في عالم الذكاء الاصطناعي، تُعتبر القدرة على الاستدلال (reasoning) واحدة من الصفات الأساسية التي تميز النماذج اللغوية الضخمة (Large Language Models). ولكن كيف يتم تعلم هذا الاستدلال وتنفيذه في الواقع؟ هذا ما يأخذه البحث الحديث لعنة التفكير بشكل معمق من خلال نموذج آلي بسيط.

في دراسة جديدة، تم استخدام إطار عمل خلايا أوتوماتية (cellular automata) لإجراء تجارب تجمع بين التعلم الآلي والعمق الاستدلالي. في هذا الإطار، تم استبعاد الذاكرة من خلال إعداد قواعد تدريب واختبار لا تتداخل، مما يتطلب نموذج اللغة استنتاج القواعد المحلية المخفية بشكل مستقل.

ومع توفير تسلسل حالة قصيرة، كان على النموذج التنبؤ بعدد من الخطوات المستقبلية بعد استنتاج القاعدة المعنية. ومع ذلك، تظهر نتائج التقييم أن النماذج اللغوية الكبيرة تعاني من صعوبة في تقديم حلول موثوقة لمهام لغوية طبيعية تتعلق بهذا النوع من الأسئلة.

بينما تمكنت معظم الهياكل العصبية التي تم تدريبها من الصفر من تعلم استنتاج القواعد وتحقيق دقة عالية في الخطوات التالية، كان الأداء يتجاهل الانخفاض الحاد كلما زاد عدد خطوات الاستدلال الوسيطة المطلوبة.

تظهر التجارب أن زيادة عمق النموذج تعتبر أمراً حاسماً، وأن تعزيز العمق الفعال من خلال الذاكرة أو التكرار أو حساب وقت الاختبار يمكن أن يُحسن النتائج، على الرغم من بقاء نتائج الأداء مُقيّدة.

يمكنكم الاطلاع على الشيفرة المصدرية المستخدمة في هذه الأبحاث عبر GitHub: [github link]. هل تعتقد أن الانتقال من مجرد الحفظ إلى القدرة على الاستدلال المتقدم سيحدث ثورة في الذكاء الاصطناعي؟ نحن ننتظر آرائكم في التعليقات!