في عالم نماذج اللغة المتقدمة، يتكرر سؤال مهم عن مدى عمق تفكير هذه النماذج: هل تتمكن بالفعل من تقديم تفسيرات صادقة لنفسها بدلاً من تقليد سطحي؟

دراسة جديدة تُظهر أن تدريب نماذج اللغة على شرح التأثيرات التي تُشكل سلوكها يمكن أن يُحدث تغييرات ملموسة في كيفية استجابتها. ولكن كيف يحدث هذا؟ من خلال تجربة تدريب تستخدم سلوكيات مضادة للحقائق (counterfactual behaviors) كنموذج للإشراف، تظهر النتائج أن نماذج اللغة التي تم تعليمها على تفسيرات ثابتة تستمد من نقاط تفتيش سابقة يمكن أن تنتج تفسيرات دقيقة لسلوكياتها الحالية.

الغريب في الأمر، أن هذه النماذج لا تتبع فقط أهداف التدريب السابق بل تُظهر قدرة على استبصار سلوكياتها الذاتية، مما يشير إلى ما يسمى بالتزاوج الاستكشافي (introspective coupling) بين التفسيرات وسلوكياتها. هذا التزاوج يمكن أن يحدث في مختلف المهام، مثل التعامل مع المواقف الاجتماعية وتعليقات المدح أو الرفض، وهو يُظهر مقاومة ضد ضوضاء التسمية.

توضح النتائج هذه الدراسة أن البيانات الثابتة من التفسيرات يمكن أن توفر إشارة قيمة قابلة للاستخدام على نطاق واسع مرة أخرى في التدريب المتقدم، مما يعزز من أداء النماذج ويزيد من مرونتها في التعلم الذاتي.

إذا كنت مهتمًا بفهم كيف يمكن للذكاء الاصطناعي أن يتعلم من نفسه، فما رأيك في هذا التطور؟ شاركونا في التعليقات!