في العالم المتسارع للذكاء الاصطناعي، تلعب نماذج اللغة الكبيرة (LLMs) دورًا محوريًا في العديد من التطبيقات. لكن، هل تتشابه آلية تفكير هذه النماذج مع تلك الخاصة بالبشر؟ في بحث حديث تمت مشاركته عبر arXiv، تم إجراء دراسة مثيرة تتعمق في العوامل الكامنة التي تؤثر على أداء هذه النماذج مقارنةً بالطلاب البشريين.

اعتمد البحث على تقييمات صممتها البشر، مُفترضةً أن النظامين - البشري والذكاء الاصطناعي - يتبعان نفس الأنماط الإدراكية. ومع ذلك، كانت النتائج صادمة! إذ أظهرت التحليلات الاستكشافية للعوامل (Exploratory Factor Analysis - EFA) أن الخبراء في المواد الدراسية لم يتمكنوا من ربط معظم العوامل الناتجة عن نماذج اللغة الكبيرة بمعاني تربوية واضحة.

خلال التجارب، تم تقييم أداء نماذج اللغة الكبيرة في مجالي الرياضيات والكيمياء، حيث تمكن الخبراء من فك شفرة معظم العوامل المتعلقة بالبشر. لكن عند تحليل العوامل المستخرجة من النماذج، لم يُفسروا إلا نصف العوامل في الكيمياء، بينما لم يتمكنوا من إيجاد معاني لعوامل نماذج اللغة في الرياضيات.

تظهر هذه النتائج مدى تعقيد آليات عمل نماذج اللغة الكبيرة، والتي تعمل في كثير من الأحيان على آليات غير شفافة إحصائيًا تختلف عن تلك المستخدمة في التفكير البشري.

ما رأيكم في هذه الاكتشافات؟ هل تعتقدون أن هناك اختلافات جوهرية في التفكير بين البشر ونماذج الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!