Conversational Agents and the Understanding of Human Language: Reflections on AI, LLMs, and Cognitive Science

بناءً على ورقة "الوكلاء الحواريون وفهم اللغة البشرية: تأملات في الذكاء الاصطناعي، والنماذج اللغوية الكبيرة، والعلوم المعرفية" للكاتب أندريه بوبيسكو-بيليس، إليكم ملخص تقني مفصل مهيكل وفق الفئات المطلوبة.

1. بيان المشكلة

تعالج الورقة انفصالاً جوهرياً بين التقدم السريع في تكنولوجيا معالجة اللغات الطبيعية (NLP) وبين الفهم العلمي لـ القدرة اللغوية البشرية كما تدرسها اللسانيات والعلوم المعرفية.

• السؤال الجوهري: هل تعني القدرة على بناء "روبوت محادثة" يحاكي المحادثة البشرية وجود فهم لكيفية معالجة العقل البشري للغة؟
• التباعد: تاريخياً، سلكت اللسانيات النظرية والتطبيقات الحاسوبية مسارات متباعدة. فبينما حاولت محاولات معالجة اللغات الطبيعية المبكرة نمذجة الإدراك البشري (مثل الأنظمة الهرمية القائمة على القواعد)، تطورت النماذج اللغوية الكبيرة (LLMs) الحديثة لتصبح بنيات إحصائية وعصبية لا تشبه إلى حد بعيد النماذج المعرفية البيولوجية.
• الفجوة: رغم الأداء المثير للإعجاب للذكاء الاصطناعي التوليدي الحالي، لا يزال من غير الواضح ما إذا كانت هذه الأنظمة تمتلك "فهماً" حقيقياً أم أنها مجرد أدوات متطورة لمطابقة الأنماط، وما إذا كان تطورها قد عمق معرفتنا النظرية بالإدراك البشري.

2. المنهجية

تستخدم الورقة تحليلاً تاريخياً ومقارناً لنماذج معالجة اللغات الطبيعية مقابل نظريات معالجة اللغة البشرية. وهي تتبع تطور تكنولوجيا اللغة عبر أربع حقب متميزة:

1. الأنظمة القائمة على القواعد (من الخمسينيات إلى الثمانينيات): تحليل النماذج الهرمية (الأصوات، المورفيمات، التركيب، الدلالات، التداولية) ومحاولات صياغتها في تمثيلات منطقية (مثل مثلث فوكيو لترجمة الآلة).
2. النماذج الإحصائية (من التسعينيات إلى العقد الأول من القرن الحادي والعشرين): التحول من القواعد اللغوية الصريحة إلى النماذج الاحتمالية (مثل نماذج ماركوف الخفية للتعرف على الكلام، ونماذج n-gram للترجمة) التي تتعلم التكرارات من البيانات.
3. الشبكات العصبية (من العقد الأول من القرن الحادي والعشرين إلى 2017): إدخال التمثيلات الموزعة (Embeddings) باستخدام بنيات مثل Word2Vec (المشفرات التلقائية) والشبكات العصبية المتكررة (RNNs) لنمذجة التسلسل.
4. بنية المحولات - Transformer (من 2017 إلى الوقت الحاضر): تحليل نموذج المحول (Transformer)، الذي يستخدم آليات الانتباه الذاتي لمعالجة الرموز (Tokens) بالتوازي، مما أدى إلى تطوير المحولات التوليدية المدربة مسبقاً (GPT) والتعلم المعزز من التغذية الراجعة البشرية (RLHF).

ويقارن المؤلف بين هذه التطورات التقنية ونتائج العلوم المعرفية فيما يتعلق بتخصص الدماغ البشري، والتجسيد الحسي الحركي، وكفاءة الطاقة في التعلم البيولوجي.

3. المساهمات الرئيسية

• الرسم التاريخي: توفر الورقة جدولاً زمنياً واضحاً لتحولات نماذج معالجة اللغات الطبيعية، موضحة كيف انتقل المجال من "الفهم" (المنطق الرمزي) إلى "التنبؤ" (الاحتمال الإحصائي) ثم إلى "التوليد" (المحولات العصبية).
• التحليل البنيوي: تفصل الورقة الميكانيكا التقنية للنماذج الرئيسية:
  • Word2Vec: كيف تلتقط ناقلات التضمين (Embedding vectors) التشابه الدلالي عبر التقارب الهندسي.
  • المحولات (Transformers): كيف تستبدل المعالجة التسلسلية بآليات انتباه متوازية، مما يسمح للسياق بإعادة تشكيل تمثيلات الكلمات ديناميكياً.
  • RLHF: دور نمذجة التفضيلات البشرية في مواءمة النماذج اللغوية الكبيرة مع المبادئ التوجيهية الأخلاقية والسلوك التعاوني (مثل InstructGPT/ChatGPT).
• التنافر المعرفي: تسلط الورقة الضوء بدقة على غياب التماثل بين النماذج اللغوية الكبيرة والدماغ البشري:
  • التجسيد (Embodiment): تفتقر النماذج اللغوية الكبيرة إلى التأسيس الحسي الحركي ونماذج العالم المادي.
    est كفاءة التعلم: تتطلب النماذج اللغوية الكبيرة مجموعات بيانات هائلة (مكتبات كاملة) وجيجاواط-ساعة من الطاقة، بينما يتعلم الأطفال البشر من تفاعلات محدودة وبأقل قدر من استهلاك الطاقة.
  • الخصوصية البيولوجية: تفتقر المحولات إلى السمات البيولوجية مثل مناطق الدماغ المتخصصة للغة، وأنواع المشابك العصبية المتنوعة، وجهد الفعل (Action Potentials).

4. النتائج والمكتشفات

• الأداء مقابل الفهم: تُظهر النماذج اللغوية الكبيرة الحالية (مثل GPT-3.5، ChatGPT) قدرات "حوارية" تضاهي البشر في سياقات عديدة، بما في ذلك حل المشكلات والتعميم من الأمثلة. ومع ذلك، يتم تحقيق هذا الأداء من خلال الارتباط الإحصائي غير المتجسد بدلاً من الفهم المعرفي.
• "سحر" الظهور (Emergence): تشير الورقة إلى أنه بينما يكون هدف التدريب بسيطاً (التنبؤ بالكلمة التالية)، فإن التمثيلات الداخلية الناتجة (Embeddings) تنظم نفسها تلقائياً لتعكس البنى الدلالية والنحوية.
• مفارقة التقدم: كلما زادت قدرة النماذج اللغوية الكبيرة على محاكاة اللغة البشرية، قل فهم مبتكريها للآليات الأساسية لسبب عملها أو كيفية تحسينها بنيوياً. يبدو تطور هذه الأنظمة كأنه "تقليد غريب" للتطور المعرفي الطبيعي، تم تحقيقه من خلال التجربة والخطأ بدلاً من الاستبصار النظري.
• المقارنة البشرية: بينما تعاني النماذج اللغوية الكبيرة من الهلوسة، ينتج البشر أخطاء أيضاً. ومع ذلك، تفتقر النماذج اللغوية الكبيرة إلى المتانة والقدرة على التكيف التي يتميز بها الإدراك البشري عند مواجهة سياقات فيزيائية أو اجتماعية جديدة.

5. الأهمية

• إعادة تعريف "الفهم": تتحدى الورقة تعريف "الفهم" في الذكاء الاصطناعي. فهي تقترح أنه بينما قد "تفهم" النماذج اللغوية الكبيرة اللغة بمعناها الوظيفي الإحصائي، إلا أنها لا تمتلك البنية المعرفية لمعالجة اللغة البشرية.
• محدودية النماذج الحالية: تعمل الورقة كتذكير نقدي بأن النماذج اللغبية الكبيرة هي نماذج سيئة لوظيفة اللغة البشرية. فهي لا تستطيع حالياً أن تحل محل العلوم المعرفية كأداة لفهم العقل البشري لأن آليات تعلمها غريبة جوهرياً عن التطور البيولوجي.
• الاتجاهات المستقبلية: تلمح الورقة إلى أنه لكي يسد الذكاء الاصطناعي الفجوة حقاً مع الإدراك البشري، يجب أن تعالج الأبحاث المستقبلية نقص التجسيد، وعدم كفاءة التدريب، والحاجة إلى بنيات تحاكي العمليات العصبية البيولوجية بشكل أفضل.
• الأثر الفلسفي: تخلص الورقة إلى أن إنشاء "أدوات ناطقة" عبر التطور الحسابي هو إنجاز علمي كبير، لكنه يظل تقليداً غير مقصود للإدراك الطبيعي، مما يترك لغز اللغة البشرية دون حل إلى حد كبير.