في خطوة مثيرة في أبحاث الذكاء الاصطناعي، تم تقديم أداة تقييم موحدة تُعرف باسم "poshbench"، والتي تتيح دراسة ظاهرة فقر التحفيز (Poverty of the Stimulus Hypothesis) في نماذج اللغات. لقد أظهرت الدراسات السابقة أن الشبكات العصبية الاصطناعية (Artificial Neural Networks - ANNs) يمكنها استنباط تعميمات هيكلية معينة من مدخلات محدودة، مما يشير إلى أن هذه النماذج لا تتطلب دائمًا انحيازات استقرائية هيكلية كما كان يُعتقد تقليديًا من قبل علماء اللغة.

ومع ذلك، كانت هذه الدراسات تتناول ظواهر فردية فقط وتتبع بروتوكولات تقييم مختلفة، مما أثار بلبلة حول إمكانية تعميم النتائج. الآن، يأتي "poshbench" ليجمع تقييمات متعددة في منصة واحدة تغطي أربعة ظواهر رئيسية في فقر التحفيز.

من خلال تدريب نماذج متنوعة مثل Transformer وLSTM والنماذج اللغوية ذات التكرار n-gram، أظهرت النتائج أن النماذج القائمة على الشبكات العصبية تستطيع تحقيق تعميمات إيجابية حتى مع وجود 10 ملايين كلمة فقط. لكن المفاجأة كانت في أن هذه النماذج لم تكن فعالة مثل الأطفال في التعلم مع زيادة حجم المدخلات.

علاوة على ذلك، لقد أثبتت الانحيازات الاستقرائية ذات الدوافع المعرفية قدرتها على تعزيز الكفاءة النحوية بشكل كبير، لكنها لم تؤدِّ إلى نتائج قابلة للتعميم بشكل مستمر فيما يتعلق بفقر التحفيز.

هذه النتائج تقدم أدلة منهجية تتحدى الادعاء بأن النحو الفطري هو الطريق الوحيد للتعميم، مما يفتح آفاقًا جديدة لفهم كيفية تعلم الآلات وتفاعلها مع البيانات.

كيف ترون هذه النتائج؟ هل ترون أن الذكاء الاصطناعي يمكن أن يتجاوز التعلم البشري في المستقبل؟ شاركونا آرائكم في التعليقات.