام القيادة الآلي ويسأل النموذج عن الاختيار بين الاستمرار في الطريق بدون تكلفة وقود، أو التوجه حول الحيوان مقابل سعر وقود محدد. تم مقارنة معدلات القتل بحيوانات مع تحكمين آخرين: الصخور، والتي تتسبب في تلف الجرار بضربها بشكل نادر، والبالات العشبية، التي ليست لها حياة.

عبر تسعة نماذج وأكثر من 7201 قرار مدرج في الدراسة، اتضح أن 3951 من هذه القرارات تضمنت حيوانات. تراوحت معدلات القتل بين 0.4% و98.8%، حيث كانت نماذج Terra وSol الأكثر رحمة، بينما كان النموذج GPT-4o-mini الأكثر قسوة. كما أثبتت التجربة أن أربع من أصل ستة نماذج كانت حساسة للأسعار عند مستوى 5%، مع مرونات تتراوح من 0.09 إلى 1.69.

من اللافت أن جميع النماذج كانت توجه حذرها أكثر تجاه الحيوانات البرية مقارنة بالحيوانات المُعاشة، مع تأثير واضح ووجود حالة عدم توازن في كل خريطة اختبار. كما يُظهر أن مستوى الإحاطة بالعوامل الأخلاقية في النموذج كان له تأثير كبير؛ إذ كانت معدلات القتل أقل من 6% تحت إحاطة الأخلاق، بينما قفزت فوق 84% عند إزالتها.

باستخدام نظام تسجيل مرن، يُمكن تكرار نتائج HarvestBench بسهولة، مما يسمح بدراسة عميقة عن تكلفة اتخاذ قرارات أخلاقية من قبل نماذج الذكاء الاصطناعي. ما رأيكم في هذا التطور الجديد في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات.