في خطوة رائدة نحو فهم أعمق لعمليات الشبكات العصبية، اكتشف فريق من الباحثين منهجية جديدة تعتمد على خوارزمية بروكروستس العامة (Generalized Procrustes Algorithm) لقياس التقارب التمثيلي الداخلي بين الأنماط المختلفة على مستوى المحفزات الفردية. تُظهر الشبكات العصبية قدرة مذهلة على التطابق التمثيلي عبر مجموعة متنوعة من البنى والأهداف التدريبية، بالإضافة إلى نماذج البيانات المتعددة.

تشير الفرضيات الحديثة إلى أن هذا التطابق قد ينشأ من التعلم المشترك للبنى الأساسية في البيئة. ومع ذلك، تبقى الاستجابة الفردية للمحفزات الجديدة لغزاً محتملاً. كيف يمكن لصورة ما أن تُفسر بطرق متعددة، وتُعبّر عنها بكلمات مختلفة؟

أظهرت النتائج أن التباين الداخلي بين الأنماط (intra-modal dispersion)، والذي يشير إلى كيفية اتفاق الشبكات العصبية المختلفة على إدراك نفس المحفز، له تأثير كبير على التقارب بين نماذج الرؤية واللغة (cross-modal convergence). إذ أن المحفزات ذات التباين الداخلي المنخفض (high agreement among vision models) أدت إلى تحسينات ملحوظة في التقارب بين تلك الشبكات، بفارق يصل إلى الضعف.

هذا الاكتشاف يعيد صياغة فهمنا لكيفية تفاعل النماذج العصبية مع المحفزات وكيف يمكن استخدام هذه المعلومات لدراسة أعمق حول الفروق بين إدراكات الإنسان والذكاء الاصطناعي. إن قياس التقارب على مستوى المحفز الفردي يمثل خطوة هامة نحو فهم المصادر التي تؤدي إلى التقارب والفروق بين الأنماط المختلفة، مما يُسهم في تطوير تقنيات الذكاء الاصطناعي بشكل أفضل.