في زمن تتزايد فيه الاعتمادات على نماذج الذكاء الاصطناعي لترجمة المحتويات عبر لغات مختلفة، تبرز تساؤلات حول كفاءة هذه التقنيات. هل الميزات المُعتمدة في لغة واحدة تُسهم بنفس القدر في تجربة لغات أخرى؟ هذا ما سعى الباحثون في دراسة جديدة لكشفه عبر تحليل الأداء في نماذج التشفير الآلي النادرة (Sparse Autoencoder) والمعروفة اختصاراً بـ (SAE).

استخدم الباحثون أسلوباً مبتكراً لفحص خصائص الترجمة، من خلال استنساخ منهجية اكتشاف ميزات SAE المتبعة في الأبحاث السابقة وتطبيقها على نماذج Gemma 2 و3، مع مراعاة اختلافات كبيرة في لغة التقديم، اللغة المصدر، واللغة المستهدفة. تم اختباري مدى أثر الميزات التي تتكرر عبر مختلف الإعدادات على سلوك الترجمة عبر تعزيز أو إبطال تفعيلها أثناء مرحلة الاستنتاج.

أظهرت النتائج من كلا النموذجين، Gemma 2 وGemma 3، أن أكثر من 20 ميزة نشطت بشكل متكرر عبر جميع إعدادات الاكتشاف، ولكن التحقق السببي كشف أن تأثيراتها كانت صغيرة أو غير متسقة. ومع ذلك، برزت ميزة واحدة، تتواجد في كلا النموذجيّن، Gemma 2 (L10, 5717) وGemma 3 (L20, 2456)، التي كانت تُحسن نتائج (COMET) بشكل ملحوظ عند تعزيزها في 23 إعداداً لغوياً، بينما كانت النتائج تتدهور عند إبطال تفعيلها.

تبين هذه النتائج أن تكرار الميزات قد يُضخم من فكرة انتقال الكفاءة عبر اللغات، إلا أنها تمكنت من تحديد اتجاه للترجمة غير المعتمد على اللغة في نماذج Gemma 2 و3. هل تعتبر هذه النتائج مؤشرًا على أفقٍ جديد في معالجة اللغات المتعددة عبر الذكاء الاصطناعي؟ دعونا ننتظر ونرى كيفية تطور هذه التكنولوجيا.