لعقود طويلة، اعتمد الباحثون على نماذج حسابية بسيطة لوصف كيفية استجابة الخلايا العصبية في أدمغتنا لما تراه عيوننا يوميا في الحياة، هذه النماذج القديمة كانت سهلة التفسير، لكنها عجزت عن التنبؤ بكيفية عمل الخلايا في المناطق العليا من القشرة البصرية في الدماغ.
هذا القصور دفع العلماء نحو تبني شبكات الذكاء الاصطناعي التي تتكون من طبقات متعددة. ورغم نجاح هذه الشبكات في التنبؤ بدقة عالية، فإن ثمن هذا النجاح كان فقدان القدرة على الفهم، إذ أصبح تتبع مسار المعلومة عبر ملايين المتغيرات أمرا شبه مستحيل.
لحل هذه المعضلة، قدم فريق بحثي دراسة جديدة نُشرت في دورية "نيتشر" العلمية، حيث قرر الفريق تطبيق مبدأ فلسفي وعلمي قديم يعرف باسم "نصل أوكام"، والذي ينص على أن التفسير الأكثر بساطة هو في الغالب التفسير الأصح.
تساءل الباحثون عما إذا كان بإمكانهم ضغط النماذج الحاسوبية العملاقة وتقليص حجمها لكشف الحسابات الفعلية التي تحدث داخل أدمغتنا. كما افترضوا أن هذه النماذج مليئة بالفلاتر الرقمية والروابط الزائدة التي لا تمثل الواقع الفعلي للدماغ، وأن إزالتها ستكشف الآلية الحقيقية التي تفسر بها أدمغتنا ما تراه يوميا من صور ومواقف.
يقول بنجامين كولي، الباحث في مختبر كولد سبرينغ هاربور، في نيويورك بأمريكا، والمؤلف الرئيسي والمراسل للدراسة، في تصريحات حصرية للجزيرة نت: "تتألف نماذج الذكاء الاصطناعي الضخمة من طبقات متراكمة من الفلاتر التي تبحث عن أنماط في بيانات الإدخال. وهي أساس أنظمة رؤية الحاسوب الحالية (مثل تلك المستخدمة في السيارات ذاتية القيادة) ونماذج اللغة الضخمة مثل تشات جي بي تي وجيميناي وكلود وغيرها".
ويضيف: "على الرغم من إنجازاتها المذهلة، يصعب فهم نماذج الذكاء الاصطناعي الضخمة، تماما كأدمغتنا، نظرا لحجمها الهائل (ملايين بل مليارات المعلمات). من الصعب تحديد الفلاتر المهمة لمخرجات النظام، ومعرفة الفلاتر الزائدة أو غير الضرورية".
التعليقات (0)