تُعتبر نماذج اللغات الضخمة (Large Language Models) من التقنيات الرائدة في مجال الذكاء الاصطناعي، ولكن تقييم موثوقيتها يمكن أن يكون صعبًا عند الاعتماد على الاحتمالات العددية فقط. هنا يأتي ابتكار بحثي جديد يُعرف بـ TRACED، وهو إطار عمل مصمم لتقديم تقييم دقيق لجودة التفكير.

TRACED يعتمد على أسس هندسية حركية لفهم ديناميات التفكير بشكل أكثر عمقًا. من خلال تحليل مسارات التفكير إلى عنصرين رئيسيين وهما "التقدم" (Progress) و"الاستقرار" (Stability)، يكشف هذا الإطار عن اختلافات معمقة في أنماط التفكير. حيث يظهر أن التفكير الصحيح يتجلى عبر مسارات ذات تقدم عالٍ واستقرار، بينما تسمى الأنماط غير الصحيحة أو الهلاوس بمستويات ضعيفة من التقدم وغياب الاستقرار، مما يعني أن هناك اضطرابات في مسيرة التفكير الآلي.

بفضل هذه signatures، يحقق الإطار أداءً متفوقًا وموثوقية عبر مجموعة واسعة من معايير التقييم، مما يجعل هذه الأساليب مفيدة في توسيع فهمنا لديناميات العمل الداخلي لنماذج الذكاء الاصطناعي.

من خلال ربط الهندسة بالمعرفة، يستطيع TRACED رسم علاقة بين "دوائر التردد" (Hesitation Loops) التي تعكس عدم اليقين، و"تراكم اليقين" (Certainty Accumulation) الذي يُعبّر عن مستوى الثقة في الاستنتاجات. هذا يقدم لنا رؤية فريدة لفك شفرة تفكير الآلات.

في ضوء هذه الاكتشافات، ماذا تعتقد في دور الهندسة في تقييم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.