في بحث جديد نشر على منصة arXiv، تم تناول فكرة مثيرة تتعلق بكيفية استخدام إشارة الخطأ التنبؤي في تحسين القدرة على التعلم والمرونة لدى نماذج الذكاء الاصطناعي. تقوم الدراسة على محورين رئيسيين: الأول يتمحور حول نظام ذاكرة تجريبية غير معلمية، حيث تتم كتابة مفهوم جديد فقط عند ارتفاع مستوى الدهشة، بينما يستفيد النظام من مرحلة إعادة تشغيل دورية لاستقرار الذكريات الحديثة.

تم اختبار النظام الأول على تدفق مستمر من 1000 فئة من بيانات ImageNet باستخدام إطار عمل DINOv2 أو I-JEPA. أظهرت نتائج التجارب أن مرحلة الاستقرار حققت 17.7 نقطة من الاحتفاظ لأقدم الفئات في DINOv2 و51.3 نقطة في I-JEPA. تكشف نتائج تجربة إضافية عن أن إعادة تشغيل جزء من الذاكرة كانت أقل فعالية مقارنة بعدم إعادة التشغيل.

أما في النظام الثاني، فقد تم استخدام إشارة الدهشة مرة أخرى، لكن هذه المرة في سياق مشترك بين النص والصورة، حيث يقوم نموذج اللغة البصرية بالاستجابة بشكل حاسم عند التعرف على مفهومٍ ما، أو الالتباس عند وجود معرفة جزئية، بينما يمتنع عن التعرف على الأجسام الجديدة ويتطلب المزيد من التفسيرات. أظهرت نتائج هذا النظام دقة تفصيلية عند الفصل بين المفاهيم المعروفة والحديثة بنسبة AUROC تصل إلى 0.966، متجاوزة الثقة المعبر عنها بواسطة النموذج نفسه.

تقدم هذه الدراسة الجديدة ملامح مثيرة حول كيفية تفاعل الأنظمة الذكية مع الإشارات البيئية، محتوية على اعتبارات واضحة حول حدود هذه النماذج، وتضعها في سياق الأبحاث الأخيرة المتعلقة بالذاكرة التجريبية ونماذج اللغة الشخصية.

ما رأيكم في هذه النتائج المذهلة؟ شاركونا آراءكم في التعليقات!