تخيل أنك تعلم روبوتًا كيف يفهم العالم من خلال عرض صور عليه وإخباره بقصص عنها. يشبه هذا إلى حد كبير كيفية تعلم الذكاء الاصطناعي الحديث: فهو ينظر إلى صورة كلب ويقرأ التعليق "كلب سعيد"، ثم يحاول مطابقة صورة الكلب مع كلمات "كلب سعيد". إذا نجح في ذلك، يحصل على نجمة ذهبية. وإذا أخطأ، يحاول مرة أخرى. تُسمى هذه العملية "التعلم التبايني" (Contrastive Learning). هدف الروبوت هو بناء خريطة ذهنية حيث توضع الأشياء التي تتماشى مع بعضها البعض (مثل صورة ووصفها) بالقرب من بعضها، بينما توضع الأشياء التي لا تنتمي لبعضها بعيدًا عن بعضها.

عادةً، عندما يريد العلماء جعل الروبوت أفضل في فهم شيء محدد — مثل المشاعر في الصوت — فإنهم يتبعون قاعدة بسيطة للغاية: "أرِهِ المزيد من الأمثلة!". يعتقدون أنه "إذا كان الروبوت لا يفهم الحزن، فنحن فقط بحاجة لإظهار مليون صوت حزين إضافي له". الأمر يشبه التفكير في أنك إذا لم تستطع حل مسألة رياضية، فأنت فقط بحاجة لقراءة المزيد من الكتب الرياضية. ولكن ماذا لو لم تكن المشكلة في أن الروبوت لم يقرأ كتبًا كافية، بل في أن الكتب مكتوبة بطريقة تخدع الروبوت وتجعله يسلك طريقًا مختصرًا؟ ماذا لو كان الروبوت ذكيًا جدًا لدرجة أنه يجد طريقة سهلة للحصول على النجمة الذهبية دون أن يتعلم الدرس الصعب حقًا؟ هذا هو اللغز الذي يحاول العلماء حله: اكتشاف ما الذي يتعلمه الروبوت فعليًا، ولماذا يؤدي إعطاؤه المزيد من البيانات أحيانًا إلى جعله أسوأ في الشيء المحدد الذي نهتم به.

---

تبادل الأصوات العظيم: عندما تأتي البيانات الكثيرة بنتائج عكسية

في هذه الدراسة، قرر باحث اختبار قاعدة "المزيد من البيانات أفضل" من خلال تجربة محددة للغاية. أخذ نموذج ذكاء اصطناعي قويًا يمكنه بالفعل فهم الصوت والنصوص، وأعطاه نظامًا غذائيًا جديدًا ضخمًا: 150,000 مقطع لأشخاص يتحدثون بكلمات واضحة، مثل قراءة نص مكتوب. توقعوا أن يجعل هذا الذكاء الاصطناعي خبيرًا فائقًا في فهم الكلام. وقد حدث ذلك بالفعل! فقد قفزت قدرة الذكاء الاصطناعي على رصد الكلمات المفتاحية المحددة (مثل "نعم"، "لا"، أو "توقف") بمقدار 76 نقطة هائلة.

ولكن إليكم المفاجأة: بينما أصبح الذكاء الاصطناعي أفضل في سماع الكلمات، أصبح أسوأ بشكل ملحوظ في سماع المشاعر. انخفضت قدرته على التعرف على العواطف في الصوت (مثل الغضب، السعادة، أو الحزن) بمقدار 14 نقطة. كان الأمر كما لو أن الذكاء الاصطناعي أصبح لغويًا بارعًا، لكنه أصبح معالجًا نفسيًا سيئًا. فكلما تعلم أكثر حول ما يقوله الناس، قل اهتمامه بـ كيفية قولهم لذلك.

المشتبه بهم الثلاثة: لماذا حدث هذا؟

عرف الباحث أن هذا الأمر غريب. كان لديه ثلاثة مشتبه بهم رئيسيين لسبب نسيان الذكاء الاصطناعي للمشاعر، وقرر استبعادهم واحدًا تلو الآخر.

المشتبه به رقم 1: الدماغ صغير جدًا (السعة)
أولاً، تساءلوا عما إذا كان الذكاء الاصطناعي ممتلئًا للغاية. ربما كان لديه الكثير من المعلومات الجديدة حول الكلمات لدرجة أنه نفد منه "مساحة الدماغ" لتذكر المشاعر.

• الاختبار: أخذوا مجموعة بيانات صغيرة جدًا ومركزة للغاية حيث يقول الناس نفس الجملة تمامًا ولكن بمشاعر مختلفة (مثل قول "أنا بخير" بنبرة غاضبة، أو سعيدة، أو حزينة). كانت هذه المجموعة من البيانات أصغر بـ 120 مرة من مجموعة الكلمات الضخمة التي أُطعمت للذكاء الاصطناعي للتو.
• النتيجة: عندما دربوا الذكاء الاصطناعي على هذه المجموعة الصغيرة، لم تعد مهارات العاطفة فحسب، بل أصبحت أفضل مما كانت عليه في السابق! فقد ارتفعت من درجة 0.211 لتصل إلى 0.508.
• الحكم: لم يكن الذكاء الاصطناعي ممتلئًا للغاية؛ فقد كان لديه مساحة واسعة. هو فقط لم يكن يستخدم تلك المساحة للمشاعر لأنه لم يكن مضطرًا لذلك.

المشتبه به رقم 2: عدم وجود أمثلة كافية (حجم البيانات)
بعد ذلك، اعتقدوا أن مجموعة البيانات الصغيرة قد لا تكون كبيرة بما يكفي. ربما كانوا بحاجة إلى جبل من البيانات حيث يذكر كل وصف منها صراحةً "هذا الصوت غاضب" أو "هذا الصوت حزين".

• الاختبار: قاموا بجمع 29,428 مقطعًا من الإنترنت. كان لكل مقطع من هذه المقاطع وصف يحدد اسم العاطفة صراحةً (على سبيل المثال: "رجل يصرخ بغضب"). كان هذا أكبر بـ أربع مرات من مجموعة البيانات الصغيرة التي نجحت.
• النتيجة: قاموا بتدريب الذكاء الاصطناعي على هذا الجبل الهائل من البيانات المليئة بالعواطف. بالكاد تحركت درجة العاطفة؛ لقد تغيرت بمقدار ضئيل يكاد لا يُرى: -0.0007.
• الحكم: لا يهم عدد الأمثلة التي لديك أو مدى وضوح تسمياتها. إذا استطاع الذكاء الاصطناعي إيجاد طريقة سهلة لحل اللغز دون النظر إلى العاطفة، فسيتجاهل العاطفة، حتى لو صرخت "غضب!" في الوصف.

المشتبه به رقم 3: الذكاء الاصطناعي يخفي المعلومات (القطع/الاستبعاد)
أخيرًا، تحققوا مما إذا كان الذكاء الاصطناعي يحتفظ بالمعلومات سرًا ولكنه يخفيها في جزء من دماغه لا ينظرون إليه.

• الاختبار: نظروا إلى ذاكرة الذكاء الاصطناعي بعدسة أوسع، للتحقق مما إذا كانت المعلومات موجودة ولكنها مقطوعة.
• النتيجة: عادت حوالي 18% فقط من درجة العاططفائقة.
• الحكم: لم تكن المعلومات مخفية؛ بل ببساطة لم يتم تعلمها في المقام الأول.

المتهم الحقيقي: "الطريق السهل"

إذًا، إذا لم يكن الأمر يتعلق بكمية البيانات أو حجم الدماغ، فما هو السبب؟ وجد الباحث الإجابة في هيكل البيانات.

تخيل أنك تلعب لعبة "من أنا؟" مع صديق.

• السيناريو أ (مجموعة البيانات الصغيرة): كلاكما لديه قائمة بأسماء أشخاص. كل شخص في القائمة لديه الاسم نفسه تمامًا، "جون". الطريقة الوحيدة للتمييز بينهما هي إذا كان أحدهما مبتسمًا والآخر عابسًا. للفوز في اللعبة، يجب عليك النظر إلى الابتسامة أو العبوس. ليس لديك خيار آخر.
• السيناريو ب (مجموعة البيانات الضخمة): لديك قائمة بأشخاص بأسماء مختلفة، وملابس مختلفة، وخلفيات مختلفة. أحدهم هو "جون الذي يصرخ في الحديقة"، والآخر هو "سارة التي تبكي في القطار". حتى لو تجاهلت أصواتهم، يمكنك تمييزهم بسهولة بمجرد النظر إلى الحديقة أو القطار. أنت لست بحاجة للاستماع إلى نبرة صوتهم للفوز. أنت تأخذ الطريق المختصر السهل.

اكتشف الباحث أن الذكاء الاصطناعي يتصرف تمامًا مثل لاعب في السيناريو (ب) الذي يسلك المسار السهل.

• في مجموعة بيانات العواطف الضخمة، كانت الأوصاف مختلفة جدًا ("رجل يصرخ في الحديقة"، "امرأة تضحك في القطار")، بحيث استطاع الذكاء الاصطناعي التمييز بينهم بمجرد قراءة الكلمات المتعلقة بـ المشهد. لم يكن بحاجة للاستماع إلى الصوت ليعرف من هو كل منهم. لذا، تجاهل العاطفة.
• في مجموعة البيانات الصغيرة، كانت جميع الأوصاف متشابهة ("أنا بخير"). كان على الذكاء الاصطناعي ضرورة الاستماع إلى الصوت للتمييز بين "أنا بخير" الغاضبة و"أنا بخير" السعيدة. لقد أُجبر على تعلم العاطفة.

النتيجة: اكتشف الباحث أن الذكاء الاصطناعي يتصرف تمامًا مثل لاعب في السيناريو (ب) الذي يأخذ المسار السهل.

• في مجموعة بيانات العواطف الضخمة، كانت الأوصاف متنوعة جدًا ("رجل يصرخ في الحديقة"، "امرأة تضحك في القطار")، بحيث استطاع الذكاء الاصطناعي التمييز بينهم بمجرد قراءة الكلمات المتعلقة بـ المشهد. لم يكن بحاجة للاستماع إلى الصوت ليعرف من هو كل منهم. لذا، تجاهل العاطفة.
• في مجموعة البيانات الصغيرة، كانت الأوصاف كلها متشابهة ("أنا بخير"). كان على الذكاء الاصطناعي ضرورة الاستماع إلى الصوت للتمييز بين "أنا بخير" الغاضبة و"أنا بخير" السعيدة. لقد أُجبر على تعلم العاطفة.

الحل السحري: تغيير القواعد، وليس البيانات

لإثبات أن هذا هو السبب الحقيقي، فعل الباحث شيئًا ذكيًا. أخذ نفس الـ 29,428 مقطعًا من مجموعة البيانات الضخمة التي فشلت. لم يغير الصوت على الإطلاق. لم يضف مقاطع جديدة. لقد قام فقط بتغيير الأوصاف.

بدلاً من كتابة "رجل يصرخ في الحديقة"، أعاد كتابة كل وصف ليكون عامًا، مثل "كلام بنبرة غاضبة". فجأة، أصبح لكل مقطع صوت غاضب نفس الوصف تمامًا. لم يعد بإمكان الذكاء الاصطناعي استخدام "الحديقة" أو "القطار" للتمييز بينهم. الطريقة الوحيدة للفوز كانت الاستماع إلى الصوت.

النتيجة: قفزت مهارات العاطفة لدى الذكاء الاصطناعي بمقدار 8.9 نقطة فورًا. من خلال جعل الأوصاف أقل تنوعًا وإجبار الذكاء الاصطناعي على الاعتماد على الصوت، تمكنوا من إطلاق القدرة على فهم العاطفة.

الخلاصة

تعلمنا هذه الورقة درسًا مفاجئًا عن الذكاء الاصطناعي: الأمر لا يتعلق بكمية البيانات التي تملكها؛ بل بكيفية ترتيبها.

إذا كنت تريد من الذكاء الاصطناعي تعلم مهارة معينة، فلا يمكنك فقط إلقاء ملايين الأمثلة عليه. يجب عليك تصميم اللعبة بحيث لا يستطيع الذكاء الاصطناعي الفوز إلا إذا تعلم تلك المهارة المحددة. إذا وجد الذكاء الاصطناعي طريقًا مختصرًا سهلاً (مثل قراءة وصف المشهد بدلاً من الاستماع إلى الصوت)، فسوف يسلكه، ولن يتعلم أبدًا ما كنت تريده منه حقًا.

أظهر الباحث أنه من خلال التحكم بعناً في هيكل البيانات — والتأكد من أن الإجابات "السهلة" غير متاحة — يمكنك إجبار الذكاء الاصطناعي على تعلم الأشياء الصعبة والمهمة. إنه تذكير بأنه في عالم الذكاء الاصطناعي، أحيانًا يكون "الأقل هو الأكثر"، والطريقة التي تطرح بها السؤال لا تقل أهمية عن الإجابة نفسها.