تعتبر نماذج اللغة الضخمة (Large Language Models) من أبرز الابتكارات في مجال الذكاء الاصطناعي، ولطالما كانت تطوير قدراتها في التفكير واستنتاج النتائج موضع اهتمام كبير. في دراسة حديثة، تم تقديم نموذج جديد يُعرف باسم 'التفكير في الذاكرة' (Reasoning in Memory - RiM). يعتمد هذا النموذج على فكرة رئيسية تتمثل في تجاوز الحاجة لتوليد تفاصيل تفكير وسائطية، مما يعزز من القدرة على المعالجة الداخلية.

عادةً ما يتطلب تحسين قدرات التفكير في نماذج اللغة الضخمة زيادة في عمليات الحساب أثناء فترة الاختبار من خلال إنشاء رموز وسيطة قبل تقديم الإجابة النهائية. إلا أن هذا الأسلوب يرتبط بعملية التوليد التفسيرية، مما يعقد العملية ويسبب التداخل بين الحساب الداخلي والتواصل الخارجي.

بالمقابل، يستفيد نموذج RiM من مبدأ اعتباري تقوم على ذاكرة العمل، حيث يسمح بتخزين ومعالجة المعلومات داخلياً. يعتمد هذا النموذج على كتل من الذاكرة، وهي تسلسلات ثابتة من الرموز الخاصة تُحقق القدرة على الاستخدام الفعال لذاكرة العمل.

ما يُميز RiM هو أنه بدلاً من توليد خطوات التفكير، يقوم بمعالجة الكتل الثابتة في عملية تنقل واحدة، مما يتيح تحسين فعالية التفكير الكامن (Latent Reasoning). لتفعيل هذه الكتل، تم استخدام منهجية تعليمية من مرحلتين؛ الأولى تتضمن توقع خطوات التفكير الصريحة بعد كل كتلة من الكتل، والثانية تركز على تحسين الإجابة النهائية تدريجيًا بعد كل كتلة، مما يعزز القدرة دون الحاجة إلى الإشراف على مستوى الخطوة.

أظهرت التجارب على مقاييس التفكير أن نموذج RiM يعادل أو يتجاوز الطرق الحالية للتفكير الكامن، ما يدل على أن نماذج اللغة الضخمة يمكن تدريبها على استخدام الذاكرة العاملة كآلية فعالة.

هذا التطور يمثل خطوة هامة في مجال الذكاء الاصطناعي، حيث يجلب فتحات جديدة لفهم كيفية استغلال القدرات الفكرية للنماذج، فهل أنتم مستعدون لاكتشاف المزيد عن هذا التقدم التقني المثير؟ شاركونا في التعليقات.