ملخص تقني: الفانتازيا الاصطناعية: الصور الذهنية الناشئة في النماذج اللغوية الكبيرة

بيان المشكلة

تتناول الورقة سؤالاً جوهرياً في العلوم المعرفية: هل يمكن دفع التصور الذهني البصري من خلال اللغة وحدها، أم أنه يعتمد حصرياً على التمثيلات التصويرية (الصور الذهنية)؟ تفترض العلوم المعرفية التقليدية أن التصور الذهني يعمل بناءً على تمثيلات تصويرية، وهي وجهة نظر يدعمها استعارة "العين الذهنية". ومع ذلك، فإن وجود المصابين بـ "الأفانتازيا" (aphantasics) (الأفراد الذين يفتقرون إلى التصور البصري الواعي ولكن لا يزال بإمكانهم أداء المهام المكانية والمهام المعتمدة على التصور) يتحدى ضرورة التنسيقات التصويرية.

يتحقق المؤلفون مما إذا كانت النماذج اللغوية الكبيرة (LLMs)، التي يتم تدريبها أساساً على بيانات اقتراضية (لغوية) وتفتقر إلى قدرات المعالجة البกว่าية الأصلية في أوضاع النصوص فقط، يمكنها حل مهام صُممت لتكون قابلة للحل حصرياً عبر التصور الذهني التصويري. إذا نجحت هذه النماذج، فسيشير ذلك إلى وجود "فانتازيا اصطناعية" (artificial phantasia)؛ وهي شكل ناشئ من التصور الذهني غير التصويري المدفوع بالاستدلال الاقتراضي.

المنهجية

تصميم المهمة

استخدمت الدراسة نسخة موسعة من مهمة "إعادة بناء الأشياء" الكلاسيكية التي طورها فينكي وبينكر وفاراه (1989).

• المثيرات: أنشأ الباحثون 60 مجموعة تعليمات.
  • تم تكييف 12 عنصراً من دراسة فينكي وآخرون الأصلية (مع تعديلها لضمان الوضوح).
  • تم إنشاء 48 عنصراً جديداً ومبتكراً خصيصاً لهذه الدراسة لضمان عدم وجودها في بيانات تدريب النماذج. تضمنت هذه العناصر تحويلات تركيبية معقدة (مثل تدوير الحروف، إلحاق الأشكال، عكس المرآة) حيث لا يمكن تحديد الكائن النهائي (مثل المظلة، أو فأرة الكمبيوتر) إلا بعد محاكاة جميع الخطوات ذهنياً.
• الإجراء: طُلب من المشاركين (سواء البشر أو النماذج اللغوية الكبيرة) تخيل سلسلة من التحويلات وتحديد "الصورة" الناتجة.
• الخط المرجعي البشري: أكمل 100 مشارك بشري المهمة عبر تعليمات صوتية (لمنع الانحياز البصري الناتج عن النص الظاهر على الشاشة) وتم تقييمهم باستخدام استبيان مدى حيوية التصور البصري (VVIQ).
• اختبار النماذج اللغوية الكبيرة: اختبرت الدراسة مجموعة واسعة من النماذج المتطورة، بما في ذلك:
  • النماذج المملوكة (Proprietary): OpenAI (o3, o3-Pro, o4-mini, GPT-5, GPT-4.1, ChatGPT-4o)، وGoogle (Gemini 3 Pro, 2.5 Pro, 2.0 Flash)، وAnthropic (Claude Opus 4.1, Sonnet 4).
  • النماذج مفتوحة الأوزان (Open-Weight): Qwen 3, Qwen 3 VL, DeepSeek R1, وgpt-oss-120b.
• التغيرات التجريبية:
  • التوليد بمساعدة الصور: تم توجيه بعض النماذج لتوليد صور وسيطة باستخدام أدوات (مثل GPT-image-1، أو توليد الصور في Gemini) لاختبار ما إذا كانت المساعدات التصويرية ستحسن الأداء.
  • جهد الاستدلال: تم تغيير تخصيص "توكنات الاستدلال" (الحد الأدنى، المنخفض، المتوسط، العالي) لنماذج OpenAI لاختبار تأثير سلاسل الاستدلال الممتدة.
  • السياق: تم اختبار النماذج في كل من وضع السياق الفردي (جميع التعليمات في مطالبة واحدة) ووضع السياقات المتعددة (سياق جديد لكل مجموعة تعليمات).

التقييم

• التسجيل: تم استخدام نظام تسجيل مرجح، حيث قام 376 مقيماً بشرياً عادياً بتقييم "معقولية" إجابة النموذج أو الإنسان مقابل صورة هدف معيارية على مقياس من 5 درجات.
• التحقق من الخبراء: قدم المؤلفون درجات "خبراء" مستقلة. كان الدرجة النهائية عبارة عن متوسط مرجح للتقييمات المستمدة من الجمهور وتقييمات الخبراء.
• التحليل الإحصائي: استُخدمت اختبارات Mann-Whitney U واختبارات Wilcoxon Signed-Rank لمقارنة أداء النماذج مقابل الخط المرجعي البشري ومقارنتها ببعضها البعض، مع تطبيق تصحيحات Bonferroni للمقارنات المتعددة.

النتائج الرئيسية

1. الأداء المتفوق للنماذج الرائدة

تفوقت نماذج الاستدلال الأكثر تقدماً بشكل كبير على الخط المرجعي البشري (متوسط الدرجة البشرية: 2.85/5).

• حقق Gemini 3 Pro أعلى متوسط درجات (3.65، $p < .0001$).
• كما تفوق GPT-5 (3.35، $p = .0004$) وعائلة o3 (o3-Pro: 3.31، $p < .0001$؛ o3: 3.13، $p = .0067$) بشكل ملحوظ على البشر.
• أما النماذج الأقدم أو الأقل قدرة (مثل ChatGPT-4o، وGemini 2.0 Flash، وQwen 3) فقد كان أداؤها أسوأ بكثير من البشر أو فشلت في الوصول إلى الخط المرجعي.

2. تأثير الاستدلال والمساعدات الصورية

• توكنات الاستدلال: ارتبط الأداء إيجابياً بجهد الاستدلال. فقد تفوق GPT-5 مع الاستدلال "العالي" (3.35) بشكل كبير على الاستدلال "الأدنى" (2.04).
• التوليد بمساعدة الصور: خلافاً للفرضية التي تقول إن المساعدات البصرية ستكون مفيدة، فإن إضافة قدرات توليد الصور (مثل o3 مع GPT-image-1) قللت من الأداء مقارنة بالاستدلال النصي فقط. يشير هذا إلى أن أخطاء التوليد التركيبي المتأصلة في نماذج الصور الحالية قد أعاقت المهمة، وأن المعالجة اللغوية البحتة كانت أكثر فعالية.
• السياق: لم يظهر التعلم داخل السياق (السياق الواحد مقابل السياقات المتعددة) أي فرق معنوي في الأداء.

3. قيود النماذج مفتوحة المصدر

أظهرت النماذج مفتوحة الأوزان أداءً ضعيفاً، ولم يصل أي منها إلى الخط المرجعي البشري. أظهرت Qwen 3 (متوسط 1.58) وQwen 3 VL (متوسط 1.99) عدم وجود فرق معنوي، مما يشير إلى أن خطوة محاذاة الرؤية واللغة في Qwen 3 VL لم تمنح ميزة كبيرة لهذه المهمة الاقتراضية المحددة.

4. عدم اليقين والاستراتيجية

• عدم اليقين: على عكس البشر، الذين استجابوا كثيراً بعبارة "لا أعرف" (54 حالة)، لم تعبر النماذج اللغوية الكبيرة أبداً عن عدم اليقين، بل غالباً ما قامت بـ "الهلوسة" بإجابات حتى في العناصر الأكثر صعوبة.
• التوازي مع الأفانتازيا: أشارت الدراسة إلى أن الأداء العالي للنماذج اللغوية الكبيرة (التي تفتقر إلى التصور البصري) يحاكي أداء المصابين بالأفانتازيا، الذين ينجحون أيضاً في مهام التصور دون تمثيلات تصويرية.

المساهمات الرئيسية

1. الدليل على الفانتازيا الاصطناعية: تقدم الورقة دليلاً تجريبياً على أن النماذج اللغوية الكبيرة يمكنها حل مهام التصور الذهني المعقدة باستخدام التمثيلات الاقتراضية (اللغوية) فقط، مما يتحدى الرأي القائل بأن التنسيقات التصويرية ضرورية لهذا النوع من الإدراك.
2. معيار جديد: قدم المؤلفون 48 عنصراً جديداً غير موجود في بيانات التدريب لمهام التصور الذهني، مما خلق معياراً قوياً لتقييم قدرات الاستدلال الناشئة في النماذج اللغوية الكبيرة.
3. إعادة تقييم تنسيقات التصور الذهني: تشير النتائج إلى أن التصور الذهني "البصري" قد لا يكون قدرة متجانسة، بل يمكن تحقيقه من خلال الاستدلال المكاني ضمن إطار اقتراضي، مما يدعم التمييز بين تصور الأشياء وتصور المكان.
4. رؤية منهجية: توضح الدراسة أن إجبار النماذج على توليد صور وسيطة يمكن أن يؤدي إلى تدهور الأداء في مهام الاستدلال التركيبي، مما يسلط الضوء على القيود الحالية لتوليد الصور في سير العمل المنطقي متعدد الخطوات.

الأهمية والادعاءات

يزعم المؤلفون أن نتائجهم "تُعيد إشعال الجدل حول اشتراط التنسيق التصويري في التصور الذهني". ويجادلون بأن نجاح النماذج اللغبية الكبيرة المتطورة (خاصة نماذج الاستدلال مثل o3 وGPT-5 وGemini 3 Pro) يشير إلى قدرة معرفية ناشئة حيث تكفي اللغة وحدها لمحاكاة ومعالجة العلاقات المكانية التي كان يُعتقد تقليدياً أنها تتطلب "عيناً ذهنية".

تفترض الورقة أن هذه النماذج لا تعتمد على تمثيلات تصويرية خفية، بل تعتمد على الاستدلال الاقتراضي والتمثيلات اللغوية (embeddings) لبناء التخطيطات المكانية. وهذا يتحدى الرؤية الكلاسيكية التي تعتبر التصور الذهني البصري حصرياً تصويرياً. علاوة على ذلك، تشير الدراسة إلى أن الفجوة بين الأداء البشري والاصطناعي في هذا المجال تتقلص، حيث تجاوزت النماذج الأكثر تقدماً القدرات البشرية في مهام تصورية محددة ومنظمة.

يبقى المؤلفون متواضعين فيما يتعلق بالآلية، حيث يقرون بأنه بينما تنجح النماذح، فإن التمثيل الداخلي الدقيق (سواء كان اقتراضياً بحتاً أم اقتراضياً مع أولويات بصرية-لغوية) يظل موضوعاً يتطلب مزيداً من البحث. ويخلصون إلى أن هذه النتائج تقدم منظوراً جديداً لكل من مجتمع الذكاء الاصطناعي (فيما يتعلق بالقدرات الناشئة لنماذج الاستدلال) ومجتمع العلوم المعرفية (فيما يتعلق بطبيعة التصور الذهني البشري والاستراتيجيات التي يستخدمها المصابون بالأفانتازيا).