AdaR: A Framework for Equipping LLMs with Adaptive Reasoning
يعزز إطار عمل AdaR متانة وقدرة النماذج اللغوية الكبيرة على التعميم في الاستدلال الرياضي من خلال تدريبها باستخدام التعلم المعزز على استعلامات مُخلّقة تلقائياً ومتكافئة منطقياً لمعاقبة الارتباطات الزائفة وتشجيع الاستدلال التكيفي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في المشهد الواسع للذكاء الاصطناعي، برزت النماذج اللغوية الكبيرة كأدوات قوية قادرة على حل المشكلات المعقدة، من كتابة الشعر إلى تصحيح الأخطاء البرمجية. ومن بين أكثر إنجازاتها إثارة للإعجاب هو الاستدلال الرياضي، حيث تقوم هذه الأنظمة بتفكيك السؤال إلى سلسلة من الخطوات المنطقية للوصول إلى الحل. لسنوات، احتفى الباحثون بهذه القدرة، مفترضين أنه عندما يحل النموذج مشكلة ما بشكل صحيح، فإنه يفهم حقًا المنطق الكامن وراءها. ومع ذلك، فإن نظرة فاحصة تكشف عن خلل مقلق: فالعديد من هذه النماذج لا تستنتج المنطق الفعلي للمشكلة، بل تعتمد بدلاً من ذلك على حفظ الأنماط من بيانات التدريب الخاصة بها. إنها تتعلم ربط أرقام أو عبارات محددة بإجابات معينة، تماماً مثل طالب يحفظ نموذج الإجابة لاختبار تجريبي دون فهم الرياضيات الأساسية. وعندما يتغير الاختبار قليلاً — أي عندما تختلف الأرقام أو تتغير الصياغة — غالباً ما تتعثر هذه النماذج، وتفشل في التكيف لأن "استدلالها" لم يكن حقيقياً في الأصل.
هذا هو التحدي المركزي الذي تناولته دراسة جديدة من باحثين في جامعة نانجينغ وشركة ميتوان (Meituan)، الذين طوروا إطار عمل يسمى "AdaR" لتعليم الآلات كيفية التفكير بشكل تكيفي. اكتشف الفريق أن جذر المشكلة يكمن فيما يسمونه "الاستدلال الزائف". يحدث هذا عندما يعتمد النموذج على روابط سطحية، مثل القيمة المحددة لرقم في سؤال ما، بدلاً من المنطق الهيكلي للمشكلة نفسها. ولتوضيح ذلك، تخيل نموذجاً تم تدريبه على حل مسألة يكون فيها الرقم مكعباً. إذا كانت بيانات التدريب تستخدم دائماً الرقم 3، فقد يتعلم النموذج ببساطة إخراج كلمة "تكعيب" كلما رأى مسألة ضرب، بغض النظر عن الأرقام الفعلية المعنية. وإذا تغيرت المسألة لتتضمن رقماً مختلفاً، سيفشل النموذج لأنه لم يتعلم قاعدة التكعيب؛ بل تعلم فقط التعرف على نمط الرقم 3. وجد الباحثون أن حتى النماذج المتقدمة، التي تؤدي بشكل رائع في الاختبارات القياسية، تعاني من هذه الهشاشة، وتفشل في تعميم مهاراتها على سيناريوهات جديدة ومختلفة قليلاً.
ولإصلاح ذلك، أنشأ الباحثون نظاماً يجبر النموذج على تعلم المنطق بدلاً من الأرقام. بدأوا بأخذ مسائل رياضية موجودة وتجريدها إلى جوهرها أو قالبها الأساسي. ثم استخدموا برنامجاً حاسوبياً لتوليد آلاف النسخ الجديدة من هذه المسائل تلقائياً عن طريق تغيير الأرقام المحددة مع الحفاظ على الخطوات المنطقية كما هي تماماً. ومن الأهمية بمكان أنهم لم يطلبوا من نموذج لغوي مجرد تخمين الإجابات الجديدة؛ بل كتبوا كوداً قابلاً للتنفيذ لحساب الإجابات الصحيحة بيقين مطلق. ضمن هذا أن كل مسألة جديدة أنشؤوها كانت صالحة ولها حل موثق. ثم أخضعوا نماذجهم لعملية تدريب صارمة باستخدام هذه المسائل المتنوعة الجديدة. وبدلاً من مجرد عرض الإجابة الصحيحة للنموذج، استخدموا طريقة تكافئ النموذج فقط عندما يتمكن من حل مجموعة المسائل المتنوعة بالكامل بشكل صحيح. فإذا اعتمد النموذج على الأنماط المحفوظة، فسيفشل في الأرقام الجديدة ويتلقى عقوبة. أما إذا تعلم المنطق الفعلي، فسينجح عبر جميع المتغيرات ويتلقى مكافأة.
كانت نتائج هذا النهج مذهلة. فعند اختبارهم على أنواع مألوفة وجديدة تماماً من المسائل الرياضية، أظهرت النماذج التي تم تدريبها باستخدام إطار العمل التكيفي هذا تحسينات كبيرة. في المتوسط، قفز أداؤها بأكثر من ثماني نقاط مقارنة بالطرق الأخرى، وهو مكسب كبير في عالم الذكاء الاصطناعي. والأهم من ذلك، أصبحت النماذج أكثر متانة؛ حيث استطاعت التعامل مع التغييرات في أرقام المسألة دون انهيار، مما أثبت أنها تعلمت القواعد الأساسية بدلاً من مجرد حفظ أمثلة محددة. لاحظ الباحثون أيضاً تغيراً في كيفية "تفكير" النماذج. قبل هذا التدريب، كانت النماذج تميل إلى التركيز على الأرقام المحددة في السؤال، متجاهلة الهيكل. بعد التدريب، انتقل انتباهها إلى هيكل المسألة نفسها، مما سمح لها بالتعامل مع المتغيرات المجهولة بنفس العناية المنطقية التي تتعامل بها مع الأرقام المعلومة. يشير هذا التحول إلى أن النماذج كانت تطور نوعاً من التفكير الجبري، حيث تعامل المسائل كنظم من العلاقات بدلاً من قوائم من الحقائق المراد استرجاعها.
كما استكشفت الدراسة كيف أثرت أنواع مختلفة من التغييرات على عملية التعلم. ووجدوا أن تغيير الأرقام في المسائل كان أكثر فعالية في تعليم النموذج الاستدلال من مجرد إعادة كتابة الأسئلة بكلمات مختلفة. وهذا يشير إلى أن مفتاح الاستدلال التكيفي هو تعريض النموذج لمجموعة واسعة من السيناريوهات الرقمية، مما يجبره على الاعتماد على المنطق للتنقل عبر الاختلافات. وأشار الباحثون إلى أنه بينما نجحت الطريقة بشكل جيد، إلا أن لها حدوداً؛ فهي تتطلب أن تكون المسائل قابلة للحل بواسطة برنامج حاسوبي، مما يعني أنها الأنسب للمهام الرياضية والمنطقية بدلاً من المجالات الأكثر تجريداً مثل إثبات النظريات المعقدة. علاوة على ذلك، اعتمد نجاح الطريقة على امتلاك النموذج بالفعل لأساس متين من المعرفة الرياضية؛ إذ لا يمكن للنظام تعليم الاستدلال من الصفر لنموذج لا يعرف شيئاً، بل يمكنه فقط صقل استدلال نموذج يمتلك بالفعل اللبنات الأساسية.
في الختام، يقدم هذا العمل مساراً واضحاً لجعل الذكاء الاصطناعي أكثر موثوقية. فمن خلال الانتقال من مجرد الحفظ البسيط نحو الاستدلال التكيفي، أظهر الباحثون أنه من الممكن بناء نماذج يمكنها التعامل مع غير المتوقع. تشير النتائج إلى أن مستقبل الأنظمة الذكية لا يكمن فقط في جعلها أكبر أو أسرع، بل في تعليمها فهم القواعد التي تحكم العالم، بدلاً من مجرد الأمثلة المحددة التي رأتها من قبل. ومع دمج هذه النماذج بشكل أكبر في حياتنا اليومية، من حل المعادلات المالية إلى تخطيط الخدمات اللوجستية المعقدة، ستكون القدرة على التكيف مع المعلومات الجديدة دون فشل أمراً ضرورياً. يوفر إطار العمل "AdaR" مخططاً لتحقيق ذلك، محولاً الآلات الهشة التي تطابق الأنماط إلى مفكرين مرنين ومنطقيين قادرين على التنقل في عالم يتغير باستمرار.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.