في عالم الذكاء الاصطناعي، يبرز الفهم العميق للسلوك البشري كأحد أكثر القضايا إثارة للاهتمام. في هذا السياق، أُجريت دراسة حديثة على أربعة عشر نموذجاً صغيراً تتراوح عدد معلماتها من 135 مليون إلى 14 مليار، والتي تم تدريبها على بيانات تجريبية مأخوذة من تجربة نفسية شاملة تُعرف باسم Psych-101. هذه الدراسة تهدف إلى استكشاف ما إذا كانت هذه النماذج، والتي تُعتبر بدائل معرفية متعددة الأغراض، يمكن أن تقدم فهماً أوضح للاختيار والسلوك البشري.

تظهر النتائج أن النموذج بحجم 0.6 إلى 1 مليار معلمة يمكنه تحقيق أداء مماثل لما حققه نموذج أكبر بحجم 70 مليار معلمة، مما يدل على أن الحجم ليس العامل الأكثر أهمية ضمن التوزيع الكمي.

ومع ذلك، فإن الأداء يتحسن بشكل ملحوظ في النماذج الأكبر عند التعامل مع مهام جديدة، مما يعكس أن هناك حاجة لهذه النماذج الكبرى لتحقيق نتائج أفضل في الحالات التي تتطلب تعميمًا على بنية المهام الجديدة. ولتحديد المعلومات التي يستخدمها هؤلاء النموذج، قام الباحثون بتجريب تقنيات جديدة لاختبار أداء النماذج عن طريق إزالة قنوات مختلفة مثل التعليمات التجريبية والتغذية الراجعة وسجل الخيارات.

اكتشفوا أن إزالة محتوى المحفزات والأسئلة يمكن أن تدمر حوالي 75.7% من المعلومات المتعلمة، مما يشير إلى أن سجل الخيارات فقط لا يمكن أن يفسر الأداء. تؤكد هذه النتائج أن النماذج الصغيرة المدروسة تعتبر أدوات واعدة لتقدير حدود الضوضاء في التجارب النفسية، على الرغم من أنه ينبغي أن يكون هناك انتباه إلى القيود المفروضة من المعايير المستخدمة في التدريب.

كيف يمكن أن تعزز هذه الاكتشافات من فهمنا للع cognition البشري؟ وما هي التطبيقات العملية المحتملة في الذكاء الاصطناعي؟ دعونا نناقش ذلك!