← أحدث الأبحاث
🤖 AI

Reason Popper-ly: Patching In-Context Reasoning with Inductive Logic Programming

تقدم الورقة البحثية إطار العمل "Reason Popper-ly"، وهو إطار عمل عصبي رمزي يعزز تسلسل الأفكار (Chain-of-Thought) في النماذج اللغوية الكبيرة باستخدام البرمجة المنطقية الاستقرائية لتعلم قواعد العلاقات، والتحقق من الخطوات الوسيطة، وتصحيح الأخطاء المنطقية تلقائياً، مما يؤدي إلى تحسين الدقة بشكل كبير في مهام الاستدلال متعدد الخطوات.

المؤلفون الأصليون: Zirong Chen, Meiyi Ma

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

المؤلفون الأصليون: Zirong Chen, Meiyi Ma

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 ذكي جداً وكثير الكلام كيفية حل لغز ما. أنت لا تطلب منه الإجابة فحسب، بل تطلب منه عرض خطوات عمله، خطوة بخطوة، تماماً مثل محقق يدون الأدلة في دفتر ملاحظاته. هذه الطريقة، التي تسمى "سلسلة الأفكار" (Chain-of-Thought)، ساعدت النماذج اللغوية الضخمة على أن تصبح أفضل بكثير في حل الألغاز التي تتطلب تفكيراً متسلسلاً. ومع ذلك، هناك عقبة: مجرد كتابة الروبوت لقصة طويلة وواثقة لا يعني أن كل جملة في تلك القصة صحيحة بالفعل. أحياناً، يخطئ الروبوت في المنطق في منتصف القصة، حتى لو خمن الإجابة الصحيحة في النهاية. الأمر يشبه طالباً يكتب مقالاً جميلاً ولكنه يضيف بالخطأ اثنين زائد اثنين ليصبح الناتج خمسة في المنتصف، ثم يصحح خطأه سحرياً عند الوصول إلى النهاية. يشعر العلماء بالقلق لأنه إذا لم نتمكن من الوثوق بالخطوات، فلا يمكننا الوثوق باستنتاج الروبوت في المواقف الجادة. السؤال الكبير هو: كيف نصلح أخطاء الروبوت أثناء تفكيره، دون التخلص من دفتر ملاحظاته بالكامل والبدء من جديد؟

إليك "Reason Popper-ly"، وهي طريقة جديدة تعمل كمحرر شديد الانتباه لعملية تفكير الروبوت. بدلاً من ترك الروبوت يكتب قصته كاملة ويأمل في الأفضل، أو استبدال الروبوت بالكامل بآلة حاسبة جامدة، يستخدم هذا النهج مزيجاً ذكياً من التعلم والتحقق. أولاً، يدرس النظام آلاف الأمثلة حول كيفية عمل العلاقات (مثل كيف يجتمع "الأب" و"الأخت" لتكوين "العمة") لبناء كتاب قواعد صغير ومثالي. ثم، عندما يحاول الروبوت حل لغز جديد، يعمل كتاب القواعد هذا كحكم في الوقت الفعلي. بينما يكتب الروبوت كل جملة، يتحقق الحكم مما إذا كان المنطق صامداً أمام كتاب القواعد. إذا ارتكب الروبوت خطأً — كأن يدعي أن "الأخ" و"الأم" ينتجان "ابن عم" بدلاً من "أخت" — فإن النظام لا يحذف الصفحة بأكملها. بدلاً من ذلك، يقوم بوخز الروبوت بلطف، قائلاً: "مهلاً، هذه الخطوة خاطئة؛ إليك المنطق الصحيح"، ويطلب منه إعادة كتابة هذا الجزء فقط وبقية القصة من تلك النقطة.

اختبر الباحثون هذه الفكرة على اختبار معياري يسمى CLUTRR، وهو عبارة عن لغز شجرة عائلة ضخم حيث يتعين عليك معرفة كيفية ارتباط شخصين ببعضهما من خلال ربط النقاط عبر عدة أجيال. جربوا هذا على خمسة نماذج لغوية مختلفة، تتراوح من أجهزة الكمبيوتر المحلية الصغيرة إلى أكثر النماذج "الرائدة" (frontier models) قوة المتاحة اليوم. كانت النتائج واعدة للغاية. بالنسبة للنماذج الأصغر، عززت طريقة "الترقيع" هذه دقة النموذج بمقدار هائل — يصل إلى 48 نقطة مئوية في الألغاز الأصعب والأطول. وحتى النماذج الرائدة فائقة الذكاء، والتي كانت جيدة بالفعل، تحسنت بشكل ملحوظ بمقدار يصل إلى 15 نقطة في السلاسل الأطول. تشير الدراسة إلى أنه كلما زادت الألغاز طولاً وتعقيداً، يبدأ عقل الروبوت في التعثر أكثر، مما يجعل وجود هذا "الحاجز الوقائي" الرمزي (symbolic guardrail) لالتقاط وتصحيح أخطاء منطقية محددة يحدث فرقاً كبيراً.

ما يجعل هذا النهج مميزاً هو كيفية تعامله مع الأخطاء. فالنظام لا يكتفي بالقول "خطأ" أو "صواب"؛ بل يشخص لماذا أخطأ الروبوت. يمكنه تحديد ما إذا كان الروبوت قد استخدم المكونات الصحيحة ولكن الوصفة الخاطئة، أو إذا كان قد نسي عكس علاقة (مثل الخلط بين "الأم" و"الابنة")، أو إذا كان قد اختلق حقيقة لم تكن موجودة في القصة. ومن المثير للاهتمام أن الدراسة وجدت أنه بالنسبة لأكبر النماذج وأكثرها ذكاءً، لم يكن الخطأ الأكثر شيوعاً هو الوقوع في خطأ منطقي، بل كان الخلط بين اتجاه العلاقات. ومن خلال إصلاح هذه الأخطاء الصغيرة والمحددة وترك الروبوت يستمر من النقطة المصححة، يحافظ النظام على إبداع الروبوت وترسيخه مع ضمان بقاء المنطق سليماً. وهذا يشير إلى أننا لسنا بحاجة لاستبدال الذكاء الاصطناعي بالرياضيات الجامدة لجعله موثوقاً؛ نحن فقط بحاجة إلى طريقة ذكية وخفيفة الوزن لمراجعة واجباته المدرسية أثناء العمل.

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 🤖 cs.AI →