في الآونة الأخيرة، أثار عالم الذكاء الاصطناعي (AI) ضجة كبيرة بعد الإعلان عن دراسة جديدة تُظهر أن إشارات التوجيه (Routing Signals) في نماذج المحولات البصرية (Vision Transformers) يمكن أن تحسن أداء النماذج، حتى دون الحاجة لمعلومات جديدة. يعتمد هذا الاكتشاف على تحليل دقيق لإشارات التوجيه، بما في ذلك الأبواب الخبرائية، وأوزان الانتباه، ودرجات التوقف، مما يساهم في فهم أكبر-لأخطاء النموذج وتوقعات دقتها.

لكن ما الذي يعنيه ذلك حقًا؟ في هذه الدراسة التي نُشرت على موقع arXiv، قام الباحثون بإعادة رسم علامات الصواب والخطأ من مولدات فقط، مما يجعل إشارات التوجيه غير معلوماتية بناءً على البناء. وعلى الرغم من ذلك، أظهرت المقارنات مع نماذج الشبكات العصبية متعددة الطبقات (MLP) نتائج مثيرة، حيث أبلغت عن تحسينات في 51.3% من التقييمات المعتمدة فقط على الثقة، في حين لم تسجل المقارنات الخطية أي تحسينات.

هذا الاكتشاف يدعو إلى إعادة التفكير في كيفية تحديد دقة النماذج، حيث توضح التجارب أنه عند استقرار كل مسار تدريبي، واختيار نقطة التحقق بناءً على فقدان سجل التحقق وليس دقة التحقق، يمكن أن يختفي التحسن بالكامل في النماذج.

كما قدمت التحليلات المشروطة أدلة بارزة في خمس عائلات من عائلات الانتباه، مما يسلط الضوء على أهمية العلاقة بين تحسين نماذج الذكاء الاصطناعي وفهم أخطائها. ومع ذلك، يعد تركيب مسبار أفضل واختبار المعلومات الإضافية مشكلتين مختلفتين، وكل منهما بحاجة إلى عملية تحقق خاصة بها.

فما هو تأثير هذه النتائج على مستقبل تطوير الذكاء الاصطناعي؟ وما هي الاستنتاجات التي يمكن أن نستخلصها لتحسين نماذجنا؟