تخيل أنك تحاول تعليم روبوت كتابة قصة، أو حل مسألة رياضية، أو برمجة لعبة فيديو. لفترة طويلة، كانت أفضل طريقة للقيام بذلك هي جعل الروبوت يكتب كلمة تلو الأخرى، مثل الإنسان الذي يكتب على لوحة المفاتيح. لكن هناك مشكلة: بمجرد أن يختار الروبوت كلمة، فإنه يظل عالقاً بها. إذا ارتكب خطأً صغيراً في البداية، يمكن للقصة بأكملها أن تتحول إلى شيء غير مفهوم، ولا يمكنه العودة بسهولة لإصلاحه. مؤخراً، اخترع العلماء نوعاً جديداً من عقول الروبوتات يسمى "نموذج الانتشار" (Diffusion Model). وبدلاً من الكتابة كلمة بكلمة، يبدأ هذا الروبوت بصفحة مليئة بالهراء ثم يقوم بتنظيفها ببطء، كلمة بكلمة، وكل ذلك في وقت واحد. الأمر يشبه مشاهدة لوحة طينية تتحول ببطء إلى لوحة فنية صافية بينما يقوم الفنان بمسح الأوساخ عنها. هذه الطريقة رائعة لأنها تتيح للروبوت رؤية الصورة الكاملة دفعة واحدة، ولكن لديها مشكلة صعبة: غالباً ما يعلق في مسار رتيب. فقد يستمر في كتابة نفس الجمل المملة مراراً وتكراراً، أو قد يصاب بالارتباك الشديد في محاولته ليكون مختلفاً مما يؤدي إلى انهيار القصة. السؤال الكبير للعلماء هو: كيف نجعل هذا الروبوت مبدعاً ويستكشف أفكاراً جديدة دون أن يفقد قدرته على تقديم معنى مفيد؟

يقدم هذا البحث حيلة ذكية تسمى SAKE (الإنتروبيا النواة الواعية دلالياً) لمساعدة روبوتات "الانتشار" هذه على التفكير بإبداع أكبر. وجد الباحثون أن الطريقة المعتادة لجعل هذه الروبوتات أكثر تنوعاً — وهي ببساطة رفع "درجة الحرارة" (temperature) لجعلها أكثر عشوائية — تشبه محاولة إصلاح قصة مملة عبر إلقاء حفنة من قصاصات الورق الملون (الكونفيتي) عليها. قد يضيف ذلك بعض التنوع، ولكنه يفسد الجودة أيضاً، مما يجعل القصة تبدو كضوضاء عشوائية. بدلاً من ذلك، يقترح المؤلفون دليلاً أذكى يعمل كـ "مستكشف فضولي". يتحقق هذا الدليل مما إذا كان الروبوت على وشك اختيار كلمة تشبه كثيراً ما كتبه للتو. إذا بدأ الروبوت يقع في حلقة مفرغة من الأفكار المتكررة، فإن الدليل يدفعه بلطف نحو مسار مختلف، ولكنه لا يزال منطقياً. وإذا كان الروبوت مبدعاً بالفعل، فإن الدليل يتراجع ويتركه وشأنه.

اختبر الفريق هذه الطريقة في بعض التحديات الصعبة، مثل كتابة أكواد برمجية وحل مسائل رياضية معقدة. ووجدوا أن دليلهم الجديد ساعد الروبوت على توليد مجموعة أوسع بكثير من الإجابات الصحيحة مقارنة بالطرق القديمة. على سبيل المثال، عند طلب كتابة كود برمجي، حصل الروبوت الذي يستخدم SAKE على الإجابة الصحيحة بنسبة 55.8% عند إعطائه 32 محاولة، بينما حصلت الطريقة القياسية على الإجابة الصحيحة بنسبة 41.1% فقط. وفي الرياضيات، كان التحسن مشابهاً. يشير البحث إلى أنه باستخدام هذا "التوجيه القائم على الإنتروبيا"، يمكننا جعل الذكاء الاصطناعي يستكشف المزيد من الاحتمالات دون التضحية بجودة عمله، مما يحل فعلياً المقايضة بين الإبداع والدقة.

المشكلة: "الحلقة المملة" للروبوت

لفهم سبب أهمية هذا الأمر، دعونا نلقي نظرة على كيفية عمل نماذج الذكاء الاصطناعي هذه عادةً. تخيل أنك تلعب لعبة حيث يتعين عليك تخمين كلمة سرية. إذا كنت تلعب بأمان، فقد تخمن الكلمات الأكثر شيوعاً أولاً. ولكن إذا أردت الفوز، فأنت بحاجة لتجربة تخمينات مختلفة. في عالم توليد النصوص بالذكاء الاصطناائي، هناك أداة شائعة تسمى "تدرج درجة الحرارة" (temperature scaling). فكر في هذا كأنه مقبض لرفع أو خفض مستوى العشوائية. إذا خفضت المقبض (درجة حرارة منخفضة)، فإن الذكاء الاصطناعي يلعب بأمان ويختار الكلمات الأكثر احتمالاً، مما يؤدي غالباً إلى نصوص مكررة ومملة. وإذا رفعت المقبض عالياً جداً (درجة حرارة مرتفعة)، يصبح الذكاء الاصطناعي جامحاً ويختار كلمات عشوائية. هذا يخلق تنوعاً، لكنه تنوع فوضوي. الأمر يشبه رفع مستوى الصوت في الراديو إلى أقصى حد لسماع محطة جديدة؛ قد تسمع شيئاً مختلفاً، ولكنك ستسمع أيضاً الكثير من التشويش والضجيج، وتصبح الموسيقى غير قابلة للتمييز.

يجادل الباحثون بأنه بالنسبة للمهام المعقدة مثل البرمجة أو الرياضيات، نحن لا نحتاج فقط إلى المزيد من التنوع؛ بل نحتاج إلى تنوع أفضل. نحن بحاجة لأن يستكشف الذكاء الاصطناعي مسارات تفكير مختلفة (مثل تجربة طرق مختلفة لحل لغز ما) دون السقوط في الهراء. الطرق القديمة إما أبقت الذكاء الاصطناعي آمناً جداً (ممل) أو جامحاً جداً (مكسور).

الحل: دليل "المستكشف الفضولي"

ابتكر مؤلفو هذا البحث، جينغوي تشانغ وفريقه، طريقة جديدة لتوجيه الذكاء الاصطناعي تسمى الإنتروبيا النواة الواعية دلالياً (SAKE). بدلاً من مجرد رفع مقبض "العشوائية"، يعمل SAKE كمدرب ذكي يقف بجانب الذكاء الاصطناعي.

إليك كيف يعمل الأمر بكلمات بسيطة:

1. المدرب يفحص الخريطة: بينما يقوم الذكاء الاصطناعي بتوليد النص، ينظر SAKE إلى الكلمات التي اختارها بالفعل والكلمات التي يفكر فيها تالياً. ويستخدم "خريطة" خاصة (تسمى مصفوفة جرام النواة - kernel Gram matrix) ليرى مدى تشابه الأفكار.
2. قوة "التنافر": إذا كان الذككاء الاصطناعي على وشك اختيار كلمة تشبه كثيراً ما قاله للتو (مثل قول "الكلب ركض" ثم "الكلب ركض" مرة أخرى)، يشعر المدرب بـ "قوة تنافر". فهو يدفع الذكاء الاصطناعي بعيداً عن هذا الخيار المتكرر ويشجعه على تجربة فكرة مختلفة، ولكنها لا تزال ذات صلة.
3. التعديل الديناميكي: الجزء الرائع هو أن هذا المدرب ذكي. إذا كان الذكاء الاصطناعي مبدعاً بالفعل ويختار كلمات متنوعة، فإن المدرب يتراجع ويترك الذكاء الاصطناعي يتبع ثقته الطبيعية. هو يتدخل فقط عندما يبدأ الذكاء الاصطناعي في الوقوع في حلقة مفرغة.

يصف البحث هذا بأنه عملية "خطيّة" للمشكلة. فبدلاً من محاولة حساب الإجابة المثالية لكل كلمة في القاموس (والذي سيستغرق وقتاً طويلاً جداً)، ينظر الذكاء الاصطناعي إلى "شكل" الأفكب في عقله (فضاء التضمين - embedding space) ويقوم بحساب دفعة سريعة في الاتجاه الصحيح. وهذا يجعل العملية سريعة بما يكفي لتكون مفيدة في الوقت الفعلي.

ما وجدوه: نتائج أفضل، ضجيج أقل

اختبر الفريق دليلهم الجديد في عدة اختبارات لمعرفة ما إذا كان يعمل حقاً. وقارنوا SAKE بطريقة "درجة الحرارة" القياسية وطريقة أخرى شائعة تسمى "التوجيه المستقل عن التصنيف المنفصل" (D-CFG).

• توليد الكود البرمجي: عندما طُلب منها كتابة كود برمجي (باستخدام اختباري HumanEval و MBPP)، كان الذكاء الاصطناٍعي المزود بـ SAKE أفضل بكثير في إيجاد الحل الصحيح عند إعطائه محاولات متعددة. في اختبار HumanEval، قفز معدل النجاح من 41.1% (الطريقة القياسية) إلى 55.8% باستخدام Sake. وفي MBPP، ارتفع من 48.2% إلى 56.1%.
• الاستنتاج الرياضي: في اختبار الرياضيات GSM8K، حقق الذكاء الاصطناعي الذي يستخدم SAKE درجة "اتساق ذاتي" بلغت 75.1%، متفوقاً على النموذج القياسي الذي حقق 71.5%.
• "جبهة باريتو" (Pareto Frontier): نظر الباحثون أيضاً في التوازن بين الجودة والتنوع. ووجدوا أنه بينما ترفع درجة الحرارة من تنوع الذكاء الاصطناعي، فإنها تضر بجودة النص (تجعل الكلام أقل تماسكاً). ومع ذلك، استطاع SAKE دفع "الجبهة" إلى الخارج. وهذا يعني أن الذكاء الاصطناعي يمكن أن يكون أكثر تنوعاً دون فقدان جودته. لقد كان الأمر أشبه بإيجاد طريقة للحصول على كل شيء في آن واحد.

كانت هناك نتيجة مثيرة للاهتمام تتعلق بـ "انهيار النمط" (mode collapse). وهذا يحدث عندما يعلق الذكاء الاصطناعي في حلقة من توليد نفس الإجابات القليلة. يظهر البحث أنه عند درجات الحرارة المنخفضة (حيث يكون الذكاء الاصطناعي آمناً جداً عادةً)، تعثرت الطرق القياسية بسرعة. أما SAKE، فقد أجبر الذكاء الاصطناعي على الاستكشاف، مما حسن أداءه بشكل كبير حتى عندما كان إعداد "العشوائية" منخفضاً.

المقايضة: السرعة مقابل الذكاء

بالطبع، لا يوجد شيء مجاني. يعترف البحث بأن SAKE يتطلب قوة حوسبة أكبر قليلاً من الطرق القياسية لأن "المدرب" يجب أن يقوم بعمليات حسابية إضافية للتحقق من تشابه الكلمات. ومع ذلك، وجد الفريق أن هذا البطء كان طفيفاً جداً. لا يزال الذكاء الاصطناعي يولد النصوص بنحو 93% من سرعة النسخة غير الموجهة. في المقابل، كانت طريقة D-CFG أبطأ بكثير، حيث انخفضت إلى حوالي 67%. وهذا يشير إلى أن SAKE أداة عملية لا تؤدي إلى إبطاء العمل بشكل كبير.

لماذا يهم هذا؟

يخلص البحث إلى أن التنوع لا يتعلق فقط بجعل الأشياء تبدو مختلفة؛ بل يتعلق بالمتانة. في المهام المعقدة مثل حل مسألة رياضية أو كتابة كود برمجي، فإن امتلاك طرق مختلفة للتفكير في المشكلة يزيد من فرص العثور على الإجابة الصحيحة. ومن خلال استخدام SAKE، يمكننا مساعدة نماذج الذكاء الاصطناعي على استكشاف هذه المسارات المختلفة دون تحويلها إلى مولدات فوضوية وغير مفهومة.

يشير المؤلفون إلى أن هذه الطريقة قد تكون نقطة تحول لكيفية استخدامنا للذكاء الاصطناعي في المستقبل، خاصة للمهام التي تتطلب تفكيراً عميقاً وإبداعاً. لقد أثبتوا أنه من خلال فهم "شكل" الأفكار في عقل الذكاء الاصطناعي، يمكننا توجيهه ليكون ذكياً ومبدعاً في آن واحد، مما يحل المشكلة القديمة المتمثلة في التوازن بين الجودة والتنوع. وبينما لا يدعي البحث أنه حل كل مشاكل الذكاء الاصطناعي، إلا أن النتائج تشير إلى أن هذا "التوجيه القائم على الإنتروبيا" يمثل خطوة كبيرة للأمام في جعل الذكاء الاصطناعي المولد للنصوص أكثر موثوقية وتعددية في الاستخدام.