Intern-S2-Preview: Scientific Agentic Foundation Model
تقدم الورقة البحثية Intern-S2-Preview، وهي سلسلة من النماذج التأسيسية الوكيلية العلمية التي تم تدريبها من خلال مسار تدريب مسبق متعدد الوسائط متخصص ومسار تدريب لاحق موحد يتميز بالتعلم التعزيزي المتقدم والبنى المعززة بالذاكرة لتحقيق أداء رائد في الاستدلال العلمي، والتفاعل مع الأدوات، والمهام طويلة الأمد.
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 كيف يكون عالماً. في الماضي، كنا نعطي الروبوتات مكتبات ضخمة من النصوص ونطلب منها الإجابة على الأسئلة مثل متسابق في برنامج مسابقات. لكن العلم الحقيقي ليس مسابقة معلومات عامة؛ بل هو مغامرة طويلة وفوضوية. إنه يتضمن النظر إلى صور غريبة للخلايا، وقراءة رسوم بيانية تتذبذب مثل نبضات القلب، واستخدام أدوات حاسوبية لإجراء التجارب، والتفكير في مشكلة ما لساعات دون أن تضل الطريق. يتحدث هذا البحث عن بناء نوع جديد من "الأدمغة الفائقة" للروبوتات، لا يكتفي فقط بحفظ الحقائق، بل يقوم فعلياً بـ "فعل" العلم. لقد صُمم ليفهم الصور المعقدة، ويتنبأ بالأرقام المستقبلية، ويعمل كالمحقق الذي يمكنه استخدام الأدوات لحل الألغاز على مدى فترة زمنية طويلة. الفكرة الكبيرة هي أنه لكي يكون الذكاء الاصطناعي مساعداً علمياً حقيقياً، يجب أن يكون قادراً على الموازنة بين أنواع مختلفة من المعلومات (مثل النصوص والصور والأرقام) والاستمرار في العمل بثبات على مشكلة صعبة دون استسلام أو ارتباك.
يقدم الفريق وراء هذا المشروع، من مختبر شنغهاي للذكاء الاصطناعي، عائلة جديدة من نماذج الذكاء الاصطناعي تسمى Intern-S2-Preview. فكر في هذا النموذج كعالم "عام" ضخم يمتلك 397 مليار معلمة (parameter)، وقد قرأ كل ورقة بحثية علمية كُتبت تقرياً. ولكن بد way من مجرد الجلوس هناك ومعرفة الأشياء، فقد بُني هذا النموذج لكي "يعمل". يمكنه النظر إلى مخطط علمي، وفهم القصة وراءه، ثم استخدام أدوات حاسوبية لتشغيل عمليات محاكاة أو كتابة كود برمجي لاختبار فرضية ما.
إليك كيف بنوا هذا العالم الخارق:
أولاً، قاموا بتعليم النموذج عبر إطلاعه على ملايين الوثائق العلمية، ولكن ليس النصوص فقط. لقد أروه الصفحات الفعلية، بكل ما فيها من صور وجداول ومعادلات بتنسيقها الأصلي. الأمر يشبه تعليم طالب عبر تسليمه الكتاب المدرسي كاملاً، بما في في ذلك الرسوم التوضيحية، بدلاً من مجرد قراءة النص بصوت عالٍ. هذا يساعد النموذج على فهم كيفية تقديم العلماء لأفكارهم.
بعد ذلك، منحوا النموذج مهارة "السفر عبر الزمن" الخاصة به. معظم نماذج الذكاء الاصطناعي سيئة في التنبؤ بما سيحدث بعد ذلك في تسلسل من الأرقام (مثل أنماط الطقس أو أسعار الأسهم). حصل Intern-S2-Preview على ترقية مخصصة للتعامل مع بيانات "السلاسل الزمنية" هذه. أصبح بإمكانه الآن النظر إلى خط طويل من الأرقام والتنبؤ بدقة بما سيحدث لاحقاً، وهو أمر بالغ الأهمية لأشياء مثل التنبؤ بتغير المناخ أو تحليل إشارات الدماغ.
واحدة من أروع الحيل التي استخدموها تسمى مفكك الذاكرة (Memory Decoder). تخيل أن الدماغ الرئيسي ذو الـ 397 مليار معلمة هو عالم عام عبقري يعرف القليل عن كل شيء. ولكن ماذا لو كنت بحاجة إلى خبير في مجال واحد صغير جداً، مثل علم الأحياء؟ بدلاً من إعادة تدريب هذا الدماغ العملاق بالكامل (والذي سيكون بطيئاً وقد يجعله ينسى أشياء أخرى)، قاموا بإرفاق "دفتر ملاحظات" متخصص وصغير يسمى "مفكك الذاكرة". هذا الدفتر يحمل معرفة محددة بعلم الأحياء. عندما يحتاج الذكاء الاصطناعي للإجابة على سؤال في علم الأحياء، فإنه يستشير هذا الدفتر. والنتيجة؟ ارتفعت درجات النموذج في علم الأحياء من 56.92 إلى 60.32، بينما ظلت معرفته العامة ثابتة تماماً. إنه يشبه امتلاك صديق عبقري يمكنه استدعاء دليل متخصص فوراً عندما تسأله سؤالاً محدداً، دون الحاجة للذهاب إلى المدرسة للحصول على درجة علمية جديدة.
كما علم الفريق النموذج كيف يكون وكيلًا طويل الأمد (long-horizon agent). وهذا يعني أن الذكاء الاصطناعي يمكنه التخطيط لمهمة متعددة الخطوات. بدلاً من مجرد الإجابة على "ما هي عاصمة فرنسا؟"، يمكن أن يُطلب منه "تصميم دواء جديد". قد يقوم بعد ذلك بـ: 1) البحث عن الأبحاث الموجودة، 2) كتابة كود لمحاكاة سلوك الدواء، 3) تشغيل المحاكاة، 4) إدراك أنها فشلت، 5) تعديل الكود، 6) والمحاولة مرة أخرى. يظهر البحث أنه باستخدام طريقة تدريب خاصة تسمى "التعلم التعزيزي" (reinforcement learning)، تعلم النموذج كيفية التعامل مع هذه سير العمل الطويلة والمعقدة دون أن يعلق أو يرتكب أخطاء سخيفة.
وعندما اختبروا Intern-S2-Preview-397B، حقق أداءً مذهلاً. في الاختبارات التي تقيس مدى فهمه لعلم الأحياء والكيمياء والفيزياء، تفوق على العديد من النماذج الرائدة الأخرى. كان بارعاً بشكل خاص في قراءة المخططات العلمية والتنبؤ ببيانات السلاسل الزمنية، متفوقاً في كثير من الأحيان على النماذج الأكبر حجماً أو تلك المتخصصة فقط في تلك المهام. على سبيل المثال، في اختبار يسمى Biology-Instructions، سجل 56.92، ومع إرفاق "مفكك الذاكرة"، تحسن إلى 60.32. وفي اختبارات الاستدلال العام مثل MMLU-Pro، سجل 89.75، وهو أفضل نتيجة بين النماذج مفتوحة المصدر.
ومع ذلك، فإن المؤلفين حذرون في تسمية هذا بـ "نسخة عرض أولية" (Preview). إنه أداة قوية وجديدة، لكنه ليس مثالياً بعد. فقد أشاروا إلى أنه بينما يبرع النموذج في ربط الاستدال بالعمل، لا يزال هناك عمل يتعين القيام به لجعله أكثر موثوقية في سير العمل العلمي الطويل والمعقد للغاية. كما أكدوا أن هذا النموذج هو حجر أساس — نقطة انطلاق يمكن تكييفها مع "دفاتر ذاكرة" مختلفة لمجالات علمية متنوعة دون الحاجة لإعادة بناء الدماغ بالكامل.
باختاً، يقدم هذا البحث نوعاً جديداً من الذكاء الاصطناعي المستعد للانتقال لما هو أبعد من مجرد الإجابة على الأسئلة والبدء في القيام بالعمل الفعلي للاكتشاف العلمي، بدءاً من قراءة الرسوم البيانية المعقدة وصولاً إلى تشغيل تجارب طويلة، كل ذلك مع الحفاظ على معرفته العامة سليمة ومهاراته المتخصصة حادة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.