Large language models possess some ecologicalknowledge, but how much?
تقيم هذه الدراسة المعرفة الإيكولوجية لنموذجي Gemini 1.5 Pro وGPT-4o باستخدام مجموعة بيانات مرجعية جديدة، كاشفةً أنه بينما يتفوق هذان النموذجان على الخطوط المرجعية الساذجة في مهام مثل التنبؤ بوجود الأنواع، إلا أن أداءهما العام يظل أدنى بكثير من مستويات الخبراء، مما يشير إلى حاجة ماسة إلى الضبط الدقيق المتخصص في هذا المجال لدمج النماذج اللغوية الكبيرة بفعالية في العلوم الإيكولوجية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل نماذج اللغات الكبيرة (LLMs) مثل Gemini 1.5 Pro و GPT-4o كأمناء مكتبات مطلعين للغاية، قرأوا كل كتاب تقريباً في العالم. هم مشهورون بقدرتهم على الإجابة عن أسئلة في التاريخ، والرياضيات، والثقافة الشعبية بكل سهولة. لكن الباحثين وراء هذه الورقة البحثية أرادوا معرفة: ما مدى جودة أمناء المكتبات هؤلاء في التحدث عن الطبيعة؟
لمعرفة ذلك، عامل الفريق نماذج الذكاء الاصطناي كطلاب يخوضون "امتحان علم بيئة" محدداً للغاية. لم يكتفوا بطرح أسئلة عامة، بل أعطوهم خمس مهام عملية صعبة:
- تخمين من يعيش أين: التنبؤ بما إذا كان حيوان أو نبات معين موجوداً في منطقة معينة.
- رسم الخرائط: إنشاء خريطة توضح نطاق موطن نوع ما.
- حصر المهددين بالانقراض: تسمية الأنواع التي تقف على حافة الانقراض.
- تحديد المخاطر: تصنيف التهديدات التي تضر هذه الأنواع.
- وصف السمات: تقدير الخصائص الفيزيائية لأنواع مختلفة.
قام الباحثون بإنشاء "نموذج إجابة" جديد بناءً على بيانات خبراء حقيقيين لتصحيح واجبات الذكاء الاصطناعي المنزلية.
إليك كيف أدى طلاب الذكاء الاصطناعي:
- الأخبار الجيدة: لم يكونوا مبتدئين تماماً. فعندما تعلق الأمر بتخمين ما إذا كان نوع ما موجوداً في منطقة ما، سجل الذكاء الاصطناعي أعلى بنحو 20 نقطة مئوية من شخص يخمن عشوائياً فقط. الأمر يشبه طالباً يعرف الأساسيات من الكتاب المدرسي ويمكنه اجتياز الأسئلة السهلة.
- واقع الاختبار: عندما أصبحت المهام أكثر صعوبة، تعثر الذكاء الاصطناعي.
- عندما طُلب منهم رسم خرائط النطاق (توضيح أين يعيش حيوان ما بالضبط)، لم يتمكن الذكاء الاصطناعي إلا من تحقيق حوالي ثلث الدقة التي قد يحققها خبير بشري. الأمر يشبه محاولة رسم خريطة مفصلة لمدينة من الذاكرة، حيث تنجح في تحديد الشوارع الرئيسية، لكنك تخطئ في جميع الأحياء.
- عندما طُلب منهم تصنيف التهديدات، تحسن أداؤهم بنحو 10 نقاط فقط فوق التخمين العشوائي. إنه بالكاد أفضل من رمي عملة معدنية لتحديد ما يضر نوعاً ما.
الخلاصة:
تخلص الورقة البحثية إلى أنه على الرغم من امتلاك نماذج الذكاء الاصطنا هذه لبعض المعرفة بعلم البيئة، إلا أنها ليست عميقة أو دقيقة بما يكفي لاستبدال الخبراء البشر بعد. إنهم يشبهون سائحاً قرأ دليلاً سياحياً عن غابة، لكنه لم يمشِ في مساراتها بالفعل.
ولإصلاح ذلك، يقترح المؤلفون أن هذه النماذج تحتاج إلى تدريب متخصص (ضبط دقيق) خصيصاً على البيانات البيئية، بدلاً من الاعتماد فقط على معرفتها العامة. كان الهدف الرئيسي لهذه الورقة هو ببساطة وضع "اختبار" (معيار مرجعي) عادل حتى يتمكن الباحثون المستقبليون من قياس مدى تحسن أدوات الذكاء الاصطنا هذه بمرور الوقت.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.