في سابقة مثيرة في مجال الذكاء الاصطناعي، أثبتت دراسة حديثة أنه يمكن نقل قدرات نماذج الذكاء الاصطناعي القوية إلى نماذج أضعف عند وقت الاختبار بدلاً من الحاجة لتحديثات في المعلمات. يعتمد هذا الأسلوب على فكرة "الدعامات من القوي إلى الضعيف"، حيث يمكن لنموذج أقوى إنشاء أدوات مساعدة (harnesses) تساعد النموذج الأضعف في إتمام المهام بكفاءة أعلى.

اعتمدت الدراسة على أربعة معايير تمثيلية في علم النفس المعرفي (Theory of Mind) واستخدمت 5% من البيانات كعينة للتحقق من صحة الأداء. تم تقييم نتائج الأداء في عدة جولات، وأظهرت النتائج أن هذه الطريقة فعالة للغاية، حيث تمكنت من مضاعفة أداء النموذج الأضعف بشكل متوسط من 0.49 إلى 0.91.

تحليل الباحثين أظهر أن المكاسب تأتي بشكل رئيسي من تخفيف القدرات غير المستقرة للنموذج من خلال كود محدد، وتوجيهات خاصة بالمعيار، والإنفاذ الصارم لصيغة النتائج. كما أظهرت الدراسة أن جهود النموذج القوي لتحسين أدواته تؤدي باستمرار إلى تحسين جودة هذه الأدوات، مما يعني أن العناصر التي تؤدي إلى تحسين الأداء ليست مقتصرة على دور النموذج الأضعف.

تفتح هذه النتائج آفاقًا جديدة في مجال التصميم التفاعلي لنماذج الذكاء الاصطناعي، حيث أن تصميم أدوات المساعدة في وقت الاستدلال يُعد إضافة مهمة لتقنيات تقطير التدريب التقليدية، مما يتيح للنماذج القوية نقل البنية الإدراكية إلى النماذج الأضعف دون الحاجة إلى إعادة تدريبها. هذه الاكتشافات تعزز من قدرة الذكاء الاصطناعي على الاستجابة بشكل أفضل وتقديم حلول فعالة في مختلف المجالات.

ما رأيكم في هذه التقنية الجديدة؟ هل تعتقدون أنها ستحدث تحولًا في كيفية عمل نماذج الذكاء الاصطناعي؟ شاركونا آراكم في التعليقات.