في عالم سريع التطور حيث تتسابق تقنيات الذكاء الاصطناعي (AI) لتحقيق التميز، تبرز دراسة جديدة تُظهر كيف يمكن لهذه الأنظمة التعلم والتخطيط بطرق مشابهة للبشر. مع وجود بيئات جديدة ومعقدة، يتعلم البشر بسرعة المعرفة المجردة ويطبقون هذه المعرفة بمرونة لتوجيه أفعالهم بشكل ذكي وفعال. فهل يمكن للأنظمة الحديثة، مثل نماذج التفكير الكبيرة (Large Reasoning Models) أن تحقق ذلك أيضًا؟

تتطرق الدراسة إلى مجموعة من البيانات المتعلقة بتجارب البشر في ألعاب الفيديو المعقدة مصحوبة بتسجيلات fMRI في الوقت نفسه، حيث يتعلم المشاركون قواعد جديدة ويتعاملون مع محتوى متغير. تم تقييم نماذج الذكاء الاصطناعي بالاستناد إلى قدرتها على اللعب، ومحاكاة سلوكيات التعلم البشري، وتوقع النشاط الدماغي خلال نفس المهام.

لقد أظهرت النتائج أن نماذج التفكير الكبيرة (LRMs) تصدرت الجميع من حيث مطابقة أنماط السلوك البشري في اكتشاف الألعاب وتوقع النشاط الدماغي بشكل أفضل بكثير من منافسيها من نماذج التعلم العميق القائم على التعزيز (Reinforcement Learning) وكذلك النماذج القائمة على النظرية البايزية.

علاوة على ذلك، توضح الدراسة أن محاذاة النشاط الدماغي تعكس تمثيل النموذج للحالة الحالية للعبة بدلاً من تخطيطه أو تفكيره التالي. يُظهر هذا البحث كيف يمكن لنماذج الذكاء الاصطناعي أن تكون حسابات حسابية مقنعة للتعلم واتخاذ القرار البشري في بيئات معقدة.

إذا كنت مهتمًا بالتفاعلات بين الإنسان والآلة في سياق الألعاب، وتريد معرفة المزيد عن تأثير الذكاء الاصطناعي على أساليب التعلم، لا تفوت فرصة الاطلاع على الصفحة التفاعلية للمشروع: [سبب اللعب](https://botcs.github.io/reason-to-play/). هذا التطور الرائع يدعونا للتفكير، كيف سيتغير مفهوم التعلم والتفاعل مستقبلاً؟