💬 NLP

Mapping Semantic & Syntactic Relationships with Geometric Rotation

تقدم هذه الورقة تقدير الإزاحة الثابتة للدوران (RISE)، وهي طريقة هندسية تنجح في رسم التحولات الدلالية والنحوية على مستوى الخطاب كعمليات دورانية متسقة عبر لغات ونماذج تضمين متنوعة، مما يوفر دعماً تجريبياً لفرضية التمثيل الخطي على مستوى الجملة.

المؤلفون الأصليون: Michael Freenor, Lauren Alvarez

نُشر 2026-02-27

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Michael Freenor, Lauren Alvarez

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

الفكرة الكبرى: البحث عن "البوصلة السرية" في عقول الذكاء الاصطناعي

تخيل أن لديك مكتبة عملاقة غير مرئية، حيث تُخزن كل جملة كُتبت على هيئة نقطة ضوء واحدة. هكذا يفهم الذكاء الاصطناعي الحديث (مثل العقول التي تقف وراء روبوتات الدردشة) اللغة.

في الأيام الخوالي، عندما كان الذكاء الاصطناعي أبسط، كانت نقاط الضوء هذه مرتبة بطريقة يمكن التنبؤ بها تماماً. إذا أردت تحويل كلمة "ملك" إلى "ملكة"، كان عليك فقط قطع مسافة محددة في خط مستقيم. لقد كان الأمر يشبه معادلة رياضية: ملك - رجل + امرأة = ملكة.

لكن ذكاء الاصطناعي اليوم أكثر ذكاءً وتعقيداً. "مكتبته" ليست مسطحة مثل ورقة، بل هي أشبه بـ بالون ضخم ومنحنٍ (كرة). وعلى السطح المنحني، لا يعمل المشي في خط مستقيم بنفس الطريقة. إذا حاولت استخدام رياضيات "الخط المستقيم" القديمة لتغيير معنى جملة، فغالباً ما ستضل الطريق أو تنتهي في مكان خاطئ.

المشكلة: أراد الباحثون معرفة: هل لا يزال بإمكاننا إيجاد طريقة موثوقة لتغيير معنى الجملة داخل عقل هذا الذكاء الاصطناعي المنحني؟ على سبيل المثال، هل يمكننا إيجاد "حركة" محددة تحول جملة خبرية إلى سؤال، أو جملة فظة إلى جملة مهذبة، بغض النظر عن اللغة المستخدمة؟

الحل: ابتكر المؤلفون أداة جديدة تسمى RISE (تقدير الإزاحة الثابتة بالدوران). فكر في RISE ليس كمسطرة مستقيمة، بل كـ بوصلة ذكية تعرف كيف تسير على السطح المنحني لعقل الذكاء الاصطناعي.

كيف تعمل RISE: تشبيه "أرضية الرقص"

تخيل فهم الذكاء الاصطناعي لجملة ما كأنه راقص يقف على أرضية رقص مستديرة (كرة).

الطريقة القديمة (الأوروبيدية/الخطية): تخيل أنك تحاول تحريك الراقص عبر دفعه في خط مستقيم عبر الهواء، متجاهلاً أرضية الرقص. قد يطير الراقص خارج أرضية الرقص أو يهبط في مكان غريب. هذا ما حاولت الطرق القديمة فعله، وقد فشلت مع الذكاء الاصطناعي المعقد.
طريقة RISE (الدوران الهندسي): تدرك RISE أن الراقص يجب أن يبقى على الأرضية. لتغيير معنى الجملة، لا تقوم RISE بدفع الراقص، بل تقوم بـ تدويره.
- إذا أردت جعل الجملة منفية (إضافة "ليس")، تقوم RISE بتدوير الراقص 90 درجة في اتجاه محدد.
- إذا أردت جعلها مهذبة، تقوم بتدويره في اتجاه آخر.
- الأمر الجوهل هو أن RISE تكتشف أن "حركة الدوران" هذه هي نفس حركة الرقص سواء كان الراقص يتحدث الإنجليزية أو اليابانية أو الزولو.

ماذا اختبروا؟

اختبر الباحثون طريقة "الدوران" هذه على ثلاثة أنواع من التغييرات عبر سبع لغات مختلفة (بما في في ذلك الإنجليزية، الإسبانية، اليابانية، والزولو) وثلاثة نماذج مختلفة للذكاء الاصطناعي.

النفي (مفتاح "ليس"): تغيير "أنا أحب البيتزا" إلى "أنا لا أحب البيتزا".
- النتيجة: ناجحة جداً. نجحت عملية "الدوران" بشكل شبه مثالي. إنها تشبه زراً عالمياً يعمل في كل اللغات وفي كل نماذج الذكاء الاصطناعي.
الشرطية (مفتاح "إذا"): تغيير "سأذهب" إلى "إذا ذهبت...".
- النتيجة: ناجحة جداً. كان هذا أيضاً مستقراً للغاية عبر اللغات المختلفة.
التهذيب (مفتاح "من فضلك"): تغيير "أعطني ذلك" إلى "هل يمكنك من فضلك إعطائي ذلك؟".
- النتيجة: صعبة. نجحت هذه الطريقة، لكنها كانت أقل اتساقاً. لماذا؟ لأن التهذيب يعتمد بشكل كبير على الثقافة. ما يعتبر مهذباً في اليابان قد يبدو غريباً في الولايات المتحدة. لذا، كان على "دوران التهذيب" في الذكاء الاصطناعي أن يكون أكثر حذراً وتنوعاً بناءً على الثقافة.

اكتشاف "التحيز للإنجليزية"

أحد الأشياء المثيرة للاهتمام التي وجدوها هو أن نماذج الذكاء الاصطناعي التي اختبروها تشبه إلى حد ما السياح المتمحورين حول الإنجليزية.

عندما جربوا "دوران الإنجليزية" على جملة إنجليزية، نجح الأمر بشكل رائع.
وعندما جربوا نفس "الدوران الإنجليزي" على جملة بلغة الزولو، ظل يعمل، لكن ليس بنفس الكفاءة.
يشير هذا إلى أنه بينما يفهم الذكاء الاصطناعي هندسة اللغة، فقد تعلم هذه الهندسة غالباً من خلال القراءة بالإنجليزية. إنه يشبه خريطة مرسومة بدقة لمدينة نيويورك، ولكن إذا حاولت استخدامها للتنقل في طوكيو، فستجد أن الشوارع بعيدة قليلاً عن الواقع.

لماذا يهم هذا الأمر؟

هذه الورقة البحثية مهمة لثلاثة أسباب:

إنها تثبت وجود هيكل خفي للذكاء الاصطناعي: فهي تظهر أنه رغم كون الذكاء الاصطناعي "صندوقاً أسود"، إلا أن هناك في الواقع نظاماً هندسياً منطقياً لكيفية تفكيره. نحن لا نتكهن فحسب؛ بل يمكننا رياضياً رسم خريطة لكيفية تغيير المعنى.
إنها تعمل عبر اللغات: فهي تثبت أن "هندسة المعنى" عالمية. "دوران النفي" هو جزء أساسي من الفكر البشري، والذكاء الاصطناعي يلتقطه، حتى عبر اللغات المختلفة جداً.
إنها أفضل من الطرق القديمة: الرياضيات القديمة ذات "الخط المستقيم" (مثل محاذاة بروكروستس) فشلت عند محاولة عبور اللغات أو تغيير المعاني المعقدة. طريقة "الدوران المنحني" الجديدة (RISE) أكثر دقة بكثير.

الخلاصة

فكر في نماذج لغة الذكاء الاصطناعي كأنها كرة أرضية ضخمة ومنحنية. لفترة طويلة، حاولنا التنقل فيها باستخدام خرائط مسطحة، وهو ما لم ينجح جيداً. تقدم هذه الورقة البحثية نظام GPS جديد (RISE) يفهم أن الكرة الأرضية مستديرة. وهي تظهر لنا أنه يمكننا "توجيه" الذكاء الاصطناعي بشكل موثوق لتغيير جملة من الإثبات إلى النفي، أو من الفظاظة إلى التهذيب، باستخدام دورات هندسية بسيطة.

بينما لا يزال لدى الذكاء الاصطناعي تحيز نحو الإنجليزية، فإن هذا الاكتشاف يمنحنا أداة جديدة وقوية لفهم، والتحكم في، وجعل الذكاء الاصطناعي أكثر أماناً وقابلية للتفسير في المستقبل. إننا أخيراً نتعلم "حركات الرقص" التي يستخدمها الذكاء الاصطناعي في تفكيره.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "رسم الخرائط للعلاقات الدلالية والنحوية باستخدام الدوران الهندسي" (RISE)، المنشورة في مؤتمر ICLR 2026.

1. بيان المشكلة

تتناول الورقة فجوة حرجة في قابلية التفسير للنماذج اللغوية الكبيرة (LLMs) ونماذج التضمين (Embedding Models) الحديثة.

محدودية الحساب الخطي: سمحت تضمينات الكلمات المبكرة (مثل word2vec) بالتلاعب الدلالي الحدسي عبر العمليات الحسابية المتجهة (مثل king - man + woman = queen). اعتمد هذا على فرضية التمثيل الخطي (LRH)، التي تفترض أن المفاهيم الدلالية توجد في فضاءات فرعية خطية.
التحدي المعاصر: غالبًا ما تكون التمثيلات النصية المعاصرة عالية الأبعاد (الناتجة عن المحولات/Transformers) غامضة. ورغم أدائها العالي، إلا أن بنيتها الهندسية الداخلية لا تتوافق بشكل مباشر مع العمليات الدلالية باستخدام الجمع المتجهي الإقليدي البسيط.
عد mismatch الهندسي: يجادل المؤلفون بأن تضمينات الجمل الحديثة تستقر على متشعبات منحنية (curved manifolds) (تحديدًا كرات فائقة الوحدة/unit hyperspheres) بدلاً من الفضاءات الإقليدية المسطحة. وتفترض طرق التوجيه والاستقصاء الحالية (probing) غالبًا هندسة إقليدية، مما يؤدي إلى أداء غير متسق عبر اللغات والنماذج المختلفة.
الهدف: تحديد ما إذا كانت التحولات الدلالية-النحوية على مستوى الخطاب (مثل النفي، والشرطية) تتوافق مع عمليات هندسية (دورات/rotations) ثابتة على متشعب التضمين، والتي يمكن تعميمها عبر اللغات وبنيات النماذج.

2. المنهجية: تقدير الإزاحة الثابتة للدوار (RISE)

يقترح المؤلفون إطار عمل RISE، وهو إطار هندسي يعامل التحولات الدلالية كعمليات دوران على كرة فائقة الوحدة، مستفيدًا من الهندسة الريمانية (Riemannian geometry).

المفهوم الجوهري

بدلاً من إضافة المتجهات في الفضاء الإقليدي، يعمل RISE في الفضاء المماسي (tangent space) للكرة الفائقة حيث تستقر التضمينات. يفترض أن تغيير معنى جملة ما (مثل إضافة النفي) يتوافق مع التحرك على طول جيوديسي (geodesic) (المسار الأقصر على الكرة) بدلاً من خط مستقيم.

الخوارزمية

تتم عملية RISE عبر ثلاث خطوات:

التقنين (Canonicalization): بالنسبة لتضمين جملة محايدة $n$ ومتغيرها المتحول $v$ ، تحسب الطريقة تحويلًا متعامدًا (دوار/rotor $R(n)$ ) يقوم برسم الخرائط من $n$ إلى اتجاه مرجعي معياري $e_1$ . يعمل هذا على محاذاة نقطة البداية لجميع الأزواج مع إطار مرجعي مشترك، مما يعزل التغيير الدلالي.
تعلم النموذج الأولي (Prototype Learning):
- تحسب الطريقة اللوغاريتم الريماني $\log_n(v)$ ، والذي يسقط الإزاحة من $n$ إلى $v$ على الفضاء المماسي عند $n$ .
- يتم تطبيق الدوار $R(n)$ على هذا المتجه المماسي لمحاذاته مع الإطار المعياري.
- يتم حساب متوسط هذه المتجهات المحاذية عبر العديد من أزواج الجمل لإنشاء متجه نموذج أولي ( $\vec{p}$ )، والذي يمثل "متوسط" التحول الدلالي (على سبيل المثال، متجه "النفي").
- الصيغة: $\vec{p} = \frac{1}{M} \sum_{i=1}^{M} R(n_i) \log_{n_i}(v_i)$ .
التنبؤ (Prediction): لتطبيق تحول على جملة محايدة جديدة $n^*$ $n^{*}$ :
- يتم تدوير النموذج الأولي $\vec{p}$ مرة أخرى إلى الفضاء المماسي لـ $n^*$ باستخدام منقول الدوار $R(n^*)^\top$ .
- يتم تطبيق الخريطة الأسية الريمانية $\exp_{n^*}$ للتحرك على طول الجيوديسي من $n^*$ بطول متجه النموذج الأولي، مما ينتج عنه التضمين المتحول $v^*$ .
- الصيغة: $v^* = \exp_{n^*}(R(n^*)^\top \vec{p})$ .

الخصائص النظرية الرئيسية

التبادلية (Commutativity): يثبت البحث (النظرية A.1) أن تطبيق تحولات RISE المتعددة (مثل النفي ثم الشرطية) يعطي نتائج متسقة بغض النظر عن الترتيب (حتى خطأ الدرجة الثانية)، مما يدعم فرضية أن هذه العمليات تتصرف مثل الجمع المتجهي في الفضاء المماسي.
محاذاة المتشعب (Manifold Alignment): يحترم RISE الانحناء الجوهري لفضاء التضمين، على عكس الطرق الإقليدية.

3. التصميم التجريبي

قيم المؤلفون RISE عبر إعداد صارم:

اللغات: 7 لغات متنوعة صرفيًا (الإنجليزية، الإسبانية، اليابانية، التاميلية، التايلاندية، العربية، والزولو) تغطي عائلات لغوية متعددة.
التحولات: ثلاثة تغيرات دلالية-نحوية على مستوى الخطاب:
1. النفي (Negation): عكس منطقي (دقة دلالية عالية).
2. الشرطية (Conditionality): تحويل الجمل الخبرية إلى شرطية (دلالات جهوية).
3. اللباقة (Politeness): زيادة الرسمية الاجتماعية (تعتمد بشدة على السياق).
النماذج: ثلاث بنيات تضمين ذات أبعاد متفاوتة:
- text-embedding-3-large (3072-dim, OpenAI)
- bge-m3 (1024-dim)
- mBERT (768-dim)
مجموعات البيانات: مجموعة بيانات متعددة اللغات اصطناعية (1,000 زوج لكل لغة تم إنشاؤها عبر GPT-4.5)، وBLiMP (نحوي)، وSICK (الارتباط الدلالي).
النماذج المرجعية (Baselines): تمت المقارنة مع متجهات فرق المتوسط (MDV) (نموذج مرجعي مدرك للكرة) ومحاذاة بروكروستس (Procrustes alignment) (نموذج دوران خطي معياري).

4. النتائج الرئيسية

الاتساق الهندسي: نجح RISE في تحديد هياكل هندسية متسقة للتحولات الدلالية-النحوية.
- النفي: حقق أعلى درجة محاذاة دوران متوسط (0.788)، مما يشير إلى بنية هندسية قوية وقابلة للتعميم عبر اللغات والنماذج.
- الشرطية: أظهرت أعلى استقرار وأقل تباين في الأداء (0.038)، مما يشير إلى أن الدلالات الشرطية تُستوعب عبر أنماط هندسية متينة.
- اللباقة: أظهرت أكبر قدر من التباين (0.060)، مما يعكس اعتمادها على السياق الثقافي واللغوي، ومع ذلك حققت درجات متوسطة إلى قوية (0.762 كمتوسط).
النقل عبر اللغات (Cross-Lingual Transfer): أظهر RISE قدرات نقل قوية. النماذج المدربة على لغة واحدة يمكنها التنبؤ بالتحولات في لغات أخرى بدقة عالية (على سبيل المثال، عمل نماذج الإنجليزية على لغة الزولو).
- الأبعاد مقابل البنية: من المثير للاهتمام أن نموذج bge-m3 (1024-dim) أظهر الأداء الأكثر اتساقًا عبر اللغات، بينما سجل text-embedding-3-large (3072-dim) أعلى الدرجات الخام. وهذا يشير إلى أن البنية ومنهجية التدريب أكثر أهمية من الأبعاد الخام.
النقل عبر النماذج (Cross-Model Transfer): النماذج الأولية لـ RISE التي تعلمت في text-embedding-3-large يمكن رسم خرائطها إلى bge-m3 بنجاح كبير، مما يثبت أن الهياكل الدلالية الهندسية مشتركة عبر بنيات النماذج المختلفة.
المقارنة مع النماذج المرجعية:
- RISE مقابل Procrustes: فشلت طريقة Procrustes (الخطية) بشكل كبير في الإعدادات عبر اللغات وعبر النماذج (انخفضت الدرجات إلى أقل من 0.65)، مما يؤكد عدم كفاية الافتراضات الإقليدية.
- RISE مقابل MDV: تفوق RISE عمومًا على MDV أو كافأه، خاصة في السيناريوهات المعقدة عبر اللغات، مما يؤكد صحة نهج المحاذاة القائم على الدوار.
الأداء في المهام اللاحقة: في مهمة تصنيف النفي، حققت التضمينات المحولة بواسطة RISE دقة بلغت 93.0%، متفوقة على MDV (87.2%).

5. المساهمات الرئيسية

توسيع فرضية التمثيل الخطي (LRH): توسع الورقة فرضية LRH من تضمينات الكلمات الساكنة إلى تضمينات الجمل الديناميكية على مستوى الخطاب في سياقات متعددة اللغات، مثبتة أن التحولات الدلالية تتوافق مع دورات جيوديسية على متشعب.
إطار عمل RISE: يقدم طريقة مبتكرة ومؤسسة رياضيًا (تقدير الإزاحة الثابتة للدوار) لتحديد وتطبيق التحولات الدلالية باستخدام الهندسة الريمانية، مما يوفر بديلًا مبدئيًا لمتجهات التوجيه الإقليدية.
دليل تجريبي على البنية العالمية: يقدم أول دليل واسع النطاق على أن تحولات دلالية-نحوية محددة (النفي، الشرطية) تظهر بنية هندسية عالمية تتجاوز العائلات اللغوية وبنيات النماذج.
تحديد التحيز: يكشف عن وجود تحيز مركزي إنجليزي مستمر في النماذج متعددة اللغات الحالية، حيث تكون الهياكل الهندسية للإنجليزية أكثر قوة وقابلية للنقل من تلك الخاصة باللغات ذات الموارد المنخفضة (مثل الزولو).

6. الأهمية

قابلية التفسير: يقدم RISE عدسة جديدة لفهم كيفية ترميز النماذج اللغوية الكبيرة للمعنى، منتقلاً من مجرد الاستقصاء (probing) إلى التلاعب الهندسي.
التحكم (Controllability): تتيح الطريقة توجيه سلوك النموذج (مثل جعل الجملة أكثر لباقة أو نفيها) دون الحاجة إلى ضبط دقيق (fine-tuning)، وذلك باستخدام عمليات هندسية بسيطة.
الأساس النظري: من خلال التحقق من أن العمليات الدلالية تتصرف مثل الدورات على كرة فائقة، يوفر العمل أساسًا نظريًا للأبحاث المستقبلية في معالجة اللغات الطبيعية القائمة على المتشعبات، مما يشير إلى ضرورة تصميم أو تحليل النماذج المستقبلية مع وضع الهندسة غير الإقليدية في الاعتبار.
التطبيق العملي: إن القدرة على رسم خرائط التحولات الدلالية عبر اللغات والنماذج تفتح الأبواب أمام التحكم عبر اللغات، تخفيف التحيز، والتحرير الدلالي القوي في الأنظمة الذكية متعددة اللغات.

في الختام، تثبت الورقة أنه رغم تعقيد التضمينات الحديثة، إلا أنها تحتفظ بنظام هندسي خفي وقابل للتفسير. ومن خلال احترام الطبيعة المنحنية لهذا الفضاء، يفتح RISE الطريق للتحكم الدلالي المتسق عبر اللغات، وهو أمر تعجز عنه الطرق الخطية.