في عالم الذكاء الاصطناعي، تبقى عملية تصحيح الأخطاء في نماذج اللغات الضخمة (Large Language Models) أمراً معقداً وصعب التحقيق. لكن الدراسة الأخيرة تكشف عن آليات جديدة يمكن أن تغيّر هذا الواقع من خلال تمكين هذه النماذج من تحديد أخطائها ومشاكلها بشكل أكثر فعالية.

تبدأ الفكرة بتقديم طريقة جديدة تعتمد على هيكلة التفكير كخطوات ذات معنى وصحيحة (Discrete, Semantically Coherent Thought Steps)، حيث يظهر البحث أن النماذج تستطيع تحديد الأخطاء بشكل أكثر موثوقية ضمن هذه الهيكلة مقارنةً بالتفكير غير المنظم التقليدي (Conventional Chain-of-Thought Reasoning).

استُلهمت هذه الطريقة من كيفية مراقبة الدماغ البشري للأخطاء عند نقاط اتخاذ القرارات، مما أدى إلى اقترح النظام الجديد المعروف بـ "عينات التصحيح التكرارية للأفكار" (Iterative Correction Sampling of Thoughts - Thought-ICS). يقوم هذا النظام باستدعاء النموذج بشكل متكرر لإنشاء تفكير من خطوة واحدة كاملة ومميزة في كل مرة، مما يوفر حدودًا طبيعية لتحديد الأخطاء بدقة.

عندما يتم التحقق من صحة خطوات التفكير، يستطيع النموذج التعرف على أول خطوة خاطئة ويعود لإنشاء تفكير بديل من آخر نقطة صحيحة. وعند مطالبته بتصحيح الأخطاء التي تم التحقق منها بواسطة جهة خبرة (Oracle)، حقق نظام Thought-ICS زيادة في دقة التصحيح الذاتي تتراوح بين 20% و40%. وعندما يتم تشغيله بشكل كامل دون الحاجة للتحقق الخارجي، يتفوق على المعايير المُعترف بها لتصحيح الأخطاء الحالية.

هذا الاكتشاف، الذي يفتح آفاقًا جديدة أمام الابتكارات في الذكاء الاصطناعي، يبشر بمستقبل علمي حيث يمكن للنماذج أن تتعلم من نفسها وتصحح أخطاءها بفعالية.

هل تعتقد أن هذه الخطوة ستحدث تغييرات جذرية في الذكاء الاصطناعي كما نعرفه؟ شاركونا آراءكم في التعليقات.