في عالم الذكاء الاصطناعي (AI)، تعتبر نماذج المحولات (Transformers) من التقنيات الرائدة التي أثرت بشكل كبير على كيفية استيعاب الآلات لبيئاتها. لكن ماذا يحدث عندما تختلف سلوكيات هذه النماذج عن التوقعات؟ دراسة جديدة مثيرة نشرت في arXiv تستعرض تجارب متعمقة حول نموذج TaxiGPT، الذي تم تدريبه على السير العشوائي في مدينة مانهاتن.

على الرغم من أن TaxiGPT أظهر قدرة على التعلم من بيئته، فإن السلوكيات الغريبة التي أظهرها قد دفعت الباحثين لاستنتاج أنه يفتقر إلى نموذج لعالمه الداخلي، مما يعكس تصورات خاطئة عن فعاليته. من خلال تحليل منهجي وتدخلات سببية، تم الكشف عن أن النموذج يتمكن بالفعل من تمثيل تقاطعات الشوارع وتتبع موقعه، بل ويستخدم ما يُعرف بـ "بوصلة الأهداف" (goal compass) للتنقل.

ومع ذلك، يكمن التحدي في أن الأخطاء التي تحدث في تمثيل التقاطعات تؤثر على قدرته على تحديد الموقع الدقيق، مما يؤدي إلى تداخل بين الميزات المختلفة. ومن خلال تقنيات مثل "حزم القدرة" (affordance packing)، يتم تحسين النماذج للحد من تداعيات هذه الأخطاء.

النتائج التي توصل إليها الباحثون تدعو لتغيير طريقة تقييم العالم المدروس لدى النماذج، حيث يجب التركيز على القدرات المتفاعلة التي تستخدمها هذه النماذج لتمثيل بيئتها.

هل تعتقد أن هذه النتائج ستؤثر على كيفية تصميم نماذج الذكاء الاصطناعي في المستقبل؟ شاركونا آراءكم في التعليقات!