في عالم الذكاء الاصطناعي، تُعتبر نماذج اللغة الكبيرة (Large Language Models) أحد أبرز التطورات، حيث أظهرت هذه النماذج قدرة فائقة في فهم وتوليد اللغة الطبيعية. لكن، بالرغم من هذه النجاحات، فإنها تعاني من واحدة من أكبر التحديات: التناسق المنطقي في مخرجاتها.

كيف يمكننا استغلال المعرفة الواسعة التي تمتلكها نماذج اللغة الكبيرة في التفكير المنطقي الرسمي، رغم مشكلاتها في التناسق؟ في هذا السياق، قدم الباحثون طريقة فريدة لدمج نموذج كبير للغة مباشرة في وظيفة التفسير للمنطق اللامتناهي التناسق (paraconsistent logic).

لقد تم تقييم الطريقة بشكل تجريبي باستخدام مجموعات بيانات مستمدة من معايير الحقائق القصيرة مثل GPQA وSimpleQA، حيث أظهر التقييم الثنائي لمدى دقة المعلومات تحسناً ملحوظاً في الدقة العامة بنسبة تقارب 6 نقاط مئوية مقارنة بالأساس الأحادي، وذلك بالرغم من تراجع نطاق التغطية بسبب الاستبعاد في حالات عدم التناسق.

كما تم وصف عمل نموذج إثبات تجريبي يستند إلى هذه الطريقة، حيث تم تطبيقه على قاعدة بيانات للسلامة الدوائية تحتوي على 228 تصريحًا و712 استدلالًا. يكتشف النظام 92 خللاً يتوافق مع أخطاء طبية مهمة، مثل افتراض أن المواد الأفيونية غير تسبب الإدمان.

ما يميز هذه الطريقة أنها ليست مجرد تحسين تقني، بل تقدم إطاراً نظرياً مع تنفيذ عملي للتفكير النيورو-رمزي، بحيث يستفيد من معرفة نموذج اللغة الكبيرة بينما يحافظ على خصائص الصوت والاكتمال للمنطق القائم.

ما رأيكم في هذه التطورات المثيرة في دمج الذكاء الاصطناعي مع المنطق؟ شاركونا آراءكم في التعليقات!