نماذج العالم: الحل لمشكلات الذكاء الاصطناعي العام وكيفية تجاوزها لنماذج اللغة الكبيرة

تحدث التطورات الأخيرة في مجال الذكاء الاصطناعي عن أهمية نماذج العالم (World Models) في تعزيز القدرات العقلانية للذكاء الاصطناعي العام (AGI). على الرغم من أن نماذج اللغة الكبيرة (Large Language Models) حققت تقدماً ملحوظاً في إنتاج اللغة وأداء المهام المعقدة، إلا أنها لا تزال تعاني من قيود واضحة في سياقات تتطلب التفكير السببي وتتبع الحالة المستمرة والتخطيط على المدى الطويل.

تشير الأبحاث إلى أن هذه القيود قد تكون نتيجة لفجوة في الأهداف بين التنبؤ التسلسلي (sequence prediction) والتفكير في الديناميات البيئية الكامنة. لتوضيح هذه النقطة، تم تقديم مفهوم جديد يُسمى استدلال الديناميات الكامنة (Latent Dynamics Inference - LDI)، والذي يفسر الملاحظات اللغوية والمتعددة الوسائط كأدلة جزئية على الديناميات الانتقالية الأساسية.

للتحقق من هذا المفهوم، تم تطوير بيئة جديدة للتفكير التسلسلي تُعرف باسم Flux، والتي تم تحديدها بالكامل من خلال قواعد اللغة الطبيعية. كنموذج تجريبي، تُترجم هذه القواعد إلى محاكي صريح للانتقال بين الحالات، مما يُظهر أنه من الممكن استخراج الديناميات الانتقالية المنظمة من أوصاف القواعد النصية. يتمكن الباحثون بفضل هذه البيئة من إجراء مقارنة محكمة بين نماذج اللغة الكبيرة (LLMs) التي تعمل فقط على الملاحظات النصية، وعوامل التعزيز (reinforcement learning agents) التي تم تدريبها مباشرة ضمن مساحة الحالة الكامنة المستخرجة.

توصلت الدراسة إلى نتائج مثيرة، حيث أظهرت العوامل التي تتمتع بالوصول الصريح إلى مساحة الحالة الكامنة سلوكاً أكثر استقراراً بشكل ملحوظ خلال اللعب على المدى الطويل، محققة معدل فوز إجمالي يقدر بنحو 79% مقارنة بـ 11% لـ LLMs. كما أظهرت التحليلات النوعية أن العوامل واجهت أنماط فشل تتعلق بتتبع الحالة غير المستقر، بما في ذلك الأفعال غير الصالحة، وأخطاء تتبع الحالة، وفشل التفكير على المدى القصير.

إجمالاً، تشير هذه النتائج إلى أن التنبؤ التسلسلي القوي بمفرده قد يكافح لدعم التفكير الديناميكي القوي على المدى الطويل دون آليات تتبع الحالة المستمرة ونمذجة الانتقال. هل يمكن أن تكون نماذج العالم هي المفتاح لتعزيز الذكاء الاصطناعي؟ ما هي رؤيتكم حول هذه الأبحاث الجديدة؟ شاركونا في التعليقات.