في عالم الذكاء الاصطناعي، تُعتبر نماذج اللغة والصورة (Vision-Language Models - VLMs) من الأدوات الأساسية التي تُستخدم للتحكم في عمليات اتخاذ القرار دون الحاجة إلى إشارات بصرية محددة. ورغم ذلك، فإن النجاح الملحوظ لهذه النماذج لا يعني بالضرورة أن قراراتها مدعومة بتصور بصري حقيقي.

اجتاز البحث الأخير مجموعة من التجارب بهدف تسليط الضوء على مدى قوة هذه النماذج في التحليل الاستنتاجي، من خلال إجراء اختبارات تضمن إلغاء المعلومات البصرية وقياس فعالية الأداء. وقد شملت هذه التجارب 32,874 نداءً محكومًا عبر تسع نماذج ونظامين محاكاة.

نتائج التجارب كانت تكشف بشكل مثير عن قيود خطيرة؛ حيث تبيّن أن سياسات الثبات كانت تحت الأداء مقارنة بالتحكم المستند إلى البرمجة غير القابل للتغيير، وبعض النماذج أظهرت خصائص ثابتة غير حساسة للصورة. كما أن النماذج التي تعرّف على المخاطر الطولية عانت من فشل في تحويل الاتجاهات بين اليسار واليمين عند عكس الصورة.

ومع ذلك، برزت بعض النتائج الإيجابية التي تشير إلى أن المعلومات البصرية كانت كافية لدعم القرارات، حيث حقق أحد النماذج التحكمية تقديرات دقيقة تبلغ 0.090 م للخطأ المطلق. الأبحاث دلت على أن الفشل كان متقطعًا وليس مرتبطًا بجميع النماذج.

يظل السؤال: هل يمكن لهذه النماذج أن تتحول إلى مساعدات فعالة في تحليل وإدارة المخاطر، بدلاً من كونها وحدات تحكم مطلقة تعمل دون توجيه بصري واضح؟ بناءً على أداء نماذج الاختبار، يبدو أن التعلم من هذه الزوايا المختلفة هو السبيل لتعزيز كفاءتها.

ما رأيكم في هذه التطورات المثيرة في مجال الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!