في عالم الذكاء الاصطناعي، تعتبر نماذج اللغة (Language Models) من أبرز التطورات، لكن ليس كل المعلومات التي تتذكرها تدعم عملية التعلم بالشكل المطلوب. في هذا السياق، قام فريق من الباحثين بإجراء دراسة جديدة تميز بين "الحقائق النشطة" و"الحقائق السلبية".

**ما هي الحقائق النشطة والسلبية؟**
الحقائق النشطة هي تلك المعلومات التي تتجاوز إعادة استرجاعها، حيث تدعم التعميم في مهام تعلم جديدة. على النقيض، الحقائق السلبية هي معلومات يمكن تذكرها ولكنها لا تعزز التعميم في مهمة معينة.

لتوضيح هذا، قام الباحثون ببناء علاقات جديدة من علاقات قائمة، على سبيل المثال، علاقة تربط مكاناً بقارته، مثل (باريس -> أوروبا). ومن ثم أعطوا كل إجابة تسمية جديدة عشوائية (مثل أوروبا -> سرطان البحر، وآسيا -> حمار وحشي). والهدف هو تدريب النموذج على هذه العلاقة الجديدة مع مجموعة فرعية من الموضوعات، من دون إبلاغه بالعلاقة الأصلية أو قاعدة إعادة التسمية.

**نتائج مثيرة**
عبر دراسة 70 علاقة و11 نموذج لغوي، أظهرت النتائج أن مدى وضوح العلاقة الأصلية في التمثيلات المدربة مسبقًا يتنبأ بشكل قوي بقدرة النموذج على التعميق العام. حيث وجد الباحثون أن العلاقة بين هذه العوامل تتراوح بين 0.87 و0.92 عند تطبيق معادلات بيرسون.

ويستمر هذا الارتباط حتى عند التحكم في عدد الموضوعات التي تم ضبط النموذج عليها، ودقة النموذج على العلاقة الأصلية، وتكرار ظهور الموضوعات في نصوص التدريب المسبق. يظهر هذا البحث أن التعميم لعلاقة جديدة يعتمد بشكل أقل على إمكانية استرجاع الحقائق، ويعتمد أكثر على مدى سهولة قراءة هيكلها المشترك بشكل خطي.

هذا الاكتشاف قد يفتح آفاقاً جديدة في كيفية تحسين نماذج اللغة وقدرتها على التعلم. ما رأيكم في هذا التطور؟ شاركونا آرائكم في التعليقات.