تخيل أنك تعلم روبوتًا عبقريًا ولكنه متعدد اللغات كيفية حل لغز رياضي معقد. أنت تتحدث الإنجليزية، لكن الروبوت يحتاج إلى تعلم التفكير باللغة السواحيلية أو الفرنسية أو اليابانية. التحدي الكبير لا يكمن فقط في ترجمة الكلمات؛ بل في ترجمة "التفكير". إذا أخطأ الروبوت في شرح الخطوات بلغة أخرى رغم صحة حله الرياضي بالإنجليزية، فذلك يشبه طالبًا يعرف الإجابة لكنه لا يستطيع كتابة المقال. هذا هو عالم "الاستدلال متعدد اللغات"، حيث يحاول العلماء مساعدة نماذج اللغات الكبيرة (LLMs) على استخدام مهاراتها المنطقية الذكية في لغات لا تتقنها بقدر الإنجليزية.

للقيام بذلك، غالبًا ما يستخدم الباحثون حيلة تسمى "التقطير الذاتي" (self-distillation). فكر في الأمر كأن الروبوت يتدرب بمفرده: يحاول حل مشكلة، ثم يأتي نسخة "معلم" منه (التي تمتلك ورقة مرجعية سرية بالإنجليزية) لتراجع العمل وتقول له: "عمل جيد!" أو "حاول مرة أخرى!". يتعلم الروبوت من هذه التصحيحات. ومع ذلك، فإن مشكلة شائعة في هذه الطريقة هي أن المعلم قد يكون شديد التدقيق في كل كلمة يكتبها الروبوت. قد ينزعج إذا استخدم الروبوت طريقة مختلفة قليلاً لقول "بناءً عليه" أو "يساوي"، حتى لو كان المنطق الرياضي مثاليًا. هذا قد يربك الروبوت، مما يجعله يركز على أن يبدو فصيحًا بدلاً من التركيز على التفكير بشكل صحيح.

تقدم هذه الورقة البحثية طريقة أذكى لتعليم الروبوت، تسمى RP-OPSD. يقترح المؤلفون، شينيه وانغ، وجونشياو ليو، وشوجيان هوانغ من جامعة نانجينغ، أنه لا ينبغي لنا معاملة كل كلمة في سلسلة الاستدلال بنفس الطريقة. بدلاً من ذلك، يجب تحديد "المحاور" (pivots) – وهي اللحظات الحاسمة التي يتخذ فيها الروبوت قرارًا كبيرًا، مثل اختيار الضرب بدلاً من الجمع، أو إدراك أن متغيرًا ما يحتاج إلى تغيير. هذه هي لحظات الـ "آها!" (لحظات الإدراك) في الاستدلال. أما بقية الكلمات، فهي مجرد تفاصيل "سطحية"، مثل القواعد أو الطريقة المحددة لقول "تم تقطيع الكعكة".

وجد الباحثون أنه من خلال استخدام "بوابة" خاصة لتقرير أي الكلمات تحتاج إلى انتباه المعلم الصارم وأي الكلمات يجب تركها لتدفق اللغة الطبيعي للروبوت، يتعلم الروبوت بشكل أسرع بكثير. لقد اختبروا ذلك على 17 لغة مختلفة، بما في ذلك العديد من اللغات الأفريقية التي تحصل عادةً على اهتمام أقل من الذكاء الاصطناعي. أظهرت النتائج أن طريقتهم ساعدت الروبوت على حل المسائل الرياضية بشكل أفضل من الطرق السابقة، خاصة في تلك اللغات الأصعب. الأمر يشبه إعطاء الروبوت قلم تحديد (highlighter): فهو يحدد فقط خطوات المنطق الأكثر أهمية ليراجعها المعلم، بينما يترك للروبوت كتابة بقية القصة بصوته الخاص. هذا يشير إلى أنه لتعليم روبوت التفكير في لغة جديدة، لا تحتاج إلى الإدارة الدقيقة لكل جملة؛ بل تحتاج فقط إلى التأكد من أن خطوات التفكير الحرجة سليمة.

الفكرة الجوهرية: إيجاد "المحاور"

تجادل الورقة بأنه عندما يستدل النموذج في لغة جديدة، فإنه يقوم بشيئين في آن واحد:

1. التحقق السطحي (Surface Realization): كتابة الكلمات باللغة الصحيحة (على سبيل المثال، قول "multiplie" بالفرنسية بدلاً من "multiply").
2. محاور الاستدلال (Reasoning Pivots): اتخاذ القرارات المنطقية الفعلية (على سبيل المثال، تقرير ضرب 4 في 3).

لاحظ المؤلفون أن الطرق السابقة كانت تعامل هذين الأمرين بالتساوي. فقد حاولت إجبار الروبوت على نسخ منطق المعلم الإنجليزي واختيارات كلمات المعلم الإنجليزية بدقة. لكن هذا يشبه معلم الموسيقى الذي يصحح وضعية أصابع الطالب على البيانو وفي نفس الوقت يصرخ بسبب لكنته. إنه ضغط مفرط.

تقترح الورقة أن المتغيرات السطحية (طرق مختلفة لقول الشيء نفسه) مقبولة، ولكن انحراف المحور (تغيير المنطق) أمر خطير. إذا قرر الروبوت الجمع بدلاً من الضرب، فإن الإجابة بأكملها ستكون خاطئة، بغض النظر عن مدى فصاحة لغته الفرنسية.

كيف يعمل RP-OPSD: "البوابة"

لإصلاح ذلك، ابتكر المؤلفون نظامًا يسمى RP-OPSD (التقطير الذاتي الموجه بمحور الاستدلال - Reasoning-Pivot-Guided On-Policy Self-Distillation). إليك تشبيه لكيفية عمله:

تخيل أن الروبوت يكتب قصة حول حل مسألة رياضية.

• رؤية المعلم 1 (الورقة المرجعية): يرى المعلم المسألة، والحل الإنجليزي، وجملة الروبوت الحالية.
• رؤية المعلم 2 (بدون ورقة مرجعية): يرى المعلم المسألة وجملة الروبوت، ولكن بدون الحل الإنجليزي.

يقارن النظام بين هاتين الرؤيتين.

• إذا غير المعلم رأيه بشأن الكلمة التالية فقط بسبب امتلاكه للحل الإنجليسي، فهذه الكلمة هي محور (Pivot). هذا يعني أن المنطق الإنجليزي حاسم هنا. تفتح "البوابة" على مصراعيها، ويتلقى الروبوت درسًا قويًا: "انسخ المنطق هنا!"
• إذا قال المعلم الشيء نفسه سواء كان لديه الحل الإنجليزي أم لا، فهذه الكلمة هي مجرد سطح (Surface). من المحتمل أنها مجرد قواعد أو عبارة شائعة. تظل "البوابة" مغلقة، ويُسمح للروبوت بالكتابة بشكل طبيعي في لغته المستهدفة دون إجباره على تقليد الأسلوب الإنجليزي.

هذه "البوابة" هي مرشح رياضي يقرر، لكل كلمة ينتجها الروبوت، ما إذا كانت تحتاج إلى جرعة ثقيلة من المنطق الإنجليزي أو مجرد دفعة لطيفة للبقاء في اللغة المستهدفة.

ماذا وجدوا

اختبر الفريق طريقتهم على 17 لغة، تراوحت بين اللغات عالية الموارد مثل الفرنسية والإسبانية، واللغات الأفريقية منخفضة الموارد مثل السواحيلية واليوروبا. استخدموا معيارين رئيسيين للرياضيات: AfriMGSM (للغات الأفريقية) و PolyMath (اختبار رياضيات أكثر صعوبة وتعددًا في المستويات).

كانت النتائج واضحة:

• درجات أفضل: تفوق RP-OPSD على جميع الطرق الأخرى التي قارنوها بها، بما في ذلك "التقطير الذاتي" القياسي وتقنيات الاستدلال المتقدمة الأخرى. على سبيل المثال، في نموذج Qwen3-1.7B، حسن متوسط الدرجات في اللغات الأفريقية من حوالي 16.7% إلى 19.07%، وفي اختبار PolyMath الأصعب، وصل إلى دقة 17.97%.
• تعلم أذكى: أظهر التحليل أن "البوابة" حددت اللحظات المهمة بشكل صحيح. فقد ركزت على كلمات مثل "بناءً عليه"، "لذا"، "لكن"، وعمليات رياضية محددة (مثل "الجذر التربيعي" أو "شبه المنحرف"). وتجاهلت الأشياء المملة مثل أسماء المتغيرات ($x$, $y$) أو الروابط الشائعة.
• لا "تسرب لغوي": هناك خوف كبير في هذا المجال وهو أن يبدأ الروبوت بالتفكير بالإنجليزية وترجمة الإجابة النهائية فقط. تظهر الورقة أن RP-OPSD يجعل الروبوت في الواقع يفكر في لغته المستهدفة. لقد حسن قدرة الروبوت على الاستدلال في اللغة المستهدفة دون جعله يبدو أكثر شبهاً بالإنجليزية. في الواقع، ارتفع "الاتساق اللغوي" للروبوت (مدى التزامه باللغة المستهدفة) بالتزامن مع ارتفاع درجاته في الرياضيات.

ما استبعدوه

تجادل الورقة صراحة ضد بعض الأفكار الشائعة:

• الوزن الموحد (Uniform Weighting): أظهروا أن معاملة كل كلمة بنفس الطريقة (إعطاء كل كلمة نفس الأهمية) هو خطأ، لأنه يضعف إشارات المنطق المهمة بضجيج زائد من الكلمات السطحية.
• مجرد "الاختلاف" (Disagreement): وجدوا أن مجرد النظر إلى أين يختلف المعلم والطالب ليس كافيًا. فأحيانًا يختلفون بسبب خطأ مطبعي أو خيار قواعدي، وليس بسبب خطأ منطقي. طريقة "المحور" (Pivot) أفضل لأنها تبحث تحديدًا عن الأماكن التي يغير فيها الحل الإنجليزي النتيجة.
• آثار الترجمة (Translation Artifacts): يجادلون بأن مجرد ترجمة الاستدلال الإنجليزي إلى لغة أخرى (الضبط الدقيق الخاضع للإشراف - Supervised Fine-Tuning) ليس كافيًا لأن الترجمة قد لا تتوافق مع كيفية تفكير الروبوت بشكل طبيعي في تلك اللغة.

الخلاصة

تشير الورقة إلى أنه لتعليم روبوت الاستدلال في لغة جديدة، لا تحتاج إلى إجباره على التحدث مثل المتحدث بالإنجليزية. تحتاج فقط إلى التأكد من أنه يفهم المنطق الخاص بالحل الإنجليزي في اللحظات الدقيقة التي يهم فيها المنطق. من خلال استخدام "بوابة" للفصل بين كلمات "التفكير" وكلمات "الكلام"، يتعلم الروبوت التفكير بعمق في لغته الجديدة دون فقدان صوته الطبيعي.

إن المؤلفين واثقون من هذه النتائج بناءً على تجاربهم عبر 17 لغة وأحجام مختلفة من النماذج. ويقترحون أن هذا النهج يمكن أن يكون خطوة رئيسية نحو جعل الذكاء الاصطناعي متعدد اللغات حقًا، وقادرًا على حل المشكلات المعقدة في أي لغة، وليس فقط اللغات التي تمتلك أكبر قدر من البيانات.