تصدرت نماذج اللغات الضخمة (Large Language Models) عناوين الأخبار بقدرتها الفائقة على حل المسائل الرياضية البسيطة بدقة عالية. لكن الغريب أن إضافة جملة واحدة غير ذات صلة يمكن أن تؤدي إلى انهيار هذه القدرات. هذا ما وجده باحثون في دراسة جديدة نشرت في arXiv.

تتناول الدراسة كيفية تدهور أداء هذه النماذج بسبب عدم دقتها في التعامل مع المعطيات الخارجة عن السياق. وبالتالي، يكشف البحث عن نموذج آلي مكون من أربع مراحل متتابعة في معالجة المعلومات، وهي:
1. **تجريد النماذج (Schema Abstraction)**
2. **تخطيط العمل (Operation Planning)**
3. **ربط المعطيات (Operand Binding)**
4. **الحساب (Computation)**

كل مرحلة من هذه المراحل تنتج تمثيلاً وسيطياً مميزاً يمكن تحديده ضمن نطاق معين من الطبقات. باستخدام هذه البنية، يتناول الباحثون أيضًا فشل النموذج في حالة وجود معطيات مشوشة، ويحددون أن الفشل يعود إلى مرحلة واحدة فقط، وهي **تخطيط العمل**.

هذه المرحلة تتطلب تفعيل مجموعة من رؤوس الانتباه (Attention Heads)، حيث تم التحقق من دورها بشكل ثنائي الاتجاه.

في النهاية، تقدم هذه الدراسة تفسيرات ميكانيكية مثيرة لتفكير نماذج الذكاء الاصطناعي في حل المسائل الرياضية، وأيضاً كيف يمكن أن تؤدي العناصر المشتتة إلى فشلها. هل لا تزال تعتقد أن هذه النماذج مثالية؟ شاركونا آرائكم في التعليقات!