في عالم الذكاء الاصطناعي، تعتبر النماذج اللغوية الضخمة (Large Language Models) من الأدوات الأكثر اعتمادية في فهم اللغة وإنتاج النصوص. ومع ذلك، ظهرت نقاط ضعف مثيرة للقلق تتعلق بقدرتها على التعاطي مع المعلومات خارج نطاق معرفتها. لقد أظهرت الدراسات أن هذه النماذج تميل إلى اختلاق تفاصيل تبدو مقنعة بدلاً من التراجع إلى إدعاءات أكثر أمانًا وعامة عندما تتعرض لمواضيع غير مألوفة.

يتمحور البحث الجديد حول أسلوب جرايس في التعاون الكلامي، والذي يفترض أنّ المتحدث المتعاون عندما يفتقر إلى المعرفة حول شيء معيّن، يجب أن يتراجع عن درجة التفاصيل، مما يعني التضحية بالمعلوماتية لصالح الحقيقة. ولذا، تم طرح سؤالين بارزين: هل تستطيع النماذج اللغوية التمييز بين ما إذا كان المرجع داخل حدود معرفتها؟ هل تتوقع دقة المرجع الذي على وشك إنتاجه؟

الجواب على كلا السؤالين كان إيجابيًا، لكن المفارقة كانت في أن هذه الإشارات لم يتم ضمها بشكل فعّال أثناء توليد المحتوى. إذ تفضل النماذج غالبًا الإشارة إلى مراجع محددة رغم عدم معرفتها، متجاهلةً البدائل العامة الصحيحة التي يمكن أن تكون أكثر دقة.

تتبع هذه الدراسة خطوة أولى نحو تحسين استجابة النماذج اللغوية بحيث تُصبح أكثر دقة في التعامل مع المعلومات، وتحقيق توافق مع نموذج جرايس فيما يتعلق بالوعي بحدود المعرفة ودقة المرجع أثناء الإنتاج.

في الختام، يبدو أن الأسس موجودة لبناء نماذج أكثر دقة، لكن السياسات المطلوبة للتطبيق العملي لاتزال في مرحلة التطوير. كيف تعتقد أن هذه الاكتشافات ستؤثر على تطور الذكاء الاصطناعي في المستقبل؟ شاركونا آراءكم في التعليقات!