تُعد النماذج المعرفية في مجال الذكاء الاصطناعي واحدة من الأدوات الأكثر تعقيداً والحديثة، ولكنها تواجه تحديات كبيرة في القدرة على التنبؤ بالأداء المعرفي. تشير دراسات حديثة إلى أن نماذج الدماغ الأساسية (Brain Foundation Models - BFMs) التي تُستخدم عادةً للحصول على البيانات المعقدة من التصوير بالرنين المغناطيسي (fMRI) لا تحقق النتائج المرجوة في توقع الأداء المعرفي.

هذه النماذج على الرغم من كونها متطورة، إلا أنها تظهر فجوة واضحة في دقتها عند مقارنة أدائها بمجموعة من المعايير البسيطة مثل الانحدار الخطي. تشير النتائج إلى أن هذه النماذج قد تفشل في استيعاب الهيكل الأعلى الذي يرتبط ارتباطًا وثيقًا بالأداء المعرفي. من خلال تحليل تفصيلي، تبين أن النماذج تفقد العناصر الحيوية للتفسيرات الإحصائية من الدرجة الثالثة (Third-Order Statistics) المطلوبة لفهم الأداء المعرفي.

لحل هذه المعضلة، قام الباحثون بتطوير نموذج جديد يمكّن من تجسيد إشارة الرنين المغناطيسي في مجال يضمن الحفاظ على الخصائص الحقيقية للبيانات، حيث تتفوق هذه التقنية على النماذج التقليدية، حتى تلك التي تحتوي على يُعتبر حجمها قيداً، مما يعكس أن العقبة ليست في تخصيص البنية أو حجم النموذج، بل في الهدف من مرحلة ما قبل التدريب.

دراسة كهذه تفتح آفاقاً جديدة في كيفية استخدام النماذج المعرفية وتساعد في تصميم ذكاء اصطناعي أكثر فعالية وقوة، مما يطرح تساؤلاً: هل يمكننا إعادة تعريف مفهوم النماذج المعرفية بناءً على هذا الفهم الجديد؟ ما رأيكم في هذا التطور؟ شاركونا في التعليقات.