اكتشاف مقاومة واستقبال الذكاء الاصطناعي: حقبة جديدة في نماذج اللغات الضخمة

في عالم الذكاء الاصطناعي المتقدم، تطورت نماذج اللغات الضخمة (Large Language Models) بشكل مدهش، مما أسفر عن ظهور سيناريوهات تعاونية حيث تستفيد عدة نماذج من قدرات بعضها البعض. يشير البحث الجديد إلى أن هذه النماذج لا تستجيب فقط لكل ما تقوله النماذج الأخرى، بل تتنافس أيضاً في تقديم الإجابات الأكثر دقة.

أظهرت الدراسة التي استخدمت 23 نموذجاً مفتوح الوزن و19 حالة مختبرة و3 مجموعات بيانات، أن تأثير الأغلبية الخاطئة يمكن أن يقلب النتائج الصحيحة. فعلى سبيل المثال، يمكن لخطأ جماعي واحد أن يعكس 22.8% من إجابات نموذج مMLU الصحيحة، و54.8% على GPQA، و71.0% على SimpleQA. الأسوأ من ذلك، أن بين 84% إلى 89% من الإجابات التي تم عكسها تتشابه مع إجابات الأقران.

لمواجهة هذا التحدي، تسعى الحلول الحالية إلى زيادة "المقاومة" (Resistance)، وهي نسبة احتفاظ النموذج بإجابته الصحيحة تحت ضغط الآراء الجماعية. ولكن، وفقاً للدراسة، المقاوم ليس كافياً إلى جانب "الاستقبال" (Receptivity)، وهي قدرة النموذج على تبني إجابة صحيحة من قرينه بعد أن يجيب خطأ.

اختبرت الدراسة ست طرق مختلفة لدراسة هذين العاملين، ووجدت أن كل طريقة تكسب المقاومة تفقد جزءاً من الاستقبال، مما يضعها جميعاً على حدود مقاومة-استقبال واحدة. وكانت الطريقة الأكثر قوة، والتي تُعرف باسم "الانعكاس" (Reflection)، قادرة على زيادة المقاومة بمقدار 7.9 نقطة في MMLU، لكن مع خسارة 15.3 نقطة في الاستقبال. ومع ذلك، كانت طريقة "التفكير" (Reasoning) استثناء، حيث حققت تحسناً في كلا العاملين، مما يجعلها خطوة إيجابية نحو تحسين أداء نماذج الذكاء الاصطناعي في بيئات تنافسية.

إن فهم هذه الديناميات قد يفتح آفاق جديدة لتحسين الذكاء الاصطناعي ويؤكد ضرورة التوازن بين مقاومة النموذج واستقباله في العصر القائم على البيانات.