في عالم الذكاء الاصطناعي، يمثل التعلم المستمر (Continual Learning) تحديًا كبيرًا، حيث يسعى الباحثون لتطوير نماذج تستطيع تعلم مهام جديدة دون أن تنسى المعرفة المكتسبة مسبقًا. ومع ذلك، تعاني الشبكات العصبية من ظاهرة تُعرف بالنسيان الكارثي (Catastrophic Forgetting)، حيث يؤدي تعلم مهام جديدة إلى تدهور الأداء على المهام السابقة.

للخروج من هذه المأزق، قدم الباحثون إطار عمل مبتكر يحمل اسم قيم نيورون شابلي (Shapley Neuron Valuation - SNV)، والذي يعتمد على نظرية الألعاب التعاونية. يقوم هذا الإطار بتحديد أهمية النيورنات (Neurons) في عملية التعلم المستمر، مما يوفر طريقة منهجية لتجميد نيورنات مهمة مع السماح لأخرى بالتكيف.

أظهرت التجارب التي أُجريت على مجموعة بيانات ImageNet-1k أن SNV يتفوق باستمرار على الطرق الحالية التي لا تستخدم أي نوع من التخزين المؤقت، حيث حسّن دقة النماذج بنسبة +2.88% في سيناريوهات التعلم المتزايد بحسب الفئات، و+6.46% في سيناريوهات التعلم المتزايد بحسب المهام.

هذا الابتكار لا يجعل التعلم المستمر أكثر كفاءة فحسب، بل يمثل خطوة حقيقية نحو تحسين قدرات الشبكات العصبية في معالجة المعلومات بطريقة فعالة. هل تعتبر أن هذا التطور يعد نقطة تحول في مجال الذكاء الاصطناعي؟