فريق بحثي من جامعة تشجيانغ يقترح مسارًا جديدًا: تعليم الذكاء الاصطناعي طريقة فهم الدماغ البشري للعالم

تستمر النماذج الكبيرة في التّضخّم، وتذهب الرؤية السائدة إلى أن زيادة عدد معلمات النموذج تجعله أقرب إلى طريقة تفكير البشر. ومع ذلك، فإن ورقة بحثية نشرتها مجموعة من جامعة تشجيانغ في 1 أبريل على موقع Nature Communications تقترح وجهة نظر مختلفة (الرابط الأصلي: https://www.nature.com/articles/s41467-026-71267-5). وجدوا أنه عندما تكبر أحجام النماذج (بشكل أساسي SimCLR وCLIP وDINOv2)، تتحسن فعلاً قدرة النموذج على التعرّف على الأشياء المحددة، لكن قدرة فهم المفاهيم المجردة لا تتحسن فقط، بل قد تنخفض. بعد أن زادت المعلمات من 22.06M إلى 304.37M، ارتفعت مهمة المفاهيم المحددة من 74.94% إلى 85.87%، بينما انخفضت مهمة المفاهيم المجردة من 54.37% إلى 52.82%.

الفرق بين طريقة تفكير الإنسان والنموذج

عندما يعالج الدماغ البشري المفاهيم، فإنه يُكوّن أولاً مجموعة من العلاقات التصنيفية. فالـبجعة والبومة تختلفان في الشكل، ومع ذلك لا يزال الإنسان يصنفهما ضمن فئة الطيور. ثم إلى مستوى أعلى، يمكن أيضاً إدراج الطيور والخيول ضمن طبقة الحيوانات. عندما يرى الإنسان شيئاً جديداً، فإنه كثيراً ما يفكر أولاً فيما يشبهه هذا الشيء بما رآه من قبل، ثم يتوقع أي فئة ينتمي إليها. يستمر الإنسان في تعلّم مفاهيم جديدة، ثم ينظم الخبرات، ويستخدم هذه العلاقات للتعرّف على الأشياء الجديدة والتكيّف مع سياقات جديدة.

يقوم النموذج أيضاً بالتصنيف، لكن طريقة تشكيله مختلفة. فهو يعتمد أساساً على الأشكال التي تتكرر مراراً في البيانات واسعة النطاق. كلما تكرر ظهور الشيء الملموس أكثر، كان من الأسهل على النموذج التعرف عليه. وعندما يصل إلى خطوة الفئات الأكبر، يصبح النموذج أكثر صعوبة في ذلك. فهو يحتاج إلى التقاط أوجه التشابه بين عدة كائنات، ثم تجميع هذه السمات المشتركة في فئة واحدة. لا تزال لدى النماذج الحالية ثغرات واضحة هنا. بعد استمرار زيادة عدد المعلمات، تتحسن مهمة المفاهيم المحددة، بينما قد تنخفض أحياناً مهمة المفاهيم المجردة.

أوجه التشابه بين الدماغ البشري والنموذج هي أن كلاهما يكوّن داخلَه مجموعة من العلاقات التصنيفية. لكن يختلف التركيز. إذ إن المناطق البصرية المتقدمة في الدماغ البشري تقوم تلقائياً بتقسيم الأشياء إلى فئات كبيرة مثل الكائنات الحية وغير الحية. في المقابل، يمكن للنماذج فصل الأشياء الملموسة، لكنها لا تستطيع أن تُكوّن بشكل ثابت هذا النوع من التصنيفات الأكبر. يؤدي هذا الفرق إلى أن البشر يميلون إلى تطبيق الخبرات القديمة على الأشياء الجديدة بسهولة، لذلك نتمكن من تصنيف الأشياء غير المألوفة بسرعة. بينما يعتمد النموذج أكثر على المعرفة الحالية، لذلك عند مواجهة شيء جديد، يكون أكثر عرضة للتوقف عند السمات السطحية. الطريقة التي تقترحها الورقة تتمحور حول هذا الأمر، باستخدام إشارات الدماغ لتقييد البنية الداخلية للنموذج، بحيث يصبح أقرب إلى طريقة تصنيف الدماغ.

حل فريق جامعة تشجيانغ

الحل الذي قدّمه الفريق فريد أيضاً، وليس مجرد الاستمرار في زيادة عدد المعلمات، بل استخدام إشارات دماغ قليلة كإشراف. تأتي إشارات الدماغ هذه من تسجيل نشاط الدماغ عند مشاهدة الناس للصور. في النص الأصلي للورقة، مكتوب: نقل human conceptual structures إلى DNNs. أي نقل كيف يصنّف الدماغ البشري وكيف يلخص وكيف يضع المفاهيم المتقاربة معاً، قدر الإمكان، إلى النموذج.

استخدم الفريق 150 فئة تدريب معروفة و50 فئة اختبار لم تُرَ من قبل لإجراء التجارب. تشير النتائج إلى أنه مع تقدم التدريب، تستمر المسافة بين تمثيل النموذج وتمثيل الدماغ في التقلص. ويظهر هذا التغير في فئتين في الوقت نفسه، ما يعني أن النموذج لا يتعلم عينة منفردة، بل يبدأ فعلاً في تعلم طريقة تنظيم للمفاهيم أقرب إلى طريقة تفكير الدماغ.

بعد هذه الجولة من التدريب، تكون لدى النموذج قدرة تعلم أقوى عندما تكون البيانات قليلة جداً، وتكون أداؤه أفضل أيضاً عند مواجهة حالات جديدة. وفي مهمة يكون فيها عدد الأمثلة المعطاة محدوداً للغاية، لكنها تتطلب من النموذج التمييز بين مفاهيم مجردة مثل الكائنات الحية وغير الحية، حقق النموذج متوسط زيادة قدرها 20.5%، بل وتجاوز نماذج المقارنة التي يكون حجمها أكبر بكثير من حيث عدد المعلمات. كما نفذ الفريق 31 مجموعة اختبار إضافية مخصصة؛ وظهرت عند عدة نماذج زيادات تقارب عُشر (10%) في المتوسط.

كانت المسارات التي اعتاد عليها قطاع النماذج خلال السنوات الماضية هي زيادة حجم النموذج الأكبر. بينما اختار فريق جامعة تشجيانغ اتجاهاً آخر: من bigger is better إلى structured is smarter. إن التوسع في الحجم مفيد فعلاً، لكنه يحسّن في الغالب الأداء في المهام المألوفة. وتظل القدرة البشرية على الفهم المجرد والانتقال بين السياقات مهمة بنفس القدر بالنسبة للذكاء الاصطناعي، وهذا يتطلب في المستقبل أن تصبح بنية تفكير الذكاء الاصطناعي أقرب إلى بنية الدماغ البشري. تكمن قيمة هذا الاتجاه في أنه يعيد تركيز اهتمام الصناعة من مجرد التوسع في الحجم إلى بنية الإدراك نفسها.

Neosoul والمستقبل

ما يفضي إلى احتمال أكبر: أن تطور الذكاء الاصطناعي قد لا يحدث فقط في مرحلة تدريب النماذج. فالتدريب على النماذج يمكنه أن يحدد كيف ينظم الذكاء الاصطناعي المفاهيم وكيف تُشكّل بنية أحكام ذات جودة أعلى. وبعد دخول العالم الحقيقي، تبدأ طبقة التطور الأخرى للذكاء الاصطناعي للتو: كيف تُسجَّل أحكام وكيل الذكاء الاصطناعي (AI agent)، وكيف تُختبَر، وكيف ينمو ويتطور باستمرار في منافسة واقعية متبادلة، كما يتعلم البشر ذاتياً ويتطورون ذاتياً. وهذا هو ما يفعله Neosoul حالياً. لا يقتصر Neosoul على جعل AI agent يخرج الإجابات، بل يضع AI agent داخل نظام مستمر للتنبؤ والتحقق والتسوية والفلترة، بحيث يقوم بتحسين نفسه باستمرار بين التنبؤات والنتائج، مع الحفاظ على البنى الأفضل واستبعاد البنى الأسوأ. وما يشير إليه فريق جامعة تشجيانغ وNeosoul معاً، في الواقع، هو هدف واحد: ألا يكون لدى الذكاء الاصطناعي القدرة على حل التمارين فقط، بل أن يمتلك أيضاً قدرة تفكير شاملة، وأن يستمر في التطور.