في خضم التطورات المتسارعة في مجال الذكاء الاصطناعي، يشكل التعميم المنهجي (Systematic Generalization) أحد العناصر الحيوية التي تبرز قوة القدرات العقلية البشرية. هذا المفهوم، الذي يعني القدرة على حل مشكلات جديدة من خلال إعادة تركيب عناصر معروفة، يشكل تحدياً للذكاء الاصطناعي بسبب صعوبة دراسته بشكل دقيق تحت ظروف مضبوطة.

تشير الدراسات الحالية إلى أن هنالك تبسيطات قد تؤدي إلى إغفال بعض الجوانب الأساسية للقدرة على التعميم المنهجي. إذ تعتمد هذه الدراسات على أساليب مثل تكوين العمل الخطي تقريباً والاختبارات المعتمدة على الانتاجية، مما يسهل دراسة هذا التعميم ولكنه يحد من دقة المخرجات.

الجديد في هذا السياق هو ما قدمه الباحثون من خلال نموذج TranSGrid، وهو منصة اختبار تجمع بين التفكير الاستنتاجي (Deductive Reasoning) والاستقرائي (Inductive Reasoning) والاستنتاجي (Abductive Reasoning) ضمن مهمة موحدة. أظهرت التجارب التي أجريت على سبعة نماذج من Transformers قدرتها على حل نحو 55.3% فقط من مهام TranSGrid، مقارنة بـ79.6% في مجموعة الاختبار المخصصة. هذا الفارق الملحوظ يشير إلى أن الإنتاجية لوحدها ليست كافية لتقييم التعميم المنهجي بشكل شامل.

علاوة على ذلك، تم إعادة إدخال أساليب التبسيط الأخرى في TranSGrid، مما عزز معدلات الحل إلى مستويات مشابهة لمجموعة الاختبار، مما يشير إلى أن هذه التبسيطات يمكن أن تؤدي إلى نتائج مضللة. بدلاً من ذلك، يبرز البحث الحاجة إلى مهام تقيس التعميم المنهجي بشكل شامل، من خلال دمج جميع أشكال التفكير الثلاثة.

ختاماً، يعد هذا البحث خطوة مهمة لفهم التحديات التي يواجهها الذكاء الاصطناعي في تقديم حلول جديدة للمشكلات المعقدة، ويمكن أن يكون له تأثير كبير على الطريق الذي يسلكه الذكاء الاصطناعي في المستقبل.