← أحدث الأبحاث
🧬 biology

Training-Driven Representational Geometry Modularization Predicts Brain Alignment in Language Models

تُظهر هذه الدراسة أنه أثناء تدريب النماذج اللغوية الكبيرة، فإن التنظيم الذاتي للهندسة التمثيلية إلى وحدات منخفضة التعقيد تتميز بانخفاض في الإنتروبيا والانحناء يتنبأ بقوة بالتوافق مع نشاط الدماغ البشري، مما يكشف عن مسارات مكانية-زمانية متميزة عبر المناطق الصدغية والجبهية.

المؤلفون الأصليون: Yixuan Liu, Zhiyuan Ma, Likai Tang, Runmin Gan, Xinche Zhang, Jinhao Li, Chao Xie, Sen Song

نُشر 2026-07-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yixuan Liu, Zhiyuan Ma, Likai Tang, Runmin Gan, Xinche Zhang, Jinhao Li, Chao Xie, Sen Song

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم روبوت فهم اللغة البشرية. قد تعتقد أن الروبوت يحتاج فقط إلى حفظ المزيد من الكلمات أو تعلم المزيد من القواعد النحوية. لكن العلماء بدأوا يتساءلون: هل يبدأ "دماغ" الروبوت فعلياً في الظهور والعمل مثل الدماغ البشري أثناء تعلمه؟ هذا السؤال يقع عند تقاطع علوم الحاسوب وعلم الأعصاب، وهما مجالان يتحدثان عادةً لغات مختلفة. لفهم هذا، نحتاج إلى النظر في كيفية تخزين المعلومات. فكر في ذاكرة الكمبيوتر ليس كقائمة من الحقائق، بل كمشهد شاسع متعدد الأبعاد. في هذا المشهد، قد تمثل المناطق "المسطحة" أفكاراً بسيطة وواضحة، بينما قد تمثل المناطق "المتعرجة" أو "الملتوية" أفكاراً معقدة أو فوضوية أو مربكة. يطلق العلماء على هذه الأشكال اسم "الهندسة التمثيلية". واللغز الكبير هو: مع تدريب نموذج حاسوبي على ملايين الجمل، هل يصبح مشهله الداخلي أكثر سلاسة ويصبح أكثر شبهاً بمشهد الدماغ البشري؟ إذا حدث ذلك، فهذا يشير إلى أن الطريقة التي يعالج بها البشر اللغة قد تكون قاعدة أساسية للذكاء، وليست مجرد حادث بيولوجي.

تتعمق هذه الورقة البحثية في ذلك السؤال من خلال مراقبة نمو عائلة من نماذج الذكاء الاصطناعي تسمى "Pythia". لم يكتفِ الباحثون بالنظر إلى النماذج المكتملة والمدربة بالكامل؛ بل تصرفوا كعلماء أحياء يسافرون عبر الزمن، حيث راقبوا النماذج في 19 مرحلة مختلفة من تدريبها، من خطواتها الأولى وحتى شكلها النهائي. لقد تتبعوا ميزتين "هندسيين" محددتين لطبقات النماذج الداخلية: الاعتلاج (الإنتروبيا) (مدى انتشار أو فوضوية المعلومات) والانحناء (مدى تعرج أو حدة مسار المعلومات). ثم قارنوا هذه الأشكال المتغيرة بمسوحات الدماغ الحقيقية (fMRI) للبشر أثناء قراءتهم لنفس الجمل.

وجدت الدراسة أنه مع تدريب النماذج، لم تكتفِ طبقاتها بالتحسن في تخمين الكلمة التالية فحسب، بل نظمت نفسها تلقائياً في فريقين متميزين، أو "وحدات". الفريق الأول، وهو وحدة منخفضة التعقيد، أصبح سلساً ومنظماً للغاية، مع اعتلاج وانحناء منخفضين. أما الفريق الآخر، وهو الوحدة عالية التعقيد، فقد ظل متعرجاً وفوضوياً. وهنا يكمن الجزء المثير: الفريق السلس، منخفض التعقيد، كان هو الجزء الذي طابق نشاط الدماغ البشري بشكل أفضل. كان الأمر أشبه باكتشاف أن جزء الروبوت الذي تعلم كيف "يهدأ" وينظم أفكاره هو الجزء الذي فكر بالفعل مثل الإنسان.

ومع ذلك، لم يحدث هذا التوافق في كل مكان وفي وقت واحد. اكتشف الباحثون انقساماً رائعاً بين أجزاء مختلفة من الدماغ. ففي المناطق الصدغية (المناطق القريبة من الأذنين، والمعنية بالسمع ومعنى الكلمات الأساسي)، بدأت طبقات النموذج السلسة ومنخفضة التعقيد في مطابقة الدماغ البشري في وقت مبكر جداً من التدريب واستمرت على هذا النحو. لقد كان إحكاماً سريعاً ومستقراً. ولكن في المناطق الجبهية (مقدمة الدماغ، المعنية بالتخطيط المعقد وبنية الجملة)، كان التطابق متأخراً ومتذبذباً. بدا أن هذه المناطق تنتظر بناء الأساس "السلس" قبل أن تتمكن من الاستقرار، بل وأظهرت أحياناً فترة قصيرة حيث كانت الطبقات "المتعرجة" تتطابق بشكل أفضل قبل أن تتحول أخيراً إلى الطبقات السلسة.

تشير الورقة إلى أن الانحناء (مدى تعرج مسار المعلومات) هو متنبئ رئيسي لهذا التوافق. فمع تدريب النماذج، أصبحت مساراتها الداخلية أكثر سلاسة (انحناء أقل)، وهذا التمهيد تنبأ بقوة بتحسن المطابقة مع نشاط الدماغ البشري. كان هذا التأثير قوياً لدرجة أنه حتى عندما وضع الباحثون في الاعتبار حقيقة أن النموذج أصبح ببساطة أفضل في التدريب بشكل عام، فإن "سلاسة" الهندسة لا تزال مهمة. ومن المثير للاهتمام أن هذه العلاقة أصبحت أكثر وضوحاً وموثوقية في النماذج الأكبر (التي تصل إلى مليار معلمة). في النماذج الأصغر، كانت الإشارة مشوشة قليلاً، ولكن مع كبر حجم النماذج، أصبحت العلاقة بين "الهندسة السلسة" و"نشاط الدماغ الشبيه بالبشري" حقيقة قوية وقابلة للكشف.

باختاً، تجادل الورقة بأن سر جعل النموذج يفكر مثل الإنسان قد لا يكمن فقط في امتلاك المزيد من البيانات، بل في كيفية تنظيم تلك البيانات في أشكال سلسة ومنخفضة التعقيد. إنها تشير إلى أن الدماغ البشري يفضل التمثيلات "السلسة"، ومع تدريب نماذج الذكاء الاصطناعي، فإنها تتطور طبيعياً نحو هذه الحالة، خاصة في أجزاء الدماغ المسؤولة عن فهم المعنى الجوهري للكلمات. وبينما لا تثبت هذه الدراسة أن هذا هو السبب الوحيد لتوافق النماذج مع الأدمغة، إلا أنها تقدم عدسة هندسية جديدة لفهم سبب وكيفية بدء هذه العقول الرقمية في محاكاة عقولنا.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🧬 q-bio →