في عالم الذكاء الاصطناعي، أصبحت الذاكرة تلعب دوراً محورياً في كيفية استيعاب نماذج اللغة الضخمة (Large Language Models) للمعلومات وتفاعلها مع البيانات. ولكن، ماذا لو كانت هذه الذاكرة تسبب فخاخاً معرفية تؤثر سلباً على الأداء؟

في دراسة جديدة تم نشرها على موقع arXiv، تم تقديم أداة تقييم جديدة باسم MemTrapBench، التي تهدف إلى تقييم الفخاخ المعرفية الناتجة عن استخدام الذاكرة. حيث أظهرت التجارب أن استراتيجيات الذاكرة الحالية تعاني من قيود كبيرة، مما أدى إلى انخفاض الأداء بنسبة أكثر من 10% مقارنة بالأساليب التي لا تستخدم الذاكرة.

يستعرض MemTrapBench نوعين من الفخاخ المعرفية: تثبيت المنطق (Reasoning Fixation) وتشويه المعتقدات (Belief Distortion). من خلال هذه الأداة، تم تقييم مدى تأثير الذاكرة على عملية التفكير والاستنتاج. ولحل هذه المشكلة، اقترح الباحثون طريقة جديدة تُدعى AdaptiveMem، التي تمكّن نماذج اللغة الضخمة من تجنب هذه الفخاخ المعرفية مع الحفاظ على الأداء في اختبارات الذاكرة التقليدية.

مع تزايد الاعتماد على هذه النماذج في تطبيقات حقيقية، يُعتبر هذا الاكتشاف خطوة هامة في تعزيز جودة الذكاء الاصطناعي وضمان تقديمه لمزايا حقيقية للمستخدمين.