في عالم الذكاء الاصطناعي، يواجه الباحثون تحديات كبيرة عند تدريب نماذج اللغات الضخمة (Large Language Models) لإدخال معارف جديدة. وقد تم تحديد ظاهرة تُعرف بـ 'فجوة المعرفة - الاستخدام' (Knowing–Using Gap) التي تشير إلى الفشل المفاجئ الذي يحدث عندما تتمكن هذه النماذج من حفظ معلومات جديدة لكنها تفشل في توظيفها في مهام الاستنتاج التالية.

تظهر هذه الدراسة المثيرة أن هناك فجوة واضحة بين الحفظ والتعميم، حيث يحصل تباين في الدقة وزمن تأخير بين حفظ المعلومات واستخدامها بشكل فعال. لفهم هذه الظاهرة بشكل أفضل، قام الباحثون بإجراء تجارب لتدريب نماذج اللغات الضخمة باستخدام معلومات غير مسبوقة، وراقبوا ديناميكيات انتشار المعرفة داخليًا من خلال تقنية مبتكرة تُسمى 'التصحيح الذاتي' (self-patching).

تتيح تقنية 'التصحيح الذاتي' التعرف على المواقع النشطة حيث يمكن أن يؤدي نقل التمثيلات إلى تحسين كبير في حالات الفشل في التعميم. وقد أظهرت النتائج أن التمثيلات المحفوظة قد تكون موجودة داخل النموذج، لكن قد لا تكون موجهة إلى الطبقات الفعالة من حيث الحساب.

لتأكيد فائدة هذا الاكتشاف، قام الباحثون بتصميم استراتيجية تعتمد على heuristics بسيطة لاستعادة ما بين 58% إلى 75% من الفجوة الناتجة عن فشل التعميم. وتم تنفيذ التجارب عبر مجالات مختلفة لزيادة موثوقية النتائج.

تعد هذه النتائج خطوة هامة نحو تحسين كيفية تدريب نماذج اللغات الضخمة وجعلها أكثر فعالية في تعميم المعرفة الجديدة. كيف تعتقد أنه يمكن تحسين هذه النماذج أكثر؟ شاركونا آراءكم في التعليقات!