في عالم الذكاء الاصطناعي، اختطفت الشبكات العصبية الكروية (Sphere Neural Networks) الأضواء بعد أن أثبتت قدرتها على تحقيق التفكير الرمزي على مستوى منطقي دون الحاجة إلى بيانات تدريب. مما يطرح سؤالًا جوهريًا: هل يمكن أن يصل التعلم الآلي القائم على البيانات إلى نفس المستوى من التفكير المنطقي من خلال زيادة البيانات التدريبية ووقت التدريب؟

لقد أظهرت الأبحاث وجود قيود منهجية تعيق أنظمة التعلم العميق الخاضعة للإشراف (Supervised Deep Learning) من الوصول إلى التفكير الرمزي المنطقي، أولها أن بيانات التدريب لا تستطيع تمييز جميع الأنماط الـ24 للصيغ المنطقية الصحيحة. وثانيها أن عملية الربط من الافتراضات إلى الاستنتاجات تخلق أهداف تدريب متناقضة بين مكونات الشبكة العصبية الخاصة بالتعرف على الأنماط والتفكير المنطقي.

إضافةً إلى التحليل النظري، قمنا بإجراء تجارب أظهرت أن طراز Euler Net لا يمكنه تحقيق التفكير المنطقي بدقة. كما قمنا بتحدي الطرازات الأخيرة من ChatGPT، بما في ذلك GPT-5-nano وGPT-5، لتحديد مدى قابلية التحقق من الصيغ المنطقية بأربعة أشكال سطحية مختلفة: الكلمات، كلمات مزدوجة، رموز بسيطة، ورموز عشوائية طويلة. أظهرت النتائج أن الأشكال السطحية تؤثر على أداء التفكير، حيث يمكن أن تصل ChatGPT GPT-5 إلى دقة 100% لكنها قد تقدم تفسيرات خاطئة.

توقف عمليات التدريب التجريبية عند تحقيق دقة 100% يقودنا إلى استنتاج مفاده أن أنظمة التعلم الآلي الخاضعة للإشراف لن تصل إلى دقة التفكير الرمزي المنطقي. هل تعتقد أن هناك خيارات أخرى لتعزيز قدرة الأنظمة على التفكير الرمزي؟ شارك برأيك في التعليقات!