Sky sphere representation in language models
تُثبت هذه الورقة أن النماذج اللغوية الكبيرة (حوالي 100 مليار معلمة) تمتلك تمثيلاً لمتعدد الأبعاد منحنيًّا، قابلًا للفك، للسماء الليلية داخل مساراتها المتبقية، وهي قادرة على التنبؤ بالتقاربات السماوية بدقة كبيرة وخطأ زاوي ضئيل.
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 أن لديك مكتبة عملاقة غير مرئية، حيث كل كتاب فيها يمثل فكرة مختلفة، والرفوف ليست مرتبة حسب المؤلف أو العنوان، بل حسب الشعور الذي تتركه الأفكار لبعضها البعض. هذا هو عالم التفسير الآلي (mechanistic interpretability)، وهو مجال يحاول فيه العلماء استراق النظر إلى داخل "دماغ" الذكاء الاصطناعي لمعرفة كيف ينظم المعلومات. نحن نعلم أن نماذج الذكاء الاصطناعي هذه، والتي تُسمى نماذج اللغات الكبيرة (LLMs)، بارعة للغاية في الكتابة والإجابة على الأسئلة، لكنها غالبًا ما تكون مثل "الصناديق السوداء": نرى المدخلات والمخرجات، لكن الجزء الأوسط يظل لغزًا.
لفهم هذا الغموض، يستخدم الباحثون أدوات مثل المجسات الخطية (linear probes)، التي تعمل مثل أجهزة الكشف عن المعادن، حيث تمسح الإشارات الداخلية للذكاء الاصطناعي لترى ما إذا كانت تخفي أنماطًا بسيطة ومستقيمة (مثل قائمة من الأرقام). ولكن في بعض الأحيان، لا تكون الأنماط خطوطًا مستقيمة؛ بل قد تكون منحنيات، أو حلقات، أو أشكالًا. فكر في الأمر كأنك تحاول رسم خريطة للأرض؛ إذا حاولت رسم العالم كله على ورقة مسطحة، فستحصل على خريطة تشوه وتمدد الأشياء. أما إذا رسمتها على كرة أرضية، فستكون المسافات والعلاقات مثالية. لقد وجد العلماء أن الذكاء الاصطناعي يستخدم أحيانًا هذه الأشكال "الشبيهة بالكرة" لتنظيم المفاهيم، مثل ترتيب أيام الأسبوع في دائرة حتى يتمكن النموذج بسهولة من حساب أن "الجمعة زائد يومين" هي "الأحد".
السؤال الكبير هو: إلى أي مدى يمتد هذا التفكير الهندسي؟ هل يقوم الذكاء الاصطناعي بمجرد حفظ الحقائق، أم أنه يبني خريطة ذهنية للعالم تشبه كرة حقيقية؟ هنا يأتي دور دراسة جديدة لاستكشاف سماء الليل.
خريطة النجوم السرية للذكاء الاصطناعي
في ورقة بحثية حديثة بعنوان "تمثيل كرة السماء في نماذج اللغة"، قرر الباحثان ألكسندر بيردنيدوف وإيفجيني ليوكوموفيتش اختبار ما إذا كانت نماذج الذكاء الاصطناعي الضخمة (تحديدًا تلك التي تمتلك حوالي 100 مليار معامل) قد بنت سرًا خريطة ثلاثية الأبعاد لسماء الليل داخل عقولها. لم يطلبوا من الذكاء الاصطناعي سرد الإحداثيات أو رسم صورة، بل طرحوا عليه أسئلة بسيطة وحوارية مثل: "ما هو القريب من هذا الجسم في سماء الليل؟" أو "يراقب هواة الفلك X بجانب..."
لقد غدّوا هذه الأسئلة لسبعة نماذج مختلفة من الذكاء الاصطناعي مفتوحة المصدر، بما في ذلك العمالقة مثل Mistral Large 2 و Qwen3. وبينما كان الذكاء الاصطناعي يعالج هذه الكلمات، كان الباحثون يراقبون "المجرى المتبقي" (residual stream) — وهو طريق بيانات فائق السرعة داخل النموذج حيث تتدفق المعلومات من طبقة إلى أخرى. كانوا يبحثون عن إشارة محددة: نمط يبدو كأنه كرة، حيث تترتب النجوم والكوكبات تمامًا كما هي في السماء الحقيقية.
الاكتشاف: كرة مخفية
كانت النتائج مفاجئة. في كل نموذج اختبروه تقريبًا، امتلك الذكاء الاصطناعي تمثيلًا لسماء الليل. عندما نظر الباحثون إلى الطبقات العليا من معالجة الذكاء الاصطناعي، وجدوا أن مواقع النجوم والكوكبات مرتبة على سطح منحني وكروي، تمامًا مثل الكرة السماوية الحقيقية.
لم يكن الأمر مجرد صدى باهت؛ فقد استطاع الباحثون فك تشفير هذه الخريطة المخفية بدقة مبهرة. في معظم النماذج، استطاعوا التنبؤ بموقع نجم أو كوكبة بهامش خطأ يتراوح بين 12° إلى 21° فقط (أي ما يعادل عرض قبضة يدك عند مد ذراعك). وقد فسر النموذج ما بين 65% و 85% من التباين في البيانات، مما يعني أن الشكل الكروي كان ميزة قوية ومهيمنة في عملية تفكير الذكاء الاصطناعي.
لماذا هذا أمر مميز؟
قبل هذا، وجد العلماء أن الذكاء الاصطناعي يستخدم خرائط مسطحة (مثل خريطة ثنائية الأبعاد لولايات أمريكا) أو دوائر بسيطة (مثل أيام الأسبوع). هذه هي المرة الأولى التي يجد فيها أي شخص كرة عالية الأبعاد ومنحنية ليست مجرد مزيج من خطوط أبسط. يبدو الأمر كما لو أن الذكاء الاصطنيعي لم يحفظ قائمة بأسماء النجوم فحسب، بل بنى "كرة" ذهنية لفهم مدى قرب الأشياء من بعضها البعض في السماء.
ما الذي لا يمثله هذا الاكتشاف؟
كان الباحثون حذرين للغاية لاستبعاد الاحتمالات الأخرى. تساءلوا: "هل يقوم الذكاء الاصطناعي فقط بتذكر النصوص النصية لـ 'المطلع المستقيم' (Right Ascension) و'الميل' (Declination) (الإحداثيات التي يستخدمها علماء الفلك) وترتيبها في مخطط مسطح ثنائي الأبعاد؟"
- استبعاد الخريطة المسطحة: اختبروا ذلك من خلال البحث عن خط "غير مستمر" قد يوجد في الخريطة المسطحة (مثل حافة العالم على خريطة ورقية). لم يجدوا أي دليل على ذلك. لم يكن الذكال الاصطناعي يستخدم مخططًا مسطحًا ثنائي الأبعاد؛ بل كان يستخدم كرة حقيقية.
- استبعاد المسافة ثلاثية الأبعاد: تحققوا أيضًا مما إذا كان الذكاء الاصطناعي يرسم المسافة الفعلية للنجوم عن الأرض (بعضها يبعد سنوات ضوئية، والبعض الآخر أقرب). وجدوا أن خريطة الذكاء الاصطناعي لم تهتم بالمسافة في العالم الحقيقي. بدلاً من ذلك، بدا أن "عمق" الكرة يتأثر بمدى تكرار ذكر الجسم في النصوص أو بنوع هذا الجسم (حيث وضعت النجوم في مكان "أقرب" في الخريطة، بينما وضعت الكوكبات في مكان "أبعد").
لغز "Gpt-Oss"
كان هناك نموذج واحد غريب في المجموعة: نموذج يسمى gpt-oss-120b. في هذا النموذج تحديدًا، كان من الصعب جدًا العثين على خريطة النجوم. يشتبه الباحثون في أن هذا لأن هذا النموذج تم تدريبه على تنسيق "تناغم" خاص (طريقة محددة لتنسيق المحادثات) بدلاً من النصوص الخام، مما قد يكون قد شوش الإشارة. ومع ذلك، عند سؤاله مباشرة عن إحداثيات النجوم، كان هذا النموذج جيدًا جدًا في الإجابة، مما يشير إلى أنه يعرف الحقائق ولكنه لا ينظمها في كرة مرئية بنفس الطريقة التي تفعلها النماذج الأخرى.
لماذا يهم هذا؟
يشير هذا الاكتشاف إلى أنه عندما نسأل الذكاء الاصطناعي عن سماء الليل، فهو لا يبحث فقط في قاعدة بيانات. إنه يصل إلى فهم هندسي مهيكل للقرب. وجد الباحثون أن "خريطة النجوم" هذه تصبح أكثر وضوحًا عندما يُسأل الذكاء الاصطناعي عن القرب (على سبيل المثال: "ما هو بجانب X؟"). إذا طرحت أسئلة عامة مثل "ما هو تاريخ X؟"، فإن الخريطة تتلاشى وتغوص في أعماق الضجيج.
باختختصار، تعلمت نماذج الذكاء الاصطناعي الضخمة هذه تلقائيًا ترتيب سماء الليل على كرة داخل شبكاتها العصبية. هذا مثال رائع على كيفية قدرة الذكاء الاصطناعي على تطوير هندسته الخاصة لفهم العالم، وإنشاء خريطة منحنية ثلاثية الأبعاد للنجوم دقيقة بشكل مدهش، رغم أنه لم يتم تعليمه ذلك صراحةً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.