في عالم الذكاء الاصطناعي، تظل نماذج اللغة الضخمة (LLMs) موضوعًا مثيرًا للاهتمام لدراسة كيفية تمثيل المعرفة والفهم. واحدة من أحدث الطرق المتبعة في هذا المجال جاءت تحت اسم *Mining via Activation Geometry* (هندسة التنشيط)، والتي تمثل إطارًا غير مراقب يُستخدم لاستخراج ميزات التفكير من تنشيطات النماذج.

تستخدم هذه الطريقة تعليمات بلغة طبيعية، حيث تقوم بإضافة نفس التعليمات إلى كل مدخل. فعلى سبيل المثال، يمكن أن تكون التعليمات مثل "هل يمكن العثور على هذا الشيء في الصحراء؟" توفر نظرة ثاقبة حول كيفية تفسير النموذج لهذه المفاهيم.

باستخدام هذه التقنية، يقوم الباحثون بقياس كيفية تغيير التعليمات لتمثيل النموذج الداخلي من خلال مقارنة عدم القدرة على التمييز بين المدخلات المختلفة. تم اختبار ثماني استراتيجيات مختلفة لهذه الطريقة، حيث أظهرت النتائج أن الميزات المستخرجة تستطيع التنبؤ بفهم النموذج للعالم ومحاكماته.

كما تم إظهار أن بعض الميزات تكون ذات تمثيل خطي أكثر من غيرها، وهو ما يمكن استثماره في تغيير قرارات نموذج اللغة من خلال توجيه التنشيط. والأمر المثير هو أنه عند استخدام هذه الطريقة لتحسين مجموعة بيانات التدريب لاختبارات التصنيف، تمكنت النتائج من تحقيق دقة تصل إلى 94.7% في أفضل أداء، مما يدل على أهمية الطريقة في تحسين أداء نماذج الذكاء الاصطناعي.

هذه الطرق الجديدة لا تسهم فقط في تحسين فهم الذكاء الاصطناعي لمختلف المفاهيم، بل أيضًا تدفعنا إلى إعادة التفكير في كيفية تدريب هذه النماذج واستخدامها في التطبيقات الحياتية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.