في عالم الذكاء الاصطناعي، يُعتبر التفكير المنطقي من التحديات الرئيسية التي تواجه النماذج، وخاصة نماذج اللغة الكبيرة (LLMs). فقد عانى الكثير منها من عدم الاستقرار الناتج عن افتراض سياسات ثابتة طوال فترة الاختبار. لكن لماذا يجب علينا الاستسلام لهذا الوضع؟ في مقال حديث، عرض الباحثون أدلة على استخدام نموذج جديد يدعى "Policy of Thoughts (PoT)"، والذي يعد بتحسين التفكير المنطقي لنماذج الذكاء الاصطناعي.

إلهاماً من نظرية المعرفة للمفكر Karl Popper حول "الافتراضات والردود"، يشدد الباحثون على أهمية تطور سياسة النموذج بشكل فوري من خلال التعلم من المحاولات الفاشلة. بينما توفر الطرق الحالية لتوسيع القدرة أثناء الاختبار، فإنها تعالج ردود الفعل كإشارة خارجية فقط، دون أن تمكن النموذج من تحسين استراتيجيات التفكير بنحو فعال.

ما يقدمه PoT هو نهج جديد يعيد تصور عملية التفكير كعملية تحسين ضمنية تفاعلية. حيث يقوم النظام بشكل أولي بإنشاء حلول متنوعة باستخدام آلية استكشاف فعّالة، ومن ثم يستعمل تقنية Group Relative Policy Optimization (GRPO) لتحديث محول LoRA عابر بناءً على ردود الفعل الناتجة عن التنفيذ.

يظهر التصميم المغلق لهذه العملية قدرة على تنقيح التفكير بشكل ديناميكي ومستند إلى الحالة، مما يمثل تحولاً نوعياً في كيفية تعامل النماذج مع المشكلات المعقدة.

تجارب الأداء أظهرت أن إطار PoT يعزز من كفاءة النموذج بشكل لافت، حيث حقق نموذج بمقياس 4B دقة تصل إلى 49.71% على منصة LiveCodeBench، متفوقاً بذلك على نماذج مثل GPT-4o وDeepSeek-V3، رغم كونه أصغر بحوالي 50 مرة.

إن هذا الابتكار قد يكون الخطوة الحاسمة التي تحتاجها نماذج اللغة الكبيرة لتصبح أكثر قدرة وكفاءة في معالجة التعقيدات. كيف تعتقدون ستؤثر هذه التطورات على مستقبل الذكاء الاصطناعي؟ شاركونا في التعليقات!