في عالم اليوم، تعد نماذج اللغات الضخمة (Large Language Models) من أهم الابتكارات التكنولوجية، إلا أن هناك تحديات رئيسية تواجهها، وخاصة في سياق الأمان المتعدد اللغات. تكشف الأبحاث الجديدة عن وجود عدم توافق حاد في أمان هذه النماذج بين اللغات الغنية، مثل الإنجليزية، وتلك الفقيرة، مثل الجاوية.

للأسف، تعتمد طرق أمان النموذج الحالية بشكل رئيسي على بيانات ردود ذات جودة عالية لكل لغة مستهدفة، وهو ما يمثل تحديًا كبيرًا من حيث التكلفة ووقت الإنتاج. لكن دراستنا الجديدة تُقدم حلاً مبتكرًا يُعرف باسم تقنية الاستخلاص الذاتي المتعدد اللغات (Multilingual Self-Distillation - MSD).

تُعرّف هذه التقنية إطار عمل يسمح بنقل قدرات الأمان الكامنة من نماذج اللغات ذات الموارد الوفيرة إلى تلك اللغات التي تعاني من نقص الموارد، متجاوزة الحاجة إلى بيانات ردود خاصة بأي لغة. يعكس هذا الإطار مرونةً في التكيف مع استراتيجيات الاستخلاص الذاتي المختلفة.

تم تنفيذ طريقتين محددتين ضمن هذه التقنية: MSD ذات السياسات المباشرة وMSD ذات السياسات غير المباشرة. كلا الطريقتين تُسهلان عملية تحويل الأمان عبر اللغات، وذلك بالاعتماد فقط على استفسارات متعددة اللغات.

تُعزز هذه التقنية من أمان النماذج بشكل ملحوظ، حيث تم اقتراح قياس جديد يُعرف باسم تقييم الوزن المزدوج للأمان (Dual-Perspective Safety Weighting - DPSW). يقيس هذا الأسلوب التباين لتحسين هدف الاستخلاص بطريقة تأخذ بعين الاعتبار وجهات نظر كل من المعلم والطالب، مما يزيد من وزونات العقوبات على الرموز ذات الأهمية الحيوية.

تظهر التجارب الواسعة التي أُجريت على نماذج لغوية تمثيلية عبر معايير متعددة اللغات ضرورة النجاح، حيث تحقق الطريقة نتائج متفوقة باستمرار، ليس فقط في الأمان، بل وتبقى أيضًا محافظة على قدرات النموذج العامة.

باختصار، يمثل هذا البحث خطوة مهمة نحو تعزيز أمان الذكاء الاصطناعي في بيئات متعددة اللغات، ما يفتح المجال أمام المزيد من الابتكارات المستقبلية.