في عالم الذكاء الاصطناعي، تُعتبر نماذج اللغة الحديثة بمثابة أدوات قوية تتجاوز كفاءة الذكاء البشري في العديد من المهام. لكن ماذا لو كانت هناك آليات خفية تعمل في أعماق هذه النماذج؟ هذا ما يكشف عنه مفهوم التعلم غير الدلالي (Subliminal Learning) الذي يتمكن من نقل التحيزات والسلوكيات من نموذج المعلم إلى نموذج الطالب من خلال معالجة بيانات تركيبية تبدو غير مرتبطة.

أجريت دراسة جديدة (arXiv:2608.05734v1) للبحث في هذه الظاهرة المثيرة، مما يسلط الضوء على كيفية تأثير الخصائص غير الدلالية على النماذج. وفقًا للبحوث، أظهرت الدراسة أن إضافة ضوضاء غاوسية (Gaussian noise) إلى أوزان النماذج يزيد من نسبة النقل غير الدلالي بمعدل يصل إلى 1.9 في نموذج Gemma و1.3 في نموذج Llama.

كما أن توجيه المتجهات (steering vectors) إلى نموذج المعلم يمكن أن يؤدي إلى إنتاج بيانات غير دلالية، مما يفتح المجال أمام طرق جديدة في التدريب. الدراسات السابقة استخدمت التخفيض والتعزيز، لكن الآن يمكن رؤية تأثيرات تلك البيانات بشكل أكثر وضوحًا.

عند تحليل تنشيط نماذج الطلاب المدربة على بيانات موجهة، وجد أن الطلاب لا يقتصر تأثيرهم على فهم معاني تحيزات المعلم، بل يتأثرون أيضًا بنوع التدخل الذي تم استخدامه لنقل تلك التحركات. هذه النتائج تسلط الضوء على أهمية القدرة على مراجعة البيانات ومعرفة الإشارات الكامنة فيها، مما يعد أمرًا حيويًا لتدريب آمن وموثوق في المستقبل.

مع تطور هذه التطبيقات، فإن فهم ما يحدث وراء الكواليس في نماذج الذكاء الاصطناعي يصبح أمرًا محوريًا. في النهاية، يبقى السؤال: ما مدى تأثير هذه الاكتشافات على ممارساتنا في تدريب أنظمة الذكاء الاصطناعي في المستقبل؟ شاركونا آراءكم في التعليقات!