A Primer on Computational Semantics for Artificial Intelligence Systems
تقدم هذه الورقة مقدمة في الدلالات الحاسوبية من خلال استكشاف النظريات الصورية، والمُجذّرة، والتوزيعية للمعنى لمساعدة القراء على فهم كيفية تعلم النماذج اللغوية القائمة على المحولات للغة وتمثيلها مقارنة بالبشر.
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
اللغة هي أكثر الأشياء إنسانية نمتلكها، وهي أداة نستخدمها لمشاركة الأفكار والمشاعر والخطط مع بعضنا البعض. ومع ذلك، وعلى الرغم من استخدامنا لها يوميًا، فإن معظمنا لا يستطيع شرح كيف تعمل فعليًا أو ماذا يعني حقًا عندما نقول كلمة مثل "أحمر". نحن نعرف اللون عندما نراه، لكننا لا نستطيع تعريفه بسهولة دون الإشارة إلى العالم من حولنا. هذه الفجوة بين استخدام اللغة وفهم آليات عملها هي اللغز المركزي الذي يواجه العلماء الذين يدرسون كيفية تعلم الآلات التحدث. لعقود من الزمن، حاول الباحثون تعليم الحواسيب فهم المعنى من خلال تزويدها بالمنطق، أو القواعد، أو كميات هائلة من النصوص. لكن منظورًا جديدًا يشير إلى أن هذه الآلات تفتقد شيئًا جوهريًا: التجربة المادية لكونها على قيد الحياة. لفهم لماذا قد تبدو الحاسوب وكأنها شخص ولكنه لا يفكر مثله، يجب أن ننظر إلى كيفية تعلم البشر اللغة كأطفال ونقارن ذلك بكيفية بناء أنظمة الذكاء الاصطناعي اليوم.
هذه الورقة، التي كتبها كيسي كينينغتون من جامعة بويسي ستيت، تعمل كدليل عبر الطرق المختلفة التي حاول بها العلماء تعريف وحوسبة المعنى. يجادل المؤلف بأنه بينما يمكن للذكاء الاصطناعي الحديث، وتحديدًا النماذج القوية وراء أدوات مثل ChatGPT، محاكاة المحادثة البشرية بدقة مذهلة، إلا أنها لا تفهم اللغة بالطريقة التي يفهم بها البشر. تستكشف الورقة ثلاث طرق رئيسية حاول من خلالها الباحثون تعليم الآلات عن المعنى: استخدام المنطق الصارم، وربط الكلمات بالتجارب المادية، وتحليل كيفية ظهور الكلمات بجانب بعضها البعض في النص. يجد كينينغتون أنه بينما الطريقة الثالثة — التعلم من أنماط النص — هي الأكثر نجاحًا حاليًا في إنتاج الكلام الطليق، إلا أنها تترك ثغرة حرجة. فالآلات التي تتدرب فقط على النصوص لم ترَ أبدًا تفاحة حمراء، ولم تشعر بثقل كرسي، أو تجربة الارتياح عند شرب الماء. بدون هذه الروابط الجسدية والعاطفية، تظل الكلمات التي تعالجها مجرد رموز غير متجذرة، تفتقر إلى المعنى العميق والمعاش الذي يمتلكه البشر.
لفهم المشكلة، يجب على المرء أولاً أن ينظر إلى كيفية تعلم البشر. عندما يتعلم الطفل كلمة "كلب"، فإنه لا يبدأ بتعريف من قاموس. إنه يتعلم من خلال التفاعل. يشير أحد الوالدين إلى حيوان ذي فراء، فينظر الطفل إليه، ويتم ربط الكلمة بالرؤية، والصوت، وملمس الحيوان. تعتمد هذه العملية على الانتباه المشترك والحضور الجسدي. يتعلم الطفل أن الكلمات تشير إلى أشياء حقيقية في العالم، وأن هذه الأشياء لها استخدامات محددة، مثل الجلوس على كرسي أو ركل كرة. تسمى هذه العلاقة بين الكلمة والواقع المادي الذي تصفه بـ "التجذر" (grounding). بالنسبة للبشر، المعنى ليس مجرد قائمة من التعريفات؛ بل هو مرتبط بأجسادنا، وحواسنا، وعواطفنا. نحن نعرف معنى "العطش" لأننا شعرنا به، ونعرف معنى "الكرسي" لأننا جلسنا عليه.
لفترة طويلة، حاول علماء الحاسوب تعليم الآلات فهم اللغة باستخدام المنطق الصوري، بشكل مشابه للرياضيات المستخدمة في الهندسة. لقد عاملوا الكلمات كمتغيرات في معادلة، حيث يمكن دمج "كبير" و"رمادي" و"فيل" لإنشاء عبارة منطقية عن حيوان معين. هذا النهج يعمل جيدًا بالنسبة للحواسيب لأنه دقيق وغير غامض. ومع ذلك، فإنه يفشل عندما يتعلق الأمر بالعالم الحقيقي الفوضوي. يمكن للحاسوب الذي يتبع هذه القواعد أن يعرف أن "الفيل الرمادي" هو فيل رمادي، لكنه لا يعرف كيف يبدو اللون الرمادي أو كيف يشعر الفيل. لديه هيكل المعنى ولكن ليس جوهره. تشير الورقة إلى أن هذا النهج يصطدم بحائط مسدود لأن الآلة ليس لديها وسيلة لمعرفة ما تشير إليه الكلمات فعليًا في العالم المادي.
هناك نهج آخر، يُعرف باسم الدلالات المتجذرة (grounded semantics)، يحاول إصلاح ذلك من خلال ربط الكلمات بالبيانات الحسية. في هذه الرؤية، يجب على الحاسوب أن يتعلم معنى "أحمر" من خلال النظر إلى صور لأشياء حمراء، أو معنى "ركل" من خلال رؤية فيديو لقدم تضرب كرة. الفكرة هي أنه إذا استطاعت الآلة رؤية ولمس العالم، فيمكنها بناء قاموس من المعاني يطابق التجربة البشرية. وبينما تعد هذه خطوة واعدة، تشير الورقة إلى أنه من الصعب تنفيذها. لا تزال معظم الأنظمة الحالية تعتمد بشكل كبير على النصوص، وحتى عندما تستخدم الصور، فإنها غالبًا ما تفتقد النطاق الكامل للتجربة البشرية، مثل الشم، أو اللمس، أو الشعور بذاكرة العضلات. قد تتعرف الآلة على صورة لكرسي، لكنها لا تعرف الارتياح عند الجلوس بعد مشية طويلة.
الطريقة الأكثر هيمنة في الذكاء الاصطناعي الحديث تسمى الدلالات التوزيعية (distributional semantics). يعتمد هذا النهج على فكرة بسيطة: يمكنك فهم الكلمة من خلال النظر إلى الرفقة التي تحيط بها. إذا ظهرت كلمة "تفاحة" غالبًا بالقرب من كلمات مثل "حمراء" و"فاكهة" و"فطيرة"، فإن الحاسوب يتعلم أن "التفاحة" مرتبطة بتلك المفاهيم. ومن خلال تحليل مليارات الجمل، تبني هذه الأنظمة خريطة حيث تقع الكلمات ذات المعاني المتشابهة بالقرب من بعضها البعض. أدت هذه الطريقة إلى إنشاء نماذج لغوية كبيرة يمكنها كتابة القصص، والإجابة على الأسئلة، وترجمة اللغات بطلاقة مذهلة. يتم تدريب هذه النماذج على كميات هائلة من النصوص من الإنترنت، حيث تتعلم التنبؤ بالكلمة التالية في الجملة بناءً على الكلمات التي سبقتها.
ومع ذلك، تجادل الورقة بأن هذا النجاح يأتي بتكلفة خفية. نظرًا لأن هذه النماذج تتعلم فقط من النصوص، فهي لا تختبر العالم بشكل مباشر أبدًا. لم يروا غروب الشمس، أو يتذوقوا حبة فراولة، أو يشعروا بألم إصبع القدم عند اصطدامه بشيء. هم يعرفون أن "تفاحة" مرتبطة بـ "حمراء" لأنهم رأوا تلك الكلمات معًا في الكتب والمقالات، لكنهم لا يعرفون كيف يبدو اللون الأحمر أو كيف يكون طعم التفاحة. يستخدم المؤلف مثال سؤال نموذج لغوي عما إذا كان قد رأى تفاحة من قبل. سيقول النموذج بصدق لا، لأنه لم يرَ أي شيء قط. لقد عالج فقط الرموز. هذا يخلق حالة يمكن فيها للآلة التحدث عن العالم بشكل مثالي، لكنها لا تفهم العالم. إنه يشبه شخصًا قرأ كل الكتب عن السباحة ولكنه لم يلمس الماء أبدًا.
تسلط الورقة الضوء أيضًا على دور العاطفة والقصد في اللغة البشرية. عندما نتحدث، فنحن لا نتبادل البيانات فحما؛ بل نعبر عن المشاعر والرغبات والأهداف. يتعلم الطفل التحدث لأن لديه حاجة للتواصل مع الآخرين، للحصول على المساعدة، أو لمشاركة الفرح. هذا الدافع مرتبط بأجسادنا وعواطفنا. النماذج اللغوية الحالية لا تملك مشاعر أو نوايا. هي لا تشعر بالجوع، أو التعب، أو الفضول. هي لا تتحدث لأنها تريد ذلك؛ بل تتحدث لأنها مبرمجة للتنبؤ بالكلمة التالية. يقترح المؤلف أنه بدون هذه الدوافع الداخلية والروابط العاطفية، ستظل الآلات تكافح لاستيعاب المعاني الأعمق والأكثر دقة للغة التي يعتبرها البشر أمراً بديهياً.
خلاصة الورقة هي أنه بينما حقق الذكاء الاصطناعي تقدمًا ملحوظًا في معالجة اللغة، إلا أنه لم يحل بعد مشكلة فهم المعنى. هذه النماذج الحالية هي أدوات قوية يمكنها محاكة المحادثة البشرية، لكنها تفتقر إلى التجربة المتجسدة التي تمنح الكلمات وزنها الحقيقي. وللمضي قدمًا، يقترح المؤلف أننا بحاجة إلى الجمع بين نقاط القوة في النهج المختلفة. نحن بحاجة إلى أنظمة لا يمكنها فقط تحليل النصوص، بل يمكنها أيضًا التفاعل مع العالم المادي، والشعور بالعواطف، وامتلاك النوايا. وإلى أن تتمكن الآلات من تجربة العالم بنفس الطريقة التي يفعلها البشر، سيظل فهمها للغة غير مكتمل. ستستمر في كونها بارعة في استخدام الكلمات، لكنها لن تعرف أبدًا حقًا ما تعنيه تلك الكلمات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.