The Novelty Horizon H_N: Why Large Language Models Fail to Generate Scientific Data beyond Their Training Distribution
تُثبت هذه الورقة أن النماذج اللغوية الكبيرة تفشل جوهرياً في توليد بيانات صالحة علمياً خارج نطاق توزيع بيانات تدريبها بسبب الافتقار إلى التجذير الفيزيائي والاستدلال السببي، مما يرسخ وجود "أفق للابتكار" يستلزم وجود أنظمة عصبية رمزية هجينة من أجل اكتشاف علمي حقيقي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في المختبر الحديث، وصل نوع جديد من المساعدين، نوع يمكنه قراءة الملايين من الأوراق العلمية وكتابة تقارير بليغة في ثوانٍ معدودة. هذه الأنظمة المعتمدة على الذكاء الاصطناعي، والمعروفة بنماذج اللغات الكبيرة، مدربة على مجموعات هائلة من النصوص البشرية. وهي بارعة بشكل استثنائي في إيجاد الأنماط في الكلمات والتنبؤ بالكلمة أو الجملة التالية. ولأنها تستطيع محاكاة أسلوب الأوراق البحثية بدقة عالية، بدأ العديد من العلماء يتساءلون عما إذا كانت هذه الآلات قادرة على فعل ما هو أكثر من مجرد تلخيص المعرفة الموجودة. هل يمكنها توليد بيانات جديدة وصحيحة لتجارب لم ترها من قبل؟ هل يمكنها أن تعمل كشريك في الاكتشاف، عبر ابتكار الأرقام والقياسات التي تشكل حجر الزاوية للحقيقة العلمية؟ هذا السؤال يضرب في صميم كيفية عمل العلم؛ فالعلم الحقيقي يعتمد على قياس العالم المادي، حيث يحمل كل قياس قدراً ضئيلاً من عدم اليقين، وحيث تتبع الأسباب والنتائج قوانين صارمة لا تقبل التجزئة. وإذا كانت الآلة ببساطة تخمن الكلمة التالية بناءً على ما قرأته سابقاً، فقد تبدو مقنعة، ولكن هل تفهم حقاً الواقع الذي تصفه؟
لقد وضع فريق من الباحثين من كينيا هدفاً للإجابة على هذا السؤال من خلال اختبار صارم انتقل من مجرد النصوص إلى مجال البيانات الفيزيائية الصلبة. ركزوا على تجربة كهربائية محددة تتضمن دائرة قصر (تماس كهربائي)، وهي حالة يتصل فيها سلك بالطرفين الموجب والسالب لمصدر طاقة، مما يسبب تدفقاً هائلاً للكهرباء. وفي إعدادهم التجريبي، أضافوا مكوناً خاصاً يسمى "الديود" (الثنائي)، والذي يعمل كصمام أحادي الاتجاه للكهرباء، حيث يقوم بتثبيت الجهد عند مستوى معين لحماية الدائرة. وهذا يخلق سلوكاً معقداً وغير خطي، حيث لا تكون العلاقة بين الجهد والتيار خطاً مستقيماً بسيطاً، بل منحنى يتغير بناءً على الظروف. أراد الباحثون معرفة ما إذا كان بإمكان الذكاء الاصطناعي توليد مجموعة بيانات واقعية لهذه التجربة المحددة، كاملة مع التقلبات العشوائية الضئيلة التي تلتقطها المستشعرات الحقيقية دائماً.
ولاختبار ذلك، أنشأ الباحثون ثلاث مجموعات مختلفة من البيانات. كانت الأولى هي "الحقيقة الأرضية": وهي قياسات فعلية مأخوذة من دائرة فيزيائية في مختبر، سُجلت بدقة عالية. أما المجموعة الثانية فجاءت من ذكاء اصطناعي أُعطي فقط الأرقام الأساسية للتجربة، مثل تصنيفات الجهد والتيار، وطُلب منه كتابة برنامج حاسوبي لمحاكاة النتائج. وجاءت المجموعة الثالثة من نفس نوع الذكاء الاصطناعي، ولكن هذه المرة زود الباحثون الآلة بالتعليمات التفصيلية الكاملة حول كيفية بناء التجربة وكيفية إجراء القياسات، آملين أن يساعد هذا السياق الإضافي الآلة على إنتاج نتائج أفضل. ثم أخضعوا المجموعات الثلاث جميعها لتحليل جنائي، بمقارنتها بالقوانين الفيزيائية غير القابلة للكسر التي تحكم الكهرباء.
كانت النتائج صارخة وكاشفة؛ فقد فشل الذكاء الاصطناعي في توليد بيانات صالحة علمياً في كل الحالات. فعندما حاولت الآلة محاكاة التجربة، أنتجت أرقاماً تبدو منطقية في الظاهر، لكنها مستحيلة فيزيائياً عند الفحص الدقيق. وكان أحد الأخطاء الأكثر وضوحاً هو ما أسماه الباحثون "أثر الجبر المثالي". ففي التجربة الحقيقية، يتم قياس الجهد والتيار بشكل مستقل بواسطة مستشعرات مختلفة، وبسبب العيوب الطفيفة في المعدات، لا تتطابق الأرقام أبداً بشكل مثالي عند حساب المقاومة؛ إذ يوجد دائماً فجوة عشوائية صغيرة بين القيم. ومع ذلك، تعامل الذكاء الاصطناعي مع قوانين الفيزياء كمعادلة رياضية يجب حلها بدقة مطلقة. لقد ولد قيم جهد وتيار تتوافق مع بعضها البعض بدقة آلية مثالية، مما لم يترك مجالاً للضوضاء الطبيعية الناتجة عن القياس. يشبه هذا شخصاً يرسم خريطة حيث تتقاطع كل الشوارع بدقة متناهية، بينما الخريطة الحقيقية لمدينة ما ستظهر انحرافات طفيفة طبيعية لأن الطرق بُنيت بواسطة فرق عمل مختلفة وفي أوقات مختلفة.
لقد ذهب الفشل إلى ما هو أبعد من مجرد الأرقام المثالية. فقد عانى الذكاء الاصطناعي أيضاً من صعوبة في فهم السلوك المحدد للديود في الدائرة. فعندما أعطى الباحثون الآلة التعليمات التفصيلية، تمكنت بالفعل من ضبط مقياس أرقامها ليكون أقرب إلى الواقع، لكنها ظلت تخطئ في الفيزياء الأساسية. فقد ولدت بيانات تشير إلى أن الكهرباء تسلك سلوكاً خطياً يمكن التنبؤ به، متجاهلة تماماً تأثير "التثبيت" غير الخطي الذي كان من المفترض أن يحدثه الديود. كما أظهرت البيانات التي أنتجتها أنماطاً إحصائية غريبة، مع قمم وأشكال لا تحدث في الطبيعة. فعلى سبيل المثال، كانت الضوضاء في بيانات الآلة إما مسطحة للغاية أو ذات قمم غريبة، على عكس الضوضاء المتدفقة الطبيعية الموجودة في المستشعرات الإلكترونية الحقيقية. وحتى عندما طلب الباحثون من الآلة إخراج الأرقام مباشرة دون كتابة كود برمجي أولاً، كانت النتائج معيبة بنفس القدر، مما أظهر أن المشكلة لم تكن خطأ في البرمجة، بل كانت عجزاً جوهرياً عن استيعاب البنية السببية للعالم المادي.
خلص الباحثون إلى أن نماذج الذكاء الاصطناعي هذه محاصرة بما يسمونه "أفق الجدة" (Novelty Horizon). وهو حد تعرّفه البيانات التي تدرب عليها النموذج. داخل هذا الحد، يمكن للآلة أن تبلي بلاءً حسناً لأنها ببساطة تعيد ترتيب الأنماط التي رأتها بالفعل. ولكن عندما تُسأل عن توليد بيانات لموقف جديد ومعقد يتطلب فهم السبب والنتيث بطريقة لم تُعلّمها من قبل، فإنها تصطدم بحائط. فهي لا تستطيع الاستقراء خارج نطاق تدريبها. يمكنها محاكاة كلمات العالم، لكنها لا تستطيع محاكاة الواقع التجريبي الفوضوي، وغير المؤكد، والسببي. وتظهر الدراسة أنه بينما تعد هذه الأدوات قوية لتلخيص المعلومات أو صياغة النصوص، إلا أنه لا يمكن الوثوق بها لإنشاء بيانات علمية جديدة أو للعمل كمكتشفين مستقلين. ويظل العالم البشري ضرورياً، ليس فقط للتحقق من العمل، بل لتوفير الاستدلال السببي والتصميم التجريبي الذي يفتقر إليه الذكاء الاصطناعي بشكل أساسي. ومن المرجح أن يعتمد مستقبل العلم مع الذكاء الاصطناعي على دمج هذه الأدوات مع الإشراف البشري، باستخدام الآلة فيما تجيده مع إبقاء الإنسان في قلب عملية الاكتشاف.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.