Limits of Imagery Reasoning in Frontier LLM Models
تُظهر هذه الورقة أن تزويد النماذج اللغوية الكبيرة الرائدة بـ "وحدة تصويرية" خارجية للتعامل مع المهام المكانية ثلاثية الأبعاد يفشل في تحسين الأداء بما يتجاوز دقة 62.5%، وذلك لأن هذه النماذج تفتقر إلى الأوليات البصرية المكانية التأسيسية وقدرات الاستدلال التأملي اللازمة للتواصل الفعال مع هذه الصور واستخدامها.
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
تخيل أنك تحاول تعليم روبوت فائق الذكاء، وعبقري، كيفية حل لغز ثلاثي الأبعاد. يتضمن اللغز أخذ شكل مكعب، وتدويره في ذهنه، ومعرفة ما إذا كان يطابق شكلاً آخر.
بالنسبة للبشر، هذا أمر سهل. لدينا "شاشة ذهنية" حيث يمكننا الإمساك بجسم، وتدويره، ورؤية كيف يبدو من الخلف. ونحن نسمي ذلك التصور الذهني.
لكن بالنسبة لنماذج الذكاء الاصطناعي الأكثر ذكاءً في العالم (النماذج اللغوية الكبيرة أو LLMs)، فإن هذا يمثل كابوساً. فهي بارعة للغاية في القراءة والكتابة، لكن يبدو أنها تفتقر إلى هذه "الشاشة الذهنية". إنها تعاني مما يسميه المؤلفون "العمى التصوري الوظيفي" (العمى التصوري هو حالة بشرية حقيقية لا يستطيع فيها الأشخاص تخيل الصور؛ وهنا، يُستخدم كمجاز لعدم قدرة الذكاء الاصطناعي على "رؤية" صورة في ذهنه).
التجربة: منح الذكاء الاصطناعي "طرفاً اصطناعياً إدراكياً"
سأل الباحثون: إذا كان الذكاء الاصطناعي لا يستطيع الاحتفاظ بصورة ثلاثية الأبعاد في رأسه، فماذا لو منحناه أداة خارجية للقيام بالعمل الشاق؟
لقد بنوا نظاماً يتكون من جزأين:
- الدماغ (الذكاء الاصطناعي): الجزء الذي يفكر، ويستنتج، ويعطي التعليمات.
- اليد (وحدة التصور): برنامج كمبيوتر يحمل الجسم ثلاثي الأبعاد فعلياً، ويدوره، ويلتقط صورة له من الزاوية الجديدة.
كانت الفكرة تشبه إعطاء شخص كفيف كلباً مرشداً. الكلب (الأداة) يرى العالم ويتنقل فيه؛ أما الإنسان (الذكاء الاصطناعي) فيحتاج فقط لمعرفة كيف يطلب من الكلب الانعطاف يساراً أو يميناً.
النتائج: "اليد" مثالية، لكن "الدماغ" مرتبك
كانت النتائج مفاجئة ومخيبة للآمال. حتى مع وجود أداة مثالية تقوم بالتدوير، لا يزال الذكاء الاصطناعي يفشل في حل اللغز. لقد أجاب بشكل صحيح على حوالي 62% من الإجابات فقط (وكان ذلك مع الكثير من المساعدة).
لماذا فشل "الكلب المرشد" في مساعدة "الدماغ الكفيف"؟ يشير البحث إلى أن الذكاء الاصطناعي لا يفتقد الحالة ثلاثية الأبعاد فحسب، بل يفتقد أيضاً المهارات الحسية الأساسية لفهم ما ينظر إليه.
إليك الأسباب الثلاثة الرئيسية، مشروحة بتشبيهات بسيطة:
1. مشكلة "اللقطة الثابتة" (عدم الحساسية للحركة)
تخيل أنك التقطت صورتين لسيارة: واحدة تواجه الشمال، والأخرى تواجه الشرق قليلاً.
- الإنسان ينظر إلى الصورتين ويفكر فوراً: "آه، لقد انعطفت السيارة يميناً". نحن نرى تسلسلاً للحركة.
- الذكاء الاصطناعي ينظر إلى الصورتين ويرى صورتين غير مرتبطتين تماماً. إنه لا "يشعر" بالحركة. إنه يعامل الصور كلقطات ثابتة معلقة على جدار، وليس كإطارات من فيلم سينمائي. إنه يفتقر إلى القدرة على القول: "إذا حركت الجسم بهذا الاتجاه، فإن الصورة ستتغير بهذا الشكل".
2. مشكلة "الكرة البلورية" (عدم القدرة على التنبؤ)
إذا سألت إنساناً: "كيف سيبدو هذا المكعب إذا أملته 30 درجة إلى اليسار؟" فإنه يستطيع تصور الإجابة قبل حتى أن يفعل ذلك.
- الذكتا الاصطناعي لا يستطيع فعل ذلك. عندما يُطلب منه تخيل نتيجة دوران ما، فإنه يخرج الصورة الأصلية نفسها مجدداً. ليس لديه "كرة بلورية" للتنبؤ بالحالة المستقبلية لجسم ما. لا يمكنه محاكاة التغيير في ذهنه.
3. انحياز "الكلمة أولاً" (الرمزي مقابل البصري)
هذا هو الخلل الأكثر حرجاً. عندما ينظر الذكاء الاصطناعي إلى الجسم، فإنه لا "ينظر" حقاً إلى الشكل. بدلاً من ذلك، يبدأ فوراً في التحدث عن الشكل.
- الإنسان: ينظر إلى الجسم، ويدوره ذهنياً، ويفحص هندسته.
- الذكاء الاصطناعي: ينظر إلى الجسم ويفكر: "حسناً، أرى كتلة هنا، وكتلة هناك. هذا يبدو مثل شكل حرف T. سأخمن بناءً على كلمة T".
الذكاء الاصطناعي معتاد جداً على معالجة النصوص لدرجة أنه يحاول حل لغز بصري باستخدام الكلمات والارتباطات بدلاً من الهندسة والرؤية. إنه يشبه محاولة حل مسألة رياضية عن طريق قراءة الأرقام بصوت عالٍ بدلاً من إجراء العملية الحسابية فعلياً.
الخلاصة: نحن بحاجة إلى نوع جديد من الأدمغة
خلص البحث إلى أن مجرد إرفاق أداة رندرة (تصيير) ثلاثية الأبعاد بذكاء اصطناعي ذكي ليس كافياً. الأمر يشبه إعطاء شخص لا يعرف كيف يقرأ القاموس؛ فلن يتمكن من قراءة الكتاب رغم ذلك.
يحتاج الذكاء الاصطناعي إلى إعادة تدريب من الصفر لامتلاك بدائيات بصرية مكانية. يحتاج لتعلم:
- كيف يرى العمق في صورة مسطحة.
- كيف يفهم أن صورتين هما جزء من تسلسل متحرك.
- كيف يتوقف و"يتأمل" صورة بصرياً، بدلاً من الاندفاع لوصفها بالكلمات.
باختصار: يمتلك الذكاء الاصطناعي محركاً قوياً للغاية (الاستنتاج)، لكنه لا يملك عجلة قيادة (الحدس البصري). منحُه أداة لتدوير الجسم لن يساعد إذا كان السائق لا يعرف كيف ينظر من النافذة ويفهم ما يراه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.