ما زال التفكير، وهو العملية التي تتضمن ابتكار وتنفيذ تسلسلات معقدة من الإجراءات الموجهة نحو تحقيق الأهداف، يمثل تحدياً محورياً في مجال الذكاء الاصطناعي (AI). حتى الآن، كانت النماذج اللغوية الضخمة (Large Language Models) تعتمد بشكل أساسي على تقنيات "سلسلة الأفكار" (Chain-of-Thought), والتي تعاني من صعوبات تتعلق بتفكيك المهام، وحاجات بيانات هائلة، وزيادة زمن الاستجابة. لكن مع ظهور النموذج الهرمي للتفكير (Hierarchical Reasoning Model - HRM)، بدأنا نشهد تحولاً كبيرًا في هذا المجال.

يستمد HRM إلهامه من معالجة المعلومات الهرمية ومتعددة الأبعاد في الدماغ البشري. يمثل هذا النموذج بنية متكررة جديدة تتميز بعمق حسابي كبير، وتوازن مثالي بين الاستقرار أثناء التدريب والكفاءة. يقوم HRM بتنفيذ مهمات التفكير التسلسلي في دورة واحدة للأمام دون الحاجة إلى إشراف واضح على العمليات الوسيطة. يتم ذلك من خلال وحدتين متكررتين متداخلتين: الوحدة العليا المسؤولة عن التخطيط البطيء والتجريدي، والوحدة السفلى التي تتعامل مع الحسابات التفصيلية والسريعة.

رغم أن HRM يحتوي فقط على 27 مليون معلمة، إلا أنه يحقق أداءً استثنائيًا في المهام المعقدة من خلال استخدام 1000 عينة تدريب فقط. يعمل هذا النموذج دون الحاجة إلى التدريب المسبق أو بيانات سلسلة الأفكار، ومع ذلك، يحقق أداءً شبه مثالي في المهام الصعبة مثل الألغاز المعقدة من نوع سودوكو (Sudoku) والعثور على المسار الأمثل في المتاهات الكبيرة. علاوة على ذلك، يتفوق HRM على نماذج أكبر بكثير والتي تعتمد على نوافذ سياق أطول في مجموعة التجريد والتفكير (Abstraction and Reasoning Corpus - ARC)، وهو معيار رئيسي لقياس قدرات الذكاء الاصطناعي العام.

هذه النتائج تبرز إمكانية HRM كخطوة ثورية نحو الحوسبة الشاملة وأنظمة التفكير العامة. ما هي قراءتكم لهذه الابتكارات؟ هل تعتقدون أن النموذج الهرمي سيغير المستقبل بشكل حقيقي؟ شاركونا في التعليقات!