🤖 AI

NRR-Phi: Text-to-State Mapping for Ambiguity Preservation in LLM Inference

تقدم هذه الورقة NRR-Phi، وهو إطار عمل رسمي يربط النصوص الغامضة بفضاء حالة غير منهار باستخدام خط معالجة استخراج هجين، مما يحافظ على التفسيرات المتعددة ويمنع الالتزام الدلالي المبكر في استدلال النماذج اللغوية الكبيرة.

المؤلفون الأصليون: Kei Saito

نُشر 2026-03-05

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Kei Saito

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

إليك شرح لورقة البحث بعنوان "NRR-Phi: رسم خرائط النص إلى الحالة للحفاظ على الغموض في استنتاج النماذج اللغوية الكبيرة (LLM)" باستخدام لغة بسيطة وتشبيهات إبداعية.

المشكلة الجوهرية: "الاندفاع نحو إصدار الحكم"

تخيل أنك تتحدث مع صديق ذكي جدًا، ولكنه متسرع قليلًا (نموذج لغوي كبير قياسي أو LLM). تقول له:

"أريد أن أستقيل من وظيفتي، ولكنني في نفس الوقت لا أريد الاستقالة."

يقفز صديقك فورًا إلى استنتاج. قد يقول: "حسنًا، دعنا نضع قائمة بالإيجابيات والسلبيات لمساعدتك في اتخاذ القرار!" أو "يبدو أنك تميل إلى البقاء."

المشكلة: لقد أجبرك صديقك على اختيار جانب قبل أن تكون مستعدًا لذلك. لقد قام بـ "تقليص" مشاعرك المختلطة والمعقدة إلى إجابة واحدة بسيطة. وبقيامه بذلك، فقد ألقى بالجانب الفوضوي والمهم في جملتك: حقيقة أنك عالق حقًا في المنتصف.

النماذج الحالية للذكاء الاصطناعي تفعل ذلك بسبب طريقة بنائها؛ فهي مصممة لاختيار إجابة واحدة مثالية والمضي قدمًا، مثل حكم يطلق صافرة النهاية لإنهاء اللعب. ولكن في المحادثة البشرية، غالبًا ما يكون "المنتصف الفوضوي" هو المكان الذي يكمن فيه المعنى الحقيقي.

الحل: "حقيبة الظهر للغموض"

تقدم هذه الورقة طريقة جديدة لتفكير الذكاء الاصطناعي تسمى الاستدلال غير الحاسم (Non-Resolution Reasoning - NRR). بدلًا من فرض خيار ما، يرتدي الذكاء الاصطناعي "حقيبة ظهر" خاصة (تسمى فضاء الحالة - State Space) حيث يمكنه حمل نسخ متعددة من الحقيقة في وقت واحد.

تقترح الورقة أداة محددة تسمى NRR-Phi (الحرف اليوناني $\phi$ ). فكر في Phi كـ مترجم يحول جملتك الفوضوية إلى "حقيبة ظهر" مهيكلة من الاحتمالات.

كيف يعمل: العملية المكونة من ثلاث خطوات

تقسم الورقة مترجم Phi إلى ثلاث مراحل بسيطة:

1. كاشف الصراع (ماسح "العلامات الحمراء")

أولاً، يقوم النظام بمسح جملتك بحثًا عن "علامات الصراع".

التشبيه: تخيل حارس أمن في محطة قطار يبحث عن أشخاص يحملون تذكرتين مختلفتين.
ما يبحث عنه: كلمات مثل "لكن"، "ومع ذلك"، أو "ربما".
السحر: إذا رأى النظام "أريد الاستقالة لكنني لا أريد"، فإنه لا يحاول إصلاح الأمر، بل يرفع علامة حمراء ويقول: "تنبيه! تم اكتشاف فكرتين متضادتين! لا تدمجهما الآن!"
إضافة: تُظهر الورقة أن هذا يعمل في اللغة اليابانية أيضًا (بالبحث عن كلمات مثل kedo أو kamoshirenai)، مما يثبت أن الماسح يعمل عبر اللغات.

2. مستخرج التفسير (مولد "ماذا لو")

بعد ذلك، يستخرج النظام المعاني المختلفة.

التشبيه: تخيل طباخًا يرى وصفة تقول "أضف ملحًا أو سكرًا". بدلًا من التخمين، يجهز الطباخ وعاءين منفصلين: أحدهما بالملح والآخر بالسكر.
كيف يعمل:
- القائم على القواعد: إذا كانت الجملة تحتوي على "لكن" واضحة، فإنه يقسم الجملة عند تلك النقطة تمامًا.
- القائم على الذكاء الاصطناعي: إذا كانت الجملة غامضة (مثل "رأيتُ ريشها" - والتي قد تعني حركة طائر أو حركة رأس)، فإنه يسأل ذكاءً اصطناعيًا ذكيًا لسرد جميع المعاني الممكنة.
النتيجة: بدلًا من إجابة واحدة، يصبح لدى النظام الآن قائمة من الاحتمالات الصالحة.

3. باني الحالة (تعبئة "حقيبة الظهر")

أخيرًا، يقوم بتعبئة هذه الاحتمالات في الحالة (State).

التشبية: تخيل حقيبة ظهر ذات مقصورات مصنفة.
- المقصورة أ: "أريد الاستقالة" (الوزن: 50%)
- المقصورة ب: "لا أريد الاستقالة" (الوزن: 50%)
المفتاح: تظل كلتا المقصورتين مفتوحتين. الذكاء الاصطناعي لا يرمي أحدهما؛ بل يبقي كليهما حيّين، جاهزين للاستخدام لاحقًا إذا تغير مجرى المحادثة.

لماذا يهم هذا: درجة "الاعتلاج/الإنتروبيا" (Entropy)

تستخدم الورقة مفهومًا رياضيًا يسمى الاعتلاج (Entropy) لقياس مقدار "المعلومات" التي تم الاحتفاظ بها.

الذكاء الاصطناعي القياسي: يختار إجابة واحدة. الاعتلاج = 0. (كل المعلومات حول الخيار الآخر تضيع).
NRR-Phi: يحتفظ بكلا الإجابتين. الاعتلاج = مرتفع (حوالي 1.087 بت).
ترجمة بسيطة: الذكاء الاصطناعي القياسي ينسى 50% من معناها. أما الذكاء الاصطناعي الجديد فيتذكر 100% منها، ويبقي الخيارات مفتوحة.

مثال من الواقع: العلاج النفسي

تقترح الورقة أن هذا مثالي لـ الدعم النفسي.

السيناريو: يقول العميل: "أنا أحب شريكي، لكنه يؤذيني".
الذكاء الاصطناعي القديم: "يجب عليك الانفصال على الأرجال". (يفرض حلاً).
الذكاء الاصطناعي الجديد (NRR-Phi): يحتفظ بكلتا المشاعر في حقيبة الظهر. يمكنه أن يقول: "يبدو أنك تحمل شعورين قويين ومتضادين في الوقت الحالي. دعنا نتوقف عند هذا التوتر للحظة".
الفائدة: إنه لا يتسرع لإصلاح المشكلة؛ بل يقر بوجود التعقيد الإنساني.

"السر الخفي": العمليات (Operators)

بمجön ما يمتلك الذكاء الاصطناعي "حقيبة الظهر" هذه من الاحتمالات، فإنه يحتاج إلى قواعد (تسمى العمليات - Operators) لضمان كيفية التعامل معها مع استمرار المحادثة. تحدد الورقة قواعد لضمان عدم إسقاط أي مقصورة بالخطأ:

زر "الإمساك" (Hold): إذا أصبحت المحادثة مربكة، يمكن للذكاء الاصطناٍء ببساطة التوقف وإبقاء جميع الخيارات مفتوحة دون تغيير أي شيء.
زر "الدمج" (Merge): إذا قال شخصان مختلفان أشياء متناقضة، يضع الذكاء الاصطناعي كليهما في حقيبة الظهر بدلًا من حذف أحدهما.
زر "الذاكرة" (Memory): إذا عاد موضوع ما لاحقًا، يتذكر الذكاء الاصطناعي الاحتمالات القديمة، حتى لو كانت خاملة لفترة من الوقت.

الملخص

NRR-Phi هي طريقة جديدة لتعليم الذكاء الاصطناه أن يتوقف عن التخمين ويبدأ في إفساح المجال.

بدلًا من التصرف كقاضٍ يجب أن يعلن فائزًا فورًا، فإنه يتصرف كـ أمين مكتبة يحتفظ بعدة كتب على نفس الرف، جاهزة للسحب اعتمادًا على ما تحتاجه القصة لاحقًا. إنها تثبت أنه في عالم الذكاء الاصطناعي، عدم اليقين ليس خطأً برمجياً، بل هو ميزة تسم تسمح بمحادثات أكثر ذكاءً وشبهًا بالبشر.

الخلاصة: نحن لا نحتاج من الذكاء الاصطناعي أن يكون مصيبًا طوال الوقت؛ بل نحتاج أن يكون منفتح الذهن بما يكفي لاستيعاب الحقيقة التي تقول إن الأمور، في بعض الأحيان، تكون معقدة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "NRR-Phi: رسم خرائط النص إلى الحالة للحفاظ على الغموض في استدلال النماذج اللغوية الكبيرة (LLM)."

1. بيان المشكلة: الالتزام الدلالي المبكر

تحدد الورقة خللاً بنيوياً جوهرياً في النماذج اللغوية الكبيرة الحالية: الالتزام الدلالي المبكر (Early Semantic Commitment).

المشكلة: صُممت النماذج اللغوية الكبيرة القياسية لحل الغموض فوراً أثناء الاستدلال. فبالنظر إلى مدخل غامض (مثل: "أريد الاستقالة، ولكنني لا أريد")، فإن بنية النموذج (تطبيع Softmax، التوليد ذاتي الانحدار، وأهداف تدريب الإنتروبيا المتقاطعة) تجبره على دمج تفسيرات متعددة صالحة في توزيع احتمالي واحد قبل توفر سياق كافٍ.
النتيجة: يؤدي هذا الانهيار المبكر إلى فقدان المعلومات الجوهرية. لا يمكن للنموذج الحفاظ على فرضيات متزامنة (مثل: الرغبة في الاستقالة والرغبة في البقاء معاً) كحالات صالحة، مما يؤدي إلى استجابات إما تعيد صياغة الغموض كمشكلة يجب حلها أو تختار تعسفياً أحد قطبي الجدال.
الفجوة: بينما اقترح إطار عمل الاستدلال غير الحسمي (NRR) سابقاً فضاءً للحالات ( $S$ ) حيث تتعايش تفسيرات متعددة بأوزان مستقلة، إلا أنه كان يفتقر إلى تعريف خوارزمي لكيفية تحويل النص الخام ( $T$ ) إلى فضاء الحالة هذا.

2. المنهجية: رسم خرائط النص إلى الحالة ( $\phi$ )

تقدم الورقة $\phi$ (فاي)، وهو إطار عمل رسمي يرسم خرائط من النص الطبيعي إلى فضاء حالة دلالي غير منهار ( $\phi: T \to S$ ). ينقسم هذا الرسم إلى ثلاث مراحل متتالية:

المرحلة 1: كشف الصراع ( $\psi_{conflict}$ )

الوظيفة: تحديد العلامات اللغوية التي تشير إلى تعدد التأويلات.
الآلية: رصد ثلاثة أنواع من العلامات:
- صريحة: أدوات الربط التضادية (مثل "لكن"، "ومع ذلك"، واليابانية "kedo").
- ضمنية: أساليب التحوط وعدم اليقين (مثل "ربما"، "لعل"، واليابانية "kamoshirenai").
- هيكلية: حالات الغموض في التنسيق أو النطاق (مثل "كلاً من X و Y").
المخرج: متجه ميزات ثنائي ( $f$ ) يشير إلى وجود هذه العلامات.

المرحلة 2: استخراج التفسير ( $\psi_{interp}$ )

الوظيفة: استخراج تمثيلات المعنى المتميزة من النص.
النهج الهجين:
1. الاستخراج القائم على القواعد: بالنسبة للنصوص التي تحتوي على علامات صراع صريحة، يتم تقسيم النص عند حدود هذه العلامات (مثلاً: تقسيم "أ و ب" إلى "أ" و "ب").
2. الاستخراج القائم على النماذج اللغوية الكبيرة (LLM): بالنسبة للغموض الضمني (الإبستيمي، المعجمي، الهيكلي)، يتم توجيه نموذج لغوي كبير ثانوي لسرد جميع التفسيرات والسياقات وأوزان الثقة الممكنة.
عملية الدمج: خطوة إزالة التكرار التي تزيل التفسيرات شبه المتطابقة باستخدام تشابه الجيب تمام (cosine similarity) بعتبة $\tau \approx 0.85$ .

المرحلة 3: بناء الحالة ( $\psi_{state}$ )

الوظيفة: بناء مثيل الحالة النهائي $S$ .
البنية: الحالة عبارة عن مجموعة من الصفوف (tuples) $S = \{(v_i, c_i, w_i, m_i)\}$ $S = {(v_{i}, c_{i}, w_{i}, m_{i})}$ ، حيث:
- $v_i$ : المتجه الدلالي (embedding).
- $c_i$ : معرف السياق.
- $w_i$ : وزن التنشيط (يتم تعديله ليكون أعلى في السياقات المتصارعة).
- $m_i$ : البيانات الوصفية (المصدر، علامات الصراع).
الهدف: إنشاء "تراكب" (superposition) من التفسيرات بدلاً من مخرج واحد منهار.

3. المساهمات الرئيسية

التعريف الرسمي لـ $\phi$ : يوفر الجسر الخوارزمي المفقود بين النص الخام وفضاء حالة NRR، حيث يعرّف الرسم كتركيب من كشف الصراع، والاستخراج، والبناء.
خوارزمية الاستخراج الهجينة: تجمع بين التقسيم الحتمي القائم على القواعد (للعلامات الصريحة عالية الموثوقية) وبين التعداد التوليدي للنماذج اللغوية الكبيرة (للغموض الضمني المعقد)، مما يضمن قابلية التكرار والشمولية.
قابلية النقل عبر اللغات: تثبت أن مرحلة كشف الصراع تعمل عبر اللغات من خلال تخصيص علامات محددة للغة اليابانية (مثل kedo و kamoshirenai) جنباً إلى جنب مع الإنجليزية.
الضمان النظري: تثبت الورقة أنه لأي نص يحتوي على تعددية قابلة للاستخراج، يضمن $\phi$ عدم الانهيار الهيكلي ( $|S| \ge 2$ ) والحفاظ على الإنتروبيا ( $H(S) > 0$ )، على عكس النماذج القياسية حيث تكون $H \approx 0$ .

4. النتائج التجريبية

تم تقييم إطار العمل على مجموعة اختبار مكونة من 68 جملة غامضة عبر خمس فئات (تضادية، تحوط، إبستيمية، معجمية، هيكلية) باستخدام ثلاثة نماذج لغوية كبيرة (ChatGPT، Gemini، Claude).

الحفاظ على الإنتروبيا:
- النموذج المرجعي (القائم على الانهيار): $H = 0$ بت (تفسير واحد).
- NRR-Phi (الهجين): متوسط إنتروبيا الحالة $H = 1.087$ بت.
- القائم على القواعد فقط: حقق $H \approx 1.0$ للعلامات الصريحة ولكنه فشل ( $H=0$ ) في الغموض الضمني.
- القائم على LLM فقط: نجح في استعادة التعددية للفئات الضمنية (الإبستيمية $H=1.673$ ، المعجمية $H=1.007$ ، الهيكلية $H=0.968$ ).
تعدد التفسيرات:
- استخرج النهج الهجين باستمرار تفسيرات متعددة ( $|S| > 1$ ) لـ 100% من حالات الاختبار.
- أنتجت الجمل الإبستيمية أعلى إنتروبيا ( $H=1.673$ ) بسبب طبقات التفسير المتعددة (التأكيد مقابل التحوط مقابل التبرير الذاتي).
الأداء عبر اللغات: عالج الكاشف القائم على القواعد العلامات التضادية والتحوطية اليابانية بنفس الفعالية للإنجليزية، مما يثبت أن إطار العمل ليس مقيداً بلغة واحدة.
التحقق من العمليات (الملحق D): تم التحقق من 580 حالة إضافية (حالات أحادية، أزواج متناقضة، أزواج زمنية). حققت العمليات المستوفية للمبادئ (التخميد، الاستمرارية، دمج التناقض) نسبة 0% انهيار، بينما أظهرت العمليات المنتهكة للمبادئ معدلات انهيار تصل إلى 17.8%.

5. الأهمية والآثار المترتبة

التحول المعماري: تجادل الورقة بأن الالتزام الدلالي المبكر هو خيار تصميمي، وليس ضرورة معمارية. يتيح $\phi$ "تأجيل الانهيار"، مما يسمح للأنظمة بالحفاظ على الغموض داخلياً حتى تفرض القيود الخارجية أو متطلبات المخرجات حله.
التطبيق في المجالات الحساسة: يعد إطار العمل ذا قيمة خاصة في مجالات مثل الدعم النفسي، حيث يعبر المستخدمون عن التردد (مثل: "أحبهم، لكن الأمر مؤلم"). تحاول النماذج اللغوية الكبيرة القياسية "إصلاح" هذا؛ بينما يحافظ NRR-Phi على التعايش بين كلا الشعورين، مما يسمح باستجابات أكثر تعاطفاً وغير حكمية.
التمييز عن هندسة الأوامر (Prompt Engineering): على عكس مجرد توجيه النموذج لـ "سرد الاحتمالات" (والذي يولد قائمة نصية عابرة)، يقوم $\phi$ ببناء تمثيل حالة مستمر وقابل للتلاعب. يسمح هذا للنظام بحمل فرضيات متعددة عبر جولات الحوار دورة تلو الأخرى دون فقدانها لعملية توليد الرمز التالي (token).
الاتجاهات المستقبلية: يمهد هذا العمل الطريق لـ "الاستدلال الأصيل غير الانهياري"، مما يشير إلى أن النماذج اللغوية الكبيرة المستقبلية قد تدمج $\phi$ مباشرة بدلاً من اعتباره خطوة معالجة مسبقة، مما يغير جذرياً كيفية تعامل النماذج مع عدم اليقين وتطور السياق.

باختصار، يوفر NRR-Phi الآليات الخوارزمية لتحويل "الانهيار" المتأصل في النماذج اللغوية الكبيرة الحالية إلى "تراكب" من التفسيرات الصالحة، مما يحافظ على المعلومات الضرورية للتفكير المعقد، والحوار، والتفاعل بين الإنسان والذكاء الاصطناعي.