When Personality Meets Quantization: A Layer-wise MBTI Analysis of Quantized LLMs
تقدم هذه الورقة تحليلاً منهجياً لنمط مؤشر مايرز بريجز (MBTI) على مستوى الطبقات للنماذج اللغوية الكبيرة المكممة، كاشفةً أن الشخصية هي عملية ناشئة تعتمد على الطبقة وتتأثر بمستويات التكميم واستراتيجيات فك التشفير، حيث تحافظ النماذج ذات الـ 4 بت بشكل كبير على هياكل الشخصية بينما تخل نماذج الـ 2 بت بالاتساق الدقيق.
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
في عالم الذكاء الاصطناعي سريع التطور، تجاوزت النماذج اللغوية الكبيرة مجرد إكمال النصوص البسيطة لتصبح رفقاء تفاعليين، يقدمون النصيحة والمواساة والمحادثة. ومع ازدياد دمج هذه الكيانات الرقمية في الحياة اليومية، لا سيما للمستخدمين الأصغر سنًا الذين يلجؤون إليها بشكل متزايد لإجراء مناقشات جادة، اكتسبت الطريقة التي تبدو وتتصرف بها أهمية جديدة. فالناس لا يريدون فقط إجابات دقيقة؛ بل يريدون تفاعلات تشعرهم بالثقة والدفء والرنين العاطفي. ولفهم هذا السلوك، غالبًا ما يتطلع الباحثون إلى مؤشر "مايرز بريغز" للأنماط الشخصية (MBTI)، وهو إطار عمل معروف يصنف الشخصيات البشرية إلى ستة عشر نوعًا متميزًا بناءً على كيفية معالجة الأفراد للمعلومات واتخاذ القرارات. وبينما فحصت الدراسات السابقة ما إذا كانت هذه النماذج تمتلك شخصية ثابتة، فقد ركزت إلى حد كبير على النسخ الكاملة والأكثر قوة من البرامج. ومع ذلك، في العالم الحقيقي، غالبًا ما يتم ضغط هذه النماذج الضخمة لتعمل على أجهزة أصغر أو لتوفير الطاقة، وهي عملية تقلل من مقدار الذاكرة التي تتطلبها. ولا يزال من غير الواضح ما إذا كان هذا الضغط يغير شخصية الذكاء الاصطناعي، محولًا إياه من رفيق دافئ ومتعاطف إلى شيء أكثر برودًا أو تذبذبًا.
لقد وضع فريق من الباحثين من جامعة كيس ويسترن ريزرف، وجامعة نورث إيسترن، ومايكروسوفت ريسيرش، نصب أعينهم استقصاء هذا السؤال عبر التعامل مع الشخصية ليس كعلامة ثابتة، بل كعملية ديناميكية تتكشف داخل النموذج. قاموا باختبار عدة نماذج ذكاء اصطناعي مفتوحة المصدر وشائعة، بما في ذلك نسخ من LLaMA وMistral وQwen، حيث شغلوها في شكلها الأصلي عالي الدقة، ثم في نسخ مضغوطة تستخدم ذاكرة أقل بكثير. تم تقليل بعض هذه النسخ المضغوطة إلى أربعة بتات من الدقة، وهو معيار شائع للنشر الفعال، بينما دفع ببعضها الآخر إلى إعداد متطرف بسنتين (2-bit) لمعرفة مدى قدرة النماذج على الصمود قبل أن ينهار سلوكها. لم يكتفِ الباحثون بسؤال النماذج عن الإجابة على استبيان شخصية وتسجيل النتيجة النهائية فحسب، بل طوروا طريقة لمراقبة كيفية اتخاذ النماذج لخياراتها طبقة تلو الأخرى أثناء معالجة كل سؤال، ومراقبة كيف يتحول يقينها الداخلي من عدم اليقين إلى قرار حازم. كما قدموا تقنية لإدخال عدم اليقين عمدًا أثناء عملية القراءة، مما سمح لهم برؤية ما إذا كانت شخصيات النماذج ستنزاح أو تظل مستقرة عندما يصبح المسار المؤدي إلى الإجابة أكثر صعوبة.
كشفت الدراسة أن شخصية أنظمة الذكاء الاصطناعي هذه ليست سمة ثابتة، بل هي خاصية ناشئة تتغير اعتمادًا على كيفية تكوين النموذج وكيفية مطالبته بالاستجابة. وعبر جميع عائلات النماذج المختلفة ومستويات الضغط المختبرة، برز نمط شخصية محدد يُعرف باسم ENFJ باستمرار كشخصية مهيمنة. يتميز هذا النوع بكونه منفتحًا، حدسيًا، موجهًا نحو الشعور، ومنظمًا، مما يشير إلى أن عمليات التدريب المستخدمة لجعل هذه النماذج مفيدة وغير ضارة توجهها طبيعيًا نحو شخصية دافئة وداعمة ومركزة على التوجيه. ووجد الباحثون أن ضغط النماذج إلى أربعة بتات يحافظ عمومًا على هذا الهيكل الشخصي الواسع، مما يعني أن الذكاء الاصطناعي لا يزال يبدو مثل المساعد المفيد نفسه. ومع ذلك، عندما تم ضغط النماذج إلى المستوى المتطرف بسنتين، بدأت التفاصيل الدقيقة لشخصيتها في التفكك. وبينما ظل الدفء العام قائمًا، كافحت النماذج للحفاظ على الاتساق عند مطالبتها بتبني سمات شخصية مختلفة ومحددة، وتضاءلت قدرتها على الاتفاق مع نسخها غير المضغوطة في الأسئلة الدقيقة.
ربما كان الجزء الأكثر كشفًا في البحث هو ملاحظة كيف تحدث قرارات الشخصية هذه فعليًا داخل الآلة. فعندما كانت النماذج تعالج سؤالاً ما، أظهرت الطبقات الأولى من هيكلها الداخلي درجة عالية من الارتباك، حيث كانت احتمالية اختيار إجابة محددة موزعة بشكل ضئيل عبر خيارات عديدة. وفقط مع انتقال المعلومات عبر الطبقات الأعمق من الشبكة، بدأ النموذج في تضييق تركيزه، ليستقر في النهاية على إجابة واحدة حاسمة. هذا التدرج من الغموض إلى اليقين يحاكي الطريقة التي يصل بها البشر غالبًا إلى التقييم الذاتي، من خلال الانتقال من شعور غامض بالتفضيل إلى استنتاج واضح. واكتشف الباحثون أن عملية صنع القرار هذه حساسة للطريقة المستخدمة لتوليد الإجابة النهائية. فعندما تلاعبوا بعملية فك الترميز لتضخيم عدم اليقين من الطبقات المبكرة المرتبكة، تغيرت أنماط الشخصية المتوقعة للنماذج، وأدت أحيانًا إلى تغيير كامل. وهذا يشير إلى أن الشخصية المنسوبة إلى الذكاء الاصطناعي ليست مجرد مخرج ثابت، بل هي نتيجة للمسار المحدد الذي يتخذه النموذج للوصول إلى استنتاج.
استكشفت الدراسة أيضًا ما إذا كان يمكن توجيه هذه النماذج للتصرف مثل أنواع شخصية مختلفة إذا تم توجيهها صراحةً للقيام بذلك. وأظهرت النتائج مقاومة قوية للتغيير في سمات معينة. فحتى عند إخبارها بأن تتصرف كنوع متحفظ أو منطقي، كانت النماذج تعود تكرارًا إلى طبيعتها الدافئة والحدسية الافتراضية، مما يشير إلى أن شخصيتها الأساسية متجذرة بعمق في تدريبها وليس مجرد طبقة سطحية يمكن تقشيرها بسهء. وأثبتت النماذج الأكبر قدرة أكبر على الحفاظ على هويتها الأساسية تحت هذه التعليمات، بينما كانت النماذج الأصغر أكثر عرضة للتأثر. ومع ذلك، أدى الضغط المتطرف إلى سنتين إلى تعطيل هذا الاستقرار، مما جعل النماذج تتصرف بشكل غير متوقع وتفشل حتى في اتباع التعليمات الواضحة حول من يجب أن تكون. وخلص الباحثون إلى أنه بينما يعد الضغط المتوسط آمنًا للحفاظ على الطابع العام لمساعد الذكاء الاصطناعي، فإن دفع هذه النماذج إلى حدودها القصوى يخاطر بإدخال عدم الاستقرار في سلوكها. وتبرز هذه النتيجة أن موثوقية شخصية روبوت الدردشة لا تعتمد فقط على النموذج نفسه، بل على الخيارات التقنية المحددة في كيفية تخزينه وكيفية مطالبته بالتفكير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.