في عالم الذكاء الاصطناعي، تواصل نماذج اللغة الضخمة (LLMs) إبهارنا بقدراتها المتزايدة على معالجة اللغة. ومع ذلك، لم يكن الأداء الجيد دائماً مرتبطاً بمجموعة ثابتة من العمليات. يُظهر بحث جديد أجرته مجموعة من العلماء بقيادة Li et al. (2026) كيف يمكن تحسين هذه النماذج عبر تقنية تُعرف باسم نماذج برمجة الطبقات (PoLar).

يعمل PoLar بطريقة تشبه عمل التحاليل المعقدة في الدماغ البشري، إذ يقوم بتوجيه المعلومات بشكل مرن إلى مناطق مختلفة من القشرة الدماغية حسب الحاجة. بدلاً من استخدام عمق ثابت ومنحنى ثابت للطبقات كما هو معتاد، يمكن لPoLar أن يعيد توجيه المعلومات استنادًا إلى الصعوبة المطروحة، مما يؤدي إلى تحسين الأداء.

تُظهر التجارب التي أُجريت على النظام أن الأداء يتحسن عندما يتم توجيه كل إدخال ديناميكيًا عبر تسلسل مرن من الطبقات، سواء بتخطي أو تكرار كتل طبقية متتابعة. بل وأكثر من ذلك، كانت النماذج البيتوجهة قادرة على تحقيق دقة أعلى مع الأسئلة الأكثر تعقيداً، مما يدل على أهمية المرونة في الاختيار.

مع ذلك، لم تكن كل النتائج وفق التوقعات. إذ فشل الباحثون في استنساخ الادعاء الرئيسي الذي يتعلق بموجهاتهم المتعلمة، حيث عادت أعلى التوقعات إلى الطريقة التقليدية رغم أن المجموعات العليا من البرامج المتوقعة أظهرت فعلاً دقة حقيقية.

هذا البحث يُبرز مبدأ مثير يقدم رؤى جديدة ليس فقط في أداء النماذج، ولكن في فهم كيفية بناء البرامج العقلية. حيث أظهر التحليل العميق أن عددًا قليلًا من البرامج العامة يكفي لحل معظم الأسئلة، وبالتالي يعود بنا إلى تعقيدات الإدراك البشري في استخدام الدماغ.

باعتبارنا نعيش في عصر الذكاء الاصطناعي، يمكن أن تكون التوجهات مثل تلك الموجودة في PoLar بمثابة خطوات هائلة نحو تحقيق فهم أعمق لكيفية معالجة المعلومات بكفاءة.