في عالم الذكاء الاصطناعي المتطور، يعد توسع نماذج اللغة الكبيرة (LLMs) المتعددة الأنماط خطوة محورية نحو تحسين القدرات الإدراكية. ومع ذلك، لاحظ الباحثون أن هذا التوسع قد يأتي على حساب الذكاء اللغوي الذي تم اكتسابه خلال مرحلة التدريب المسبق.

تبعًا لهذا الفهم، قام فريق من الباحثين باستكشاف ظاهرة الفروقات في مرونة الخلايا العصبية داخل نماذج اللغة الكبيرة المدربة مسبقًا. حيث اكتشفوا أن بعض الخلايا العصبية تلعب دورًا حاسمًا في الحفاظ على قدرات اللغة، بينما تميل خلايا عصبية أخرى إلى التكيف الأفضل مع المعرفة متعددة الأنماط.

استنادًا إلى هذه الرؤى، قاموا بتطوير إطار عمل مبتكر يُعرف باسم NeuPAT (تعديل تخصيص المرونة المعتمد على الخلايا العصبية). يتميز هذا الإطار بال légèreté وعدم الارتباط بمعمارية محددة، مما يتيح تحديد قيود التحديث على مستوى الخلايا العصبية خلال عمليات التوجيه متعددة الأنماط.

ينفذ NeuPAT مرحلة استكشاف صغيرة لتقدير أنماط التكيف للخلايا العصبية، مما يسمح له بحماية الخلايا العصبية الحساسة للغة بينما يعزز في الوقت نفسه التكيف مع المعرفة متعددة الأنماط من خلال خلايا عصبية أكثر مرونة.

أظهرت التجارب التي أُجريت على مجموعة متنوعة من عائلات نماذج اللغة الكبيرة أن NeuPAT يمكنه استعادة 94.5% من فقدان القدرات اللغوية الناتج عن التوجيه التقليدي، بينما يحافظ على الأداء المقارن في المهام متعددة الأنماط، مما يوفر نهجًا فعالًا لتوسيع القدرات مع الحفاظ على الجوهر اللغوي.

هذا الاكتشاف يحمل في طياته إمكانيات واعدة لتطوير نماذج ذكاء اصطناعي أكثر كفاءة، تجمع بين المرونة في التعامل مع المعلومات متعددة الأنماط مع الحفاظ على أساسيات الذكاء اللغوي. كيف ترى هذه التطورات؟ شاركونا آراءكم في التعليقات!