الاستدلال مقابل التفكير: ما الذي تفعله فعلاً تقنيات الذكاء الاصطناعي التوليدية

النماذج التوليدية وصعود الاستدلال

تتعلم النماذج التوليدية الحديثة الأنماط من بيانات التدريب الخاصة بها، وبناءً على هذا التعلم، تتنبأ وتُنتج نصوصًا أو صورًا أو غيرها من المحتوى الجديد. يتم تدريب النماذج اللغوية الكبيرة (LLMs) على مجموعات بيانات ضخمة للتنبؤ بالكلمة (أو العنصر) التالية في التسلسل. ومع زيادة حجم هذه النماذج — سواء في عدد المعاملات أو في كمية البيانات التدريبية — تبدأ بإنتاج مخرجات مصاغة بعناية ومتسقة من حيث المعنى والسياق، حيث يبدو النص الناتج مترابطًا ومنظمًا لأن جميع أجزائه متصلة ومكتوبة بإتقان. قبل ظهور النماذج اللغوية الكبيرة، كانت النماذج السابقة أصغر حجمًا ولم تكن قادرة على توليد نصوص بنفس درجة الترابط والوعي بالسياق. ومع توسع هذه النماذج، ظهرت فئة جديدة من النماذج الموجهة نحو الاستدلال، والتي تُظهر قدرات أقوى في هذا الجانب. ومع ذلك، فإن طريقة “استدلال” النموذج اللغوي الكبير — رغم أنه يُولّد نصًا فقط — تختلف عن استدلال الإنسان. فالبشر يستدلّون من خلال فهم المشكلة، بينما يستدلّ النموذج اللغوي من خلال الارتباط، أي باستخلاص الأنماط التي رآها في بيانات التدريب. فعلى سبيل المثال، عند مواجهة مسألة رياضية، قد يتمكن النموذج من حلها لأنه شاهد مسائل مشابهة وتعلّم أنماطها، وليس لأنه يفهم المفاهيم الرياضية الأساسية. وفي بعض الحالات، يمكن أن يؤدي ذلك إلى أخطاء؛ فإذا تم طرح المسألة بطريقة مختلفة قليلاً، أي خارج الأنماط التي تعلمها، فإن استدلال النموذج القائم على الارتباط قد ينهار. أظهرت الأبحاث أن سلسلة التفكير (Chain-of-Thought) الخاصة بالنموذج يمكن أن تكون موثوقة مع الأنماط المألوفة لكنها تصبح هشة عند حدوث تغييرات ولو بسيطة، مما يؤدي أحيانًا إلى خطوات منطقية غير متسقة رغم أنها تبدو سلسة.

أحد العوامل الأساسية لتحسين قدرات الاستدلال في النماذج التوليدية هو تصميم التعليمات (Prompt Design). فعندما تكون التعليمات فعالة وتوضح الخطوات المطلوبة، يميل النموذج اللغوي الكبير إلى اتباع هذا الهيكل ويمكنه توليد حلول لمشكلات معقدة. وتُعرف هذه الأنواع من التعليمات باسم التفكير المتسلسل (Chain-of-Thought Prompting)، حيث يتم توجيه النموذج لتوليد مسار الحل خطوة بخطوة بدلاً من القفز مباشرة إلى الإجابة النهائية. ومن خلال تقسيم المشكلات إلى خطوات وسيطة، تتحسن دقة النموذج في مهام الاستدلال بشكل ملحوظ.

أشارت العديد من الدراسات إلى أنه رغم قدرة النماذج التوليدية الحديثة على أداء مهام تشبه الاستدلال، إلا أنها تقوم بذلك غالبًا بطريقة سطحية. فهي تفتقر إلى بعض القدرات الأساسية التي يتطلبها الاستدلال القوي. فعلى سبيل المثال، لا تمتلك النماذج اللغوية الكبيرة ذاكرة داخلية صريحة لتخزين النتائج الوسيطة بشكل موثوق، إذ تعتمد فقط على نافذة الإدخال المحدودة. وهذا يعني أنها قد تفقد المعلومات عند التعامل مع مشكلات متعددة الخطوات أو طويلة المدى. كما أنها عرضة لما يُعرف بـ الهلوسة، والتي قد تظهر في مهام الاستدلال على شكل خطوات وسيطة واثقة لكنها غير صحيحة. والأهم من ذلك، أن هذه النماذج تواجه صعوبة في الاستدلال المنطقي الصارم وإثبات المسائل الرياضية، وهي مجالات تتطلب أن يكون كل استنتاج صحيحًا تمامًا وليس محتملًا فقط.

الاستدلال مقابل “التفكير” في النماذج اللغوية الكبيرة (LLMs)

الآن، بعد أن فهمنا مفهوم الاستدلال، يمكننا الانتقال خطوة أبعد والنظر في قدرة النماذج على “التفكير” وما الذي يعنيه هذا المفهوم في سياق الذكاء الاصطناعي التوليدي. فعندما نتحدث عن “التفكير”، ندخل إلى مجال أكثر مفاهيمية وأحيانًا فلسفيًا. فمصطلح “التفكير” في سياق الذكاء الاصطناعي ليس مصطلحًا تقنيًا محددًا بدقة، بل هو طريقة لغوية غير رسمية لطرح سؤال عمّا إذا كان للذكاء الاصطناعي شيء يشبه “العقل” أو “الفهم” أو “عملية إدراكية واعية”. في اللغة اليومية، قد نقول إن برنامج الشطرنج “يفكر” في خطوته التالية، لكننا نعلم أنه في الواقع يتبع خوارزمية محددة. ومع الذكاء الاصطناعي التوليدي، وخاصة النماذج اللغوية الكبيرة القادرة على إجراء المحادثات وحل المشكلات، يصبح الإحساس وكأننا نتفاعل مع كيان “مفكر” أقوى بكثير. ولهذا السبب، يضع الباحثون غالبًا كلمة “تفكير” بين علامتي اقتباس عند الحديث عن الذكاء الاصطناعي، للدلالة على أنها تشبيه بالتفكير البشري، وليست معادلة حقيقية له.

فما الذي يمكن أن يتضمنه “تفكير الذكاء الاصطناعي التوليدي”؟ أحد التفسيرات هو سلسلة التفكير الداخلية (Chain of Thought) للنموذج. كما ذكرنا سابقًا، يمكننا توجيه النموذج ليُظهر خطوات استدلاله بوضوح (مثل: “دعنا نفكر في هذا خطوة بخطوة”). بعض الأنظمة المتقدمة تُنتج هذه الخطوات الوسيطة داخليًا، مما يعني أنها تحاكي عملية تفكير قبل تقديم الإجابة النهائية. تُوسّع هذه النماذج قدرات النماذج اللغوية التقليدية من خلال دمج ما يسمى بـ “عملية الاستدلال”، على سبيل المثال باستخدام التفكير المتسلسل مع الانعكاس الذاتي (Reflection) لمعالجة الأسئلة. ومن منظور معين، يمكن اعتبار هذا نوعًا من التفكير؛ إذ يبدو أن الذكاء الاصطناعي “يتأمل داخليًا” بدلًا من الرد الفوري. فعلى سبيل المثال، عند طرح لغز معقد، قد يقوم نموذج مزود بقدرات استدلالية بتحديد التفسيرات الممكنة أولًا، ثم يستبعد غير المنطقية منها، وأخيرًا يقدم الإجابة. وهذا يشبه إلى حد ما الطريقة التي يعالج بها الإنسان المشكلة ذهنيًا.

أحد الجوانب الجوهرية في التفكير البشري هو الفهم — أي امتلاك نماذج ذهنية داخلية للمفاهيم والمواقف. لكن هل تفهم النماذج اللغوية الكبيرة ما تتحدث عنه حقًا؟ في الواقع، لا يعرف النموذج معنى “الحب” ولا يدرك ما هو “الألم الجسدي”، بل يعرف فقط كيف كتب الناس عن “الحب” و“الألم” في النصوص. يعتمد النموذج على الأنماط التي تعلمها وعلى الإشارات التي تربط بين ما يعتبر “صحيحًا” أو “خاطئًا” بناءً على بيانات تدريبه، ثم يُنتج استجابة وفقًا لذلك.

وبسبب هذا الافتقار إلى الفهم الحقيقي أو النية الواعية، يمكن أن يسير “تفكير” الذكاء الاصطناعي في اتجاهات مختلفة، وأحيانًا نحو المسار الخاطئ. ومن الظواهر اللافتة أن النماذج اللغوية الكبيرة كثيرًا ما تُصدر إجابات واثقة ولكنها خاطئة — تُعرف باسم الهلوسات. قد تقدم تفسيرًا تفصيليًا يبدو منطقيًا تمامًا، لكنه في الواقع مُختلق بالكامل. ومن الخارج، يبدو هذا وكأنه عملية تفكير أدت إلى استنتاج، بينما هو في الحقيقة مجرد تتبّع النموذج لإشارات إحصائية تجعله ينتج إجابة تبدو مقنعة.

لذلك، فإن “تفكير الذكاء الاصطناعي التوليدي” هو تعبير مجازي يصف المعالجة الداخلية لهذه النماذج. يمكننا توجيهها لمحاكاة عملية تفكير، وهي قادرة فعلًا على إنتاج محاكاة مذهلة لعمليات الاستدلال.

الاستفادة من قدرات الاستدلال في النماذج اللغوية الكبيرة لتطبيقات العالم الحقيقي

الآن، وبعد أن فهمنا ما هو استدلال النماذج اللغوية الكبيرة (LLM) وما المقصود بـ “تفكيرها”، يبرز السؤال التالي: كيف يمكننا الاستفادة من الحالة الحالية لهذه النماذج وقدراتها الاستدلالية لحل المشكلات المعقدة؟

لإنشاء حلول أفضل أو لأتمتة العمليات باستخدام الذكاء الاصطناعي، علينا أولًا أن نخطو خطوة إلى الوراء. فالبداية ليست مع الذكاء الاصطناعي نفسه، بل مع فهم عميق للعملية التي نحاول حلها أو أتمتتها. يجب أن نعرف بدقة كيف تعمل هذه العملية، وما الذي يجب أن يحدث في كل مرحلة، وأين يمكن السماح بوجود هامش خطأ، وأين لا يمكن تحمّل أي خطأ على الإطلاق. فقط على هذا الأساس يمكننا البدء في تصميم نظام مدعوم بالذكاء الاصطناعي.

إن الاكتفاء بنظرة سطحية عالية المستوى والافتراض بأن “الذكاء الاصطناعي سيتكفل بمعظم الأمور” دون فهم حقيقي ليس كافيًا. فالذكاء الاصطناعي، وخاصة النماذج اللغوية الكبيرة (LLMs) أو النماذج القائمة على الاستدلال، لا يكون أفضل من مدى وضوحنا وفهمنا للمشكلة.

الخطوة الأولى هي فهم المجال أو الصناعة بشكل عميق. إمّا أن تطوّر معرفة متعمقة بنفسك، أو تتعاون مع خبير في هذا المجال لرسم سير العمل الكامل بدقة. قم ببناء إطار الحل من منظور الخبير، بحيث يعكس التفاصيل الواقعية الدقيقة للمجال.

الخطوة الثانية هي إعداد هذا سير العمل بطريقة تتماشى مع قدرات الذكاء الاصطناعي (سواء كان نموذجًا لغويًا كبيرًا أو نموذجًا آخر). تعمل النماذج اللغوية الكبيرة بشكل أفضل عندما تكون النية واضحة، والنتيجة محددة، والخطوات للوصول إلى تلك النتيجة غير غامضة. من خلال تصميم مسارات منظمة وتدفقات عمل متعددة الطبقات، يمكننا تمكين التعاون الفعّال بين الإنسان والآلة، مما يؤدي إلى إنشاء أنظمة قادرة على أتمتة الحلول من البداية إلى النهاية.

الخطوة الأخيرة هي الاختبار — اختبار صارم ومكثف. بعد بناء الحل، يجب التحقق من فعاليته من خلال جولات متعددة من الاختبارات، مع فحص كل مكوّن بعناية لضمان الموثوقية والمتانة.

بهذا النهج يمكننا إنشاء حلول ذكاء اصطناعي قوية ومستدامة. من خلال الجمع بين قدرات الاستدلال في النماذج اللغوية الكبيرة وعمق التفكير البشري، يمكننا تصميم تدفقات عمل ذكية تنتج حلولًا أكثر ذكاءً، ومرونة، وقيمة حقيقية.