تخيل أنك تتحدث إلى صديق آلي ذكي جداً وكثير الكلام. تسأله سؤالاً بسيطاً مثل: "ما هي عاصمة فرنسا؟". تتوقع إجابة سريعة ومباشرة: "باريس". لكن أحياناً، بدلاً من قول "باريس" فقط، يبدأ صديقك الآلي في مونولوج داخلي طويل: "همم، دعني أفكر. هل هي باريس؟ انتظر، ربما يجب أن أتأكد. أوه، لقد تذكرت الآن، إنها بالتأكيد باريس". هذا ما يسمى بـ "الاستنتاج" أو "التفكير" (Reasoning)، وهو أمر رائع لحل الألغاز الصعبة، لكنه مزعج وبطيء للحقائق البسيطة.

في عالم الذكاء الاصطناعي، بنى الباحثون نماذج "تفكير هجين" (hybrid-thinking) يُفترض بها أن تتنقل بين وضعين: وضع "التفكير" لحل المشكلات الصعبة (مثل الرياضيات أو العلوم)، ووضع "عدم التفكير" لإعطاء إجابات سريعة ومباشرة. الفكرة هي أنه يمكنك أن تقول للروبوت: "مهلاً، أعطني الإجابة فقط، لا تفكر!" ويُفترض به أن يطيع. لكن هناك مشكلة، فحتى عندما تخبر هذه الروبوتات ألا تفكر، فإنها لا تستطيع منع نفسها. فهي لا تزال تهمس بمونولوجاتها الداخلية، وتتعثر في حلقات طويلة، وتكشف عن عملية "تفكيرها" بالخطأ. هذا ما يسمى بـ "تسرب الاستنتاج" (reasoning leakage). الأمر يشبه أن تطلب من شخص أن يصمت، لكنه يستمر في دندنة اللحن على أي حال. هذا الأمر مهم لأن الروبوت إذا لم يستطع التوقف عن التفكير عندما لا ينبغي له ذلك، فإنه يهدر الوقت، ويستهلك الكثير من طاقة الكمبيوتر، ولا يمكن الوثوق بكفاءته.

الورقة البحثية التي ستطالعها الآن، بعنوان "خبير قفل المسار" (Path-Lock Expert)، تتناول مشكلة الدندنة هذه. يقترح المؤلفون، وهم فريق من الباحثين من جامعات مثل "كيس ويسترن ريزيرف" و"كيوتو"، أن السبب في عدم قدرة الروبوتات على التوقف عن التفكير ليس مجرد حاجتها إلى تدريب أفضل أو بيانات أكثر. بل يجادلون بأن المشكلة تكمن في الواقع في بنية دماغ الروبوت نفسه—وتحديداً في كيفية توصيل الأجزاء التي تعالج المعلومات مع بعضها البعض.

المشكلة: عقل واحد يحاول أن يكون شخصين

تخلق شيفاً يحاول طهي وجبتين مختلفتين تماماً في نفس الوقت باستخدام نفس مجموعة السكاكين والمقالي. إحدى الوجبات هي عشاء فاخر متعدد الأصناف (وضع "التفكير")، والأخرى هي شطيرة بسيطة وسريعة (وضع "عدم التفكير"). إذا استخدم الشيف نفس السكين لتقطيع الخضروات للوجبة الفاخرة وتقطيع الخبز للشطيرة، فقد يتسبب بالخطأ في وصول فتات الوجبة الفاخرة إلى الشطيرة. هذا ما يحدث لهذه النماذج من الذكاء الاصطناعي. فهي تستخدم نفس "السكاكين" الداخلية (طبقات رياضية تسمى MLPs) لتوليد إجابات طويلة وتأملية وإجابات قصيرة ومباشرة. حتى عندما يُطلب من النموذج التوقف عن التفكير، تستمر تلك الأجزاء المشتركة في تسريب عادات "التفكير" إلى الإجابات البسيطة.

المحاولات السابقة للإصلاح كانت تشبه قولك للشيف: "من فضلك حاول أن تكون أكثر هدوءاً"، أو "ربما استخدم مكونات أقل فخامة". وبينما ساعدت حيل التدريب هذه قليلاً، إلا أن الشيف لم يستطع التوقف تماماً عن الدندنة. كان النموذج لا يزال ينتج إجابات طويلة جداً أو مليئة بلحظات مثل "انتظر، دعني أتحقق...".

الحل: خبير قفل المسار (Path-Lock Expert)

يقترح الباحثون حلاً هيكلياً ذكياً يسمى Path-Lock Expert (PLE). بدلاً من محاولة تدريب نفس الدماغ ليعمل بشكل مختلف، يعطون الروبوت "محركات تفكير" (أو خبراء) منفصلة، مع إبقاء بقية الدماغ مشتركاً.

إليك كيف يعمل الأمر، باستخدام تشبيه حي:
تخيل أن دماغ الروبوت عبارة عن مكتبة ضخمة. داخل هذه المكتبة، يوجد ممر رئيسي (الأجزاء المشتركة مثل الانتباه والذاكرة) يستخدمه الجميع. ولكن في نهاية الممر، هناك بابان مختلفان يؤديان إلى غرفتين مختلفتين.

• الغرفة (أ) هي "غرفة التفكير"، وهي مليئة بالسبورات البيضاء، والرسوم البيانية المعقدة، والأدوات لحل الألغاز الصعبة.
• الغرفة (ب) هي "غرفة عدم التفكير"، وهي صغيرة وهادئة ومصممة للإجابات السريعة والمباشرة.

في التصميم القديم، كان على الروبوت المرور عبر نفس الباب ومحاولة التصرف كما لو كان في الغرفة الصحيحة، مما كان يسبب الارتباك. أما مع Path-Lock Expert، فلدى الروبوت مفتاح خاص عند المدخل. عندما تكتب /think (فكر)، يقوم المفتاح بقفل الروبوت داخل "غرفة التفكير" طوال المحادثة. وعندما تكتب /no think (لا تفكر)، يقوم المفتاح بقفله في "غرفة عدم التفكير". والأهم من ذلك، أن الروبوت لا يغير الغرف في منتصف الجملة. بمجرد إغلاق الباب، يظل مغلقاً.

هذا التصميم يعني أن الروبوت ليس عليه أن "يحاول" التوقف عن التفكير؛ بل هو جسدياً لا يستطيع الوصول إلى "أدوات التفكير" عندما يكون في "غرفة عدم التفكير". الغرفتان لديهما مجموعاتهما الخاصة من الأدوات (خبراء MLP)، لذا فإن عادات المفكر المعقد لا تتسرب إلى المجيب البسيط.

ما الذي وجدوه

اختبر الباحثون هذا التصميم الجديد على بعض أصعب الألغاز الرياضية والعلمية المتاحة، مثل AIME24 (مسابقة رياضيات صعبة) وGPQA (معيار علمي صعب). وقارنوا روبوتات "قفل المسار" الجديدة بروبوتات "الهجين" القديمة والنماذج التي تم تحسينها بالتدريب فقط.

كانت النتائج مذهلة:

• تسرب أقل بكثير: في اختبار الرياضيات AIME24، أنتجت النماذج الهجينة القديمة، حتى عندما طُلب منها عدم التفكير، حوالي 6.01 من الرموز "التأملية" (كلمات مثل "انتظر"، "همم"، أو "دعني أفكر") لكل إجابة. أما نموذج Path-Lock الجديد فقد قلل هذا إلى 0.35 رمزاً فقط. هذا يمثل انخفاضاً بمقدار 17 مرة في دندنة الروبوت لمونولوجه الداخلي!
• إجابات أقصر: كانت الإجابات في النماذج القديمة تزيد عن 8,600 رمز عندما كان ينبغي أن تكون قصيرة. أما نموذج Path-Lock فقد قلص ذلك إلى حوالي 4,100 رمز، مما جعل الإجابات أكثر إيجازاً.
• إجابات مباشرة أكثر ذكاءً: لم تكن الإجابات أقصر فحسب، بل كانت أيضاً أكثر دقة. حقق نموذج Path-Lock نسبة 44.67% من المسائل الرياضية الصعبة في وضع "عدم التفكير"، مقارنة بـ 35.33% فقط لطريقة التدريب التقليدية.
• لا فقدان في قوة التفكير: والأهم من ذلك، أن التصميم الجديد لم يجعل الروبوت أسوأ في التفكير الفعلي. فعندما يُسمح للروبوت باستخدام "غرفة التفكير"، فإنه يعمل بنفس كفاءة السابق (حوالي 61.33% من الدقة)، مما يثبت أن فصل الغرف لم يفسد مهارات الاستنتاج المعقدة.

ماذا يعني هذا

تشير الورقة البحثية إلى أن مشكلة "تسرب الاستنتاج" ليست مجرد مشكلة تدريب، بل هي مشكلة هيكلية. فمن خلال الفصل الفيزيائي للمسارات التي يستخدمها الروبوت للتفكير مقابل عدم التفكير، خلق الباحثون انتقالاً أكثر نظافة بين الوضعين.

كما اكتشفوا أن "المكونات" تفرق؛ فإذا بدأت بروبوت يعرف بالفعل كيف يتبع التعليمات جيداً، فإن نظام Path-Lock يعمل بشكل أفضل. وإذا حاولت بناء هذا من الصفر على روبوت خام غير مدرب، فإنه يعاني. وعلاوة على ذلك، وجدوا وجود مقايضة: استخدام بيانات تدريب صعبة ومعقدة للغاية جعل وضع "التفكير" أفضل، لكنه جعل وضع "عدم التفكير" عرضة قليلاً لتسرب بسيط من التفكير. ومع ذلك، كان التوازن العام أفضل بكثير مما سبق.

باختصاف، يقترح المؤلفون أنه إذا كنت تريد روبوتاً يمكنه حقاً إيقاف تشغيل عقله عندما تطلب منه ذلك، فلا يمكنك فقط أن تطلب منه أن يصمت. عليك أن تعطيه غرفة منفصلة حيث لا توجد فيها أدوات "التفكير" ببساطة. يبدو أن هذا التغيير الهيكلي البسيط هو وسيلة قوية لجعل الذكاء الاصطناعي أكثر كفاءة، وقابلية للتنبؤ، والتحكم.