BayesPrompt: human readable prompts that make sense

في ظل المشهد المتطور بسرعة للذكاء الاصطناعي، ظهرت ظاهرة غريبة حيث تتعلم الحواسيب التحدث بلغة لا يستطيع البشر فهمها. لقد أظهرت النماذج اللغوية الكبيرة، وهي المحركات القوية وراء روبوتات الدردشة ومساعدي الكتابة المعاصرين، قدرة رائعة تسمى "التعلم في السياق". وهذا يعني أنها تستطيع حل مهام جديدة، من ترجمة اللغات إلى حل المسائل الرياضية، ببساطة عن طريق قراءة بضعة أمثلة مقدمة في مربع نص، دون الحاجة إلى إعادة تدريبها أو تغيير إعداداتها الداخلية. ويكمن المفتاح لفتح هذه القدرة في "المطالبة" (prompt)، وهي مجموعة التعليمات أو الأمثلة المحددة التي يتم تغذيتها للآلة. لفترة طويلة، افترض الباحثون أن أفضل طريقة للحصول على إجابة مثالية هي صياغة مطالبة تبدو طبيعية وصحيحة نحوياً، تماماً كما يكتبها البشر. ومع ذلك، فإن اكتشافاً مفاجئاً قلب هذا الافتراض رأساً على عقب: فالمطالبات الأكثر فعالية لهذه الآلات غالباً ما تكون عبارة عن سلاسل قصيرة وغير منطقية من الكلمات التي تبدو كأنها هراء بالنسبة للقارئ البشري. يمكن لهذه "المطالبات الزائفة" (pseudoprompts) أن تكون أكثر كفاءة بكثير في توجيه النموذج إلى الإجابة الصحيحة من أي جملة يمكن للإنسان صياغتها، مما يخلق فجوة غريبة بين ما ينجح مع الآلة وما يبدو منطقياً للبشر.

يمثل هذا الانفصال تحدياً كبيراً لأي شخص يحاول استخدام هذه الأدوات بشكل موثوق. فإذا كانت أفضل طريقة للتحدث مع الكمبيوتر هي من خلال شفرة من الرموز العشوائية، يصبح من الصعب الوثوق بها، أو تصحيح أخطائها، أو فهم سبب تصرف الآلة بطريقة معينة. وقد اقترح باحثون من المدرسة الدولية للدراسات المتقدمة في إيطاليا ومعهد "فلات آيرون" في نيويورك طريقة جديدة لسد هذه الفجوة. ويجادلون بأن السبب في حصولنا على هذه المطالبات غير المفهومة هو أن المشكلة الرياضية المستخدمة لإيجادها غير مكتملة. ومن خلال التعامل مع البحث عن المطالبة ليس فقط كلعبة للبحث عن أعلى درجة، بل كعملية استدلال احتمالي، فقد طوروا طريقة تنتج مطالبات فعالة للغاية ومقروءة تماماً في آن واحد. ويشير عملهم إلى أن سر التحدث إلى هذه الآلات ليس في التخلي عن اللغة البشرية، بل في استخدام نوع مختلف من التفكير الإحصائي لإيجاد الكلمات المناسبة.

بدأ الباحثون بفحص سبب فشل الطرق الحالية في إنتاج مطالبات مقروءة. فالتقنيات الحالية تعمل غالباً مثل متسلق يحاول العثور على أدنى نقطة في وادٍ شاسع وضبابي من خلال النظر فقط إلى الأرض تحت قدميه مباشرة. فهي تبحث عن تسلسل من الكلمات يقلل من حيرة النموذج، أو "الارتباك" (perplexity)، بشأن الإجابة. وبينما يعمل هذا جيداً للعثور على حل، إلا أنه يتجاهل حقيقة أن اللغة البشرية تتبع قواعد وأنماطاً محددة. وبدون دليل لإبقاء عملية البحث ضمن نطاق الكلام الطبيعي، تنحرف الخوارزمية إلى مناطق غريبة، حيث تجمع رموزاً تحبها الآلة ولكن لا يستطيع البشر فك تشفيرها. وقد أدرك المؤلفون أنه لإصلاح ذلك، كانوا بحاجة إلى إضافة "أولوية" (prior)، وهي تفضيل إحصائي للجمل التي تبدو كالإنجليزية الطبيعية، في عملية البحث. وهذا يضمن أن الخوارزمية لا تجد أي حل فحسب، بل تجد حلاً يحترم بنية اللغة البشرية.

ولحل هذه المشكلة، أعاد الفريق صياغة المشكلة بأكملها باستخدام إطار عمل يُعرف باسم "الاستدلال البايزي" (Bayesian inference). فبدلاً من مجرد البحث عن المطالبة الأفضل، تعاملوا مع المهمة كعملية أخذ عينات من مشهد واسع من الاحتمالات. تخيل محاولة العثور على أفضل مسار عبر مدينة معقدة؛ بدلاً من مجرد اختيار أقصر مسار على الخريطة والأمل في نجاحه، أنت تستكشف العديد من المسارات المختلفة، وتزن احتمالية كون كل مسار صحيحاً مقابل مدى طبيعية المسار. استخدم الباحثون تقنية أخذ عينات متطورة تسمى "ماركوف تشين مونت كارلو" (Markov Chain Monte Carlo) لاستكشاف فضاء الأسئلة المحتملة. تسمح هذه الطريقة للكمبيوتر بإجراء تغييرات صغيرة وعشوائية على الجملة — مثل استبدال كلمة، أو إضافة عبارة، أو إزالة رمز — ثم تقرير ما إذا كان سيحتفظ بهذا التغيير بناءً على عاملين: مدى جودة الجملة الجديدة في الوصول إلى الإجابة الصحيحة، ومدى سلاسة وطبيعية الجملة.

كان جزء حاسم من نجاحهم هو كيفية بدء البحث. فبدلاً من البدء بمجموعة عشوائية من الكلمات، والتي ستستغرق وقتاً طويلاً لتتحول إلى جملة متماسكة، استخدموا "نموذج لغة عكسي". وهذا نسخة خاصة من برنامج الكمبيوتر مدربة على قراءة الجمل بشكل عكسي. ومن خلال تغذية النموذج بالإجابة وطلب توليد السؤال بشكل عكسي، تمكنوا من إنشاء نقطة بداية عالية الجودة كانت سليمة نحوياً بالفعل. هذه "البداية الدافئة" (warm start) أعطت عملية أخذ العينات دفعة قوية، مما ضمن أن الكمبيوتر يعمل بالفعل مع جملة منطقية قبل أن يبدأ عملية التحسين التفصيلية. واختبر الباحثون هذا النهج على مجموعة بيانات كبيرة من الأسئلة والأجوبة مفتوحة المجال، مقارنين طريقتهم بالتقنيات القياسية التي تنتج تلك المطالبات الزائفة غير المنطقية.

أظهرت النتائج ميزة واضحة ومتميزة لمنهجهم الجديد. فبينما أنتجت تقنيات التحسين التقليدية مطالبات كانت إما واثقة جداً من الإجابة ولكنها غير مقروءة تماماً، أو سلسة ولكنها غير فعالة، حقق نهج أخذ العينات الجديد توازناً حقيقياً. كانت المطالبات التي ولدتها خوارزمية الباحثين فعالة تقريباً مثل أفضل المطالبات التي تولدها الآلة في الحصول على الإجابة الصحيحة، ومع ذلك ظلت مفهومة تماماً للبشر. وعندما قيم الباحثون جودة الأسئلة، تفوقت طريقتهم باستمرار على الطرق الأخرى من حيث القواعد والمنطق. فغالباً ما أنتجت الطرق التقليدية سلاسل من النصوص التي بدت كمزيج من لغات مختلفة ورموز تنسيق، بينما أنتجت الطريقة الجديدة جملًا حافظت على بنية ومنطق الأسئلة البشرية الأصلية.

كما سلطت الدراسة الضوء على أن اختيار كيفية بدء البحث أمر بالغ الأهمية. فعندما طبق الباحثون تقنية "البداية الدافئة" الجديدة على الطرق القديمة القياسية، تحسنت تلك الطرق من حيث السلاسة، لكنها لم تنجح في مضاهاة التوازن الذي حققه نهج أخذ العينات الجديد. كانت الطرق القديمة تميل إما إلى الإفراط في التحسين من أجل الإجابة، مضحيةً بقابلية القراءة، أو الفشل في العثور على الإجابة على الإطلاق. وفي المقابل، وجد النهج الجديد باستمرار مطالبات تقع في المنطقة المثالية بين كونها سؤالاً جيداً للبشر وتعليماً مثالياً للآلة. وهذا يشير إلى أن المشكلة لم تكن مجرد نقص في قوة الحوسبة أو خوارزميات أفضل، بل كانت سوء فهم جوهري لكيفية صياغة البحث عن المطالبات.

من خلال إثبات أن المطالبات الفعالة لا يجب أن تكون غير مفهومة، يفتح هذا العمل مساراً نحو ذكاء اصطناعي أكثر شفافية وموثوقية. فهو يوضح أن اللغة الغريبة والفضائية لأكثر المطالبات كفاءة ليست سمة ضرورية لهذه النماذج، بل هي أثر جانبي لكيفية طلبنا منها التعلم. يثبت نهج الباحثين أنه من الممكن تصميم تعليمات تكون مثالية إحصائياً للآلة وواضحة تماماً للبشر في آن واحد. وهذا يفتح الباب لمستقبل يمكننا فيه التفاعل مع هذه الأدوات القوية باستخدام اللغة الطبيعية، واثقين من أن التعليمات التي نقدمها مفهومة للآلة ومفهومة لنا أيضاً. لا يدعي هذا العمل أنه حل كل مشكلة في الذكاء الاصطناعي، ولكنه يقدم طريقة ملموسة ومختبرة لجعل التفاعل بين الإنسان والآلة أكثر تماسكاً وموثوقية.