في عالم الذكاء الاصطناعي، يبقى الحديث عن نماذج اللغة الكبيرة (Large Language Models) مثيرًا للاهتمام، ولكن واحدة من تحدياتها الرئيسية تكمن في عدم قدرتها على إجراء استدلالات تتطلب هياكل رمزية واضحة واستنتاج متعدد الخطوات. هنا تأتي أهمية البحث الجديد الذي تم تقديمه على منصة arXiv، والذي يطرح إطار عمل نيروسيومبوليك (Neuro-Symbolic) يعد بمثابة حل مبتكر لمشكلة الاستدلال في اللغة الطبيعية.

تعتمد هذه الدراسة على تحويل مشاكل التفكير باللغة الطبيعية إلى تمثيلات رسمية قابلة للتنفيذ، مستخدمةً المنطق من الدرجة الأولى (First-Order Logic) ولغة Narsese، التي تعد جزءًا من نظام الاستدلال غير البديهي (Non-Axiomatic Reasoning System - NARS). كما تم تقديم مجموعة بيانات جديدة تُعرف بـ NARS-Reasoning-v0.1، تضم مجموعة من مشاكل الاستدلال باللغة الطبيعية مرتبطة بأشكال المنطق من الدرجة الأولى، وبرامج Narsese قابلة للتنفيذ، مع ثلاث تصنيفات متطابقة: صحيح (True)، خاطئ (False)، وغير مؤكد (Uncertain).

يعتمد البحث على تطوير عملية تجميع حتمية من المنطق من الدرجة الأولى إلى Narsese القابلة للتنفيذ، مع التأكد من صحة الأمثلة من خلال التنفيذ الحقيقي في OpenNARS for Applications (ONA). وهذا يضمن أن الأهداف الرمزية ليست فقط مكتوبة بشكل صحيح بل أيضًا تتوافق سلوكيًا مع الإجابة المطلوبة.

ومن خلال تقديم مفهوم الإدراك ذي الهيكلة اللغوية (Language-Structured Perception - LSP)، يعمل البحث على تدريب نماذج اللغة الكبيرة لإنتاج هياكل رمزية ذات صلة بالتفكير بدلاً من تزويدها بردود لفظية نهائية فقط. كدليل أولي على الفكرة، تم تدريب وإطلاق محول Phi-2 LoRA على NARS-Reasoning-v0.1 لتصنيف الاستدلال ذو الثلاثة تصنيفات، مظهرًا قدرة المعيار على دعم التكيف الخاضع للإشراف إلى جانب التقييم القابل للتنفيذ.

بشكل عام، يضع هذا البحث توليد الرموز القابلة للتنفيذ والتحقق القائم على التنفيذ كخطوة عملية نحو تحسين أنظمة التفكير النيروسيومبوليك لتكون أكثر موثوقية.