في عالم الذكاء الاصطناعي والتعلم الآلي، تُعتبر نماذج اللغات الضخمة (Large Language Models - LLMs) من أبرز الابتكارات التي أثرت بشكل كبير في معالجة اللغة وفهمها. لكن دراسة جديدة تحمل توقيع Zahavy [2026] تطرح تساؤلات جادة حول ميزات هذه النماذج.

تؤكد الدراسة أن هذه النماذج، على الرغم من قدراتها العالية في كل من الاستنتاج (Induction) والاستنباط (Deduction)، لا تستطيع تحقيق "القفزة" العقلية الضرورية، المماثلة للسماح لأينشتاين بابتكار مبدأ التكافؤ. ويعزي الباحثون هذه المحدودية إلى غياب التجسيد الحركي (Embodied Simulation)، وهو ما يعتبر جوهرياً في فهم العوامل الكامنة وراء الظواهر الفيزيائية.

ولكن، هل التجسيد شرط لازم لإجراء الاستنباط؟ هذا هو سؤال هام طرحه Zheng-Xin وFarmer [2026]، حيث تساءلا عن بدائل محتملة لفهم العلاقة بين التجسيد والقدرة على الاستنباط. يشير الباحثون إلى نظريات أخرى في النسبية العامة (General Relativity) التي لا تحتاج إلى أسس حركية يمكن الاعتماد عليها.

تاريخياً، فإن التحولات المفاهيمية التي قام بها ماكس بلانك في عام 1900 مثّلت نموذجًا واضحًا عندما استطاع تجاوز مشكلة إشعاع الجسم الأسود (Blackbody Radiation) بدون الحاجة إلى تجسيد حركي، بل انطلق من نتائج الرياضيات ليتجنب مشكلات طاقة غير محدودة لمقدار فيزيائي محدود.

تُظهر النتائج التجريبية أن نماذج التحويل المستقرة (Fixed-Weight Transformer Inference) تفقد قدرتها على الربط بين الأخطاء الإدراكية (Epistemic Error) والتكاليف الفيزيائية، ما يؤدي إلى انخفاض دقة النماذج في التنبؤ بشكل كبير. وذلك يبرهن مدى تعقيد الاتصال بين الذكاء الاصطناعي ومصادر المعرفة والتنفيذ البدني.

بمعنى آخر، لتحقق النجاح في الاستنباط، تحتاج الأنظمة إلى آليات تكلف الأخطاء الإدراكية بما يكفي لتجبرها على إعادة النظر في التفسيرات. ليس هناك شك في أن هذا الموضوع قد يفتح آفاقًا جديدة لفهم كيف يمكن للأنظمة الذكية أن تحقق نتائج تشبه التفكير البشري.