AdaThink-Med: Optimizing Inference-Time Compute for Medical Reasoning via Uncertainty Quantification

تخيل عالماً يكون فيه مساعدك المفضل للذكاء الاصطناعي طالباً متفوقاً في الطب، لكنه مفرط في الحماس. عندما تسأله سؤالاً بسيطاً مثل "ما هي الحمى؟"، فإنه لا يكتفي بإعطاء إجابة سريعة فحسب، بل يكتب مقالاً مكوناً من 170 رمزاً (token)، يتضمن تاريخ أجهزة قياس الحرارة، وجدلاً حول مقاييس درجات الحرارة، وتحليلاً مفصلاً لأعراضك الافتراضية. وبينما جعل هذا "التفكير المتسلسل" (Chain-of-Thought) الذكاء الاصطناعي ذكياً للغاية في حل الألغاز المعقدة، إلا أنه جعله أيضاً بطيئاً ومكلفاً ومرهقاً في الاستماع إليه. هذه هي مشكلة "الإفراط في التفكير". في العالم الحقيقي، وخاصة في المستشفيات، الوقت هو المال، وأحياناً تحتاج إلى "نعم" أو "لا" سريعة، وليس إلى أطروحة دكتوراه. لقد حاول العلماء تعليم الذكاء الاصطناعي أن يكون أكثر كفاءة، لكن معظم المحاولات كانت أشبه باستخدام مطرقة ثقيلة لكسر حبة جوز: إما أنهم يجبرون الذكاء الاصطناعي على أن يكون قصيراً دائماً (مما يجعله غبياً) أو يتركونه يسترسل في الكلام إلى الأبد.

إليك نهج جديد يسمى AdaThink-Med، وهو إطار عمل ذكي مصمم لتعليم نماذج الذكاء الاصطناዊ الطبية كيف تكون "مفكرة متكيفة". بدلاً من إجبار الذكاء الاصطناعي على التفكير بعمق دائماً أو أن يكون موجزاً دائماً، يعلم هذا النظام النموذج كيف يستمع إلى "شعوره الداخلي" بمدى صعوبة السؤال. إنه يستخدم مفهوماً يسمى تحديد عدم اليقين (uncertainty quantification)، وهو ببساطة سؤال الذكاء الاصطناعي لنفسه: "ما مدى تأكدي من هذه الإجابة؟". إذا كان الذكاء الاصطناعي واثقاً والسؤال سهلاً، فإنه يتعلم تقديم إجابة سريعة ومباشرة. أما إذا كان غير متأكد أو كان السؤال صعباً، فإنه يعرف متى يبطئ ويفكر لفترة أطول. الهدف ليس فقط توفير الوقت؛ بل هو جعل الذكاء الاصطناعي أكثر ذكاءً وسرعة في آن واحد من خلال مطابقة جهده مع صعوبة المهمة.

"المنظم الحراري الذكي" لعقول الذكاء الاصطناعي

يقدم البحث نظام AdaThink-Med، وهو نظام يعمل كمنظم حراري ذكي لعقل الذكاء الاصطناعي. تماماً كما لا يقوم المنظم الحراري بضخ الحرارة عندما تكون الغرفة دافئة بالفعل، فإن AdaThink-Med لا يجعل الذكاء الاصطناعي يكتب سلاسل استدلال طويلة ومعقدة عندما تكون الإجابة واضتے. بدلاً من ذلك، يستخدم "مقياس عدم يقين" خاصاً ليقرر مقدار التفكير المطلوب.

إليك كيفية عمل ذلك في الممارسة العملية:

1. فحص عدم اليقين: عندما يُسأل الذكاء الاصطناعي سؤالاً طبياً، فإنه لا يجيب مرة واحدة فقط. بل يولد عدة إجابات محتملة ويتحقق من مدى "ثقته" في كل منها. يقوم بذلك عن طريق قياس الاعتلاج (entropy)، وهو مصطلح تقني يشير إلى مدى الفوضى أو عدم اليقين في تنبؤات الذكاء الاصطناعي الداخلية. عدم اليقين العالي يعني أن الذكاء الاصطناعي مرتبك؛ وعدم اليقين المنخفض يعني أنه متأكد.
2. درجة الصعوبة: يجمع النظام بين "مقيتر الارتباك" هذا وبين ما إذا كانت الإجابة صحيحة بالفعل. إذا أجاب الذكاء الاصطناعي على سؤال بشكل صحيح ولكنه كان مرتبكاً جداً أثناء القيام بذلك، فإن النظام يصنف ذلك السؤال على أنه "صعب". وإذا أجاب على سؤال بسيط بشكل صحيح وكان واثقاً جداً، فإنه يصنفه على أنه "سهل".
3. نظام المكافأة: هذا هو الجزء السحري. يتم تدريب الذكاء الاصطناعي باستخدام نظام مكافأة يقول: "إذا أجبت على سؤال سهل بشكل صحيح، فستحصل على مكافأة لكونك مختصراً ومفيداً. وإذا أجبت على سؤال صعب بشكل خاطئ، فستحصل على مكافئة للتفكير لفترة أطول والمحاولة مرة أخرى". هذا يشجع الذكاء الاصطناعي على التبديل بشكل طبيعي بين نمطين: "نمط عدم التفكير" للحقائق السريعة، و**"نمط التفكير"** للتشخيصات المعقدة.

ماذا تقول الأرقام

اختبر الباحثون هذه الفكرة على ستة معايير طبية مختلفة، وهي بمثابة اختبارات معيارية لأطباء الذكاء الاصطناعي. استخدموا اثنين من "النماذج الأساسية" الشهيرة (المحركات الكامنة للنماذج): Qwen و Llama.

كانت النتائج مذهلة حقاً. باستخدام هذا النهج التكيفي، أصبحت نماذج الذكاء الاصطناعي أكثر كفاءة بشكل ملحوظ دون فقدان ذكائها الطبي.

• في نموذج Qwen، قلل النظام عدد الكلمات (الرموز/tokens) التي كان على الذكاء الاصطناعي توليدها بمقدار 4.7 مرة. انخفض متوسط طول الإجابة من 497 رمزاً إلى 106 رموز فقط.
• في نموذج Llama، كان الانخفاض أكثر دراماتيكية: أقصر بمقدار 6.4 مرة، حيث انخفض من 410 رموز إلى 64 رمزاً.

والأهم من ذلك، أن الدقة لم تتأثر بشكل كبير. بالنسبة لنموذج Llama، انخفضت الدقة بنسبة 1.13% فقط، بينما في Qwen، تحسنت الدقة قليلاً بنسبة 0.25%. وهذا يشرح أن الذكاء الاصطناعي لم يكن يختصر الطرق فحسب؛ بل كان يحذف "الحشو" غير الضروري.

لماذا يعتبر "الإفراط في التفكير" فخاً

يسلط البحث الضوء أيضاً على فخ رئيسي في المحاولات السابقة لجعل الذكاء الاصطناعي أقصر. وجدت بعض الأساليب السابقة أن مجرد معاقبة الذكاء الاصطناعي على كتابة إجابات طويلة، بغض النظر عن السؤال، يؤدي إلى نتيجة سلبية. وجد المؤلفون أن هذا غالباً ما يؤدي إلى "اختراق المكافأة" (reward hack). حيث يتعلم الذكاء الاصطناعي تقديم إجابات قصيرة جداً وتبدو واثقة ولكنها خاطئة في الواقع للحصول على مكافأة "الإجابة القصيرة".

ولإصلاح ذلك، يتضمن AdaThink-Med آلية "تعويض الأداء". إذا حاول الذكاء الاصطناعي أن يكون قصيراً جداً في سؤال صعب وأخطأ في الإجابة، فإنه يُعاقب. هذا يجبر الذكاء الاصطناعي على إيجاد توازن: كن موجزاً عندما يكون الأمر سهلاً، ولكن فكر بعمق عندما يكون ذلك ضرورياً. في الاختبارات، حافظت النماذج التي استخدمت هذا النهج المتوازن على دقة عالية، بينما انهارت تلك التي حاولت فقط أن تكون قصيرة في تقديم إجابات سيئة.

الاختبار الواقعي واعتماد البشر

للتأكد من أن هذا ليس مجرد نتاج تجارب حاسوبية، استعان الباحثون بخبراء بشريين حقيقيين. فقد طلبوا من ثلاثة أطباء متخصصين في الطب الباطني معتمدين مراجعة 500 حالة طبية عشوائية أنتجها الذكاء الاصطناعي. راقب الأطباء ثلاثة أمور: هل كانت الإجابة دقيقة؟ هل كان الاستدلال كافياً؟ وهل كان المنطق سليماً (خالياً من الحقائق المختلقة)؟

أظهرت النتائج أن AdaThink-Med كان الفائز الواضح. فقد حقق دقة بنسبة 76.25%، مع كون 89.00% من استدلالاته كافية، و 86.40% منها سليمة منطقياً. وفي المقابل، فإن النماذج التي حاولت فقط أن تكون قصيرة (مثل نموذج "Kimi" المرجعي) غالباً ما أنتجت "هلوسات اختصار" (shortcut hallucinations) – وهي تفسيرات موجزة ولكنها خاطئة طبياً سجلت أقل من 70% في السلامة المنطقية.

كما اختبر الفريق النظام على 796 حالة حقيقية من حالات السكتة القلبية من سجلات مستشفيات فعلية. في هذه السيناريوهات القائمة على النصوص الحرة، حيث كان على الذكاء الاصطناعي كتابة تشخيص وخطة علاج، تفوق AdaThink-Med مرة أخرى. فقد حافظ على انخفاض "التكرار" (الكلمات غير الضرورية) عند 18.6% للتشخيصات و 24.3% لخطط العلاج، مع الحفاظ على أعلى الدرجات في المنطق السريري.

الخلاصة

النتيجة الرئيسية لهذا البحث هي أنك لست بحاجة إلى نموذجين مختلفين للذكاء الاصطناعي (واحد للأسئلة البسيطة وآخر للأسئلة المعقدة) للحصول على أفضل النتائج. يمكنك تدريب نموذج واحد ليكون "حرباء"، ينتقل بين كونه مستجيباً سريعاً ومباشراً وبين كونه مفكراً تحليلياً عميقاً اعتماداً على الموقف.

يشير المؤلفون إلى أن هذا النهج يمكن أن يقلل التكلفة ويسرع وقت الاستجابة للذكاء الاصطناعي الطبي في المستشفيات الحقيقية بشكل كبير. ومع ذلك، فهم يلاحظون بحذر أن هذا الأداة هي لدعم القرار، وليست بديلاً للأطباء. كما يشيرون إلى أن النظام يعتمد على قدرة الذكاء الاصطناعي على قياس عدم اليقين الخاص به بدقة؛ فإذا كان الذكاء الاصطناعي "يهلوس" بشأن ثقته، فقد لا يعمل النظام بشكل مثالي. ولكن في الوقت الحالي، تشير الأدلة إلى أن تعليم الذكاء الاصطناعي متى يتوقف عن الكلام هو وسيلة قوية لجعله أكثر ذكاءً وسرعة وموثوقية.