في عالم الذكاء الاصطناعي، تعد فرضية الدرس المرير (Bitter Lesson) من الأعمدة الأساسية التي تقر أن الطرق العامة القابلة للتوسع مع الحوسبة والبيانات تتفوق في النهاية على أي طرق تحتوي على معرفة بشرية مسبقة. ومع ذلك، تم إعادة النظر في هذه الفرضية من خلال دراسة بُعد جديد حاسم: مدة دورة معلومات التغذية الراجعة (Feedback Information Loop أو FIL).

تتشابك أغلب النجاحات التاريخية في الذكاء الاصطناعي مع ردود فعل فورية تقريبًا، كما في الألعاب أو مهام التصنيف، ولكن في التطبيقات المستقبلية الخاصة بالعلوم والعالم المادي، سيكون أمامنا تحدي FIL والتي قد تتراوح من ساعات إلى أسابيع.

تبدو هذه الاتجاهات كحدود أساسية للتوسع، حيث يصبح من الصعب في بعض الحالات الحصول على ما يكفي من خطوات التحقق التي تتطلبها الأساليب المعتمدة على البيانات البحتة.

وبدلاً من الطرق البحتة المعتمدة على البيانات، نقترح أسلوباً يعتمد على المعرفة المستوحاة من البشر. يستند هذا الأسلوب إلى تحيزات استقرائية ويهدف إلى تقييد فضاء الحلول. من خلال دراسة مهمة برمجة GPU الواقعية التي تتمتع بFIL غير تافهة، أبدينا أن دمج هذه التحليلات الاستقرائية يمكن أن يؤدي إلى أداء متفوق مقارنة بالأساليب المعتمدة على البيانات الصرفة.

إن النتائج الأولية لهذا البحث مثيرة للاهتمام، وقد تم توفير الشيفرة على GitHub لتشجيع المزيد من البحث والتطوير في هذا المجال.