في عصر يسيطر فيه الذكاء الاصطناعي، يكشف لنا البحث الجديد عن قدرة نماذج اللغات الضخمة (Large Language Models) في تحقيق إنجازات مذهلة في مجالات التخطيط والتعرف على الأهداف. فقد أظهرت هذه النماذج أنها تستطيع المنافسة بقوة مع المخططين التقليديين في مجالات التخطيط المعروفة. ومع ذلك، يعتمد هذا النجاح على استغلال المعرفة العالمية بدلاً من الاستدلال الرمزي الحقيقي.

تُعتبر مهمة التعرف على الأهداف (Goal Recognition) بمثابة تحدي تكميلي يتطلب في طبيعته تقنيات أفضل تتناسب مع نقاط قوة النماذج اللغوية الضخمة. تتضمن هذه المهمة تقييم التوافق مع المعرفة العالمية بدلاً من توليد تسلسلات جديدة من الأفعال.

في هذه الدراسة، تم إجراء أول تقييم ممنهج لمدى قدرة نماذج اللغات الضخمة في التعرف على الأهداف بدون تدريب مسبق. وقد أظهرت النتائج أن أداء النماذج في هذا المجال غير متساوي، حيث أن بعض النماذج تستطيع تحسين أدائها مع تزايد الأدلة، مما يجعلها تقترب من تحقيق دقة نموذجية مع الملاحظات الكاملة. في مقابل ذلك، تبقى نماذج أخرى مرتبطة بمعرفة عالمية سابقة مهما زادت الأدلة المتاحة.

تظهر التحليلات الكيفية لآثار استدلال النماذج أن هذه الفروق تعكس اختلافًا أساسيًا في دمج الأدلة بدلاً من familiarity بالمجال. وهذا ما يجعل التعرف على الأهداف معيارًا مهمًا لتقييم المعرفة الأساسية في التخطيط لدى نماذج اللغات الضخمة.

باختصار، نحن نشهد بداية عصر جديد من الابتكارات في الذكاء الاصطناعي مع قدرة نماذج اللغات الضخمة على فهم الأهداف بطريقة جديدة وغير مسبوقة. ما هي توقعاتكم لمستقبل تلك النماذج؟ شاركونا في التعليقات!