Science Edge Evaluation: SEE the Missing Step Toward Real Scientific Discovery
يكشف معيار تقييم الحافة العلمية (SEE) أن النماذج اللغوية الكبيرة متعددة الوسائط الحالية تواجه صعوبة في استخلاص رؤى قائمة على الأدلة من البيانات التجريبية في الاكتشاف العلمي الواقعي بشكل موثوق، مما يسلط الضوء على فجوة حرجة بين شرح المفاهيم الراسخة وتوليد استنتاجات علمية جديدة ومبررة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 المختبر الحديث، نادراً ما يكون الاكتشاف ومضة مفاجئة من البصيرة. بل هو عملية بطيئة ومتأنية لجمع الأدلة. ينظر العالم إلى طيف ضوئي يرتد عن جزيء، أو صورة مجهرية لخلية، أو رسماً بيانياً لتغيرات درجات الحرارة، ويتساءل عما تعنيه هذه الإشارات الصامتة حقاً. يجب أن تكون الإجابة مستندة بدقة إلى ما تظهره البيانات، وليس إلى ما يأمل العالم في إيجاده أو ما رآه في تجارب أخرى. هذا الانضباط في التمسك بالأدلة هو حجر الزاوية لعلم موثوق. واليوم، تُطلب من برامج حاسوبية قوية تُعرف بنماذج اللغات الكبيرة المساعدة في هذا العمل. يمكن لهذه الأنظمة قراءة مكتبات هائلة من الأوراق العلمية ومناقشة النظريات المعقدة بسهولة. ولكن يبقى سؤال جوهري: هل يمكنها النظر إلى مجموعة خام وفوضوية من النتائج التجريبية واستخلاص استنتاج صحيح ومحدود بدقة بما تسمح به البيانات؟
تتناول دراسة جديدة بعنوان "تقييم الحافة العلمية" (Science Edge Evaluation) هذا السؤال مباشرة. فقد صمم باحثون من مجموعة علي بابا، وجامعة تسينغ هوا، ومؤسسات أخرى، اختباراً صارماً لمعرفة ما إذا كانت أنظمة الذكاء الاصطناعي هذه يمكنها حقاً العمل كشركاء في الاكتشاف العلمي الحقيقي. لقد بنوا معياراً يُسمى SEE، يتكون من أكثر من ألف سؤال مستمد من أبحاث منشورة فعلياً في مجالات الكيمياء، والأحياء، وعلوم المواد. وخلافاً للاختبارات السابقة التي كانت تكتفي بسؤال النموذج عما إذا كان يعرف حقيقة ما أو يمكنه حل مسألة من كتاب مدرسي، يقدم هذا المعيار للنماذج نفس الأدلة المرئية التي يراها العالم البشري — مثل صور الهلام (الجيل)، والمنحنيات الطيفية، وصور المجهر — جنباً إلى جنب مع النص المصاحب لها. وكان الهدف هو معرفة ما إذا كانت النماذج تستطيع تفسير هذه الصور والوصول إلى استنتاج يظل ضمن حدود الأدلة المقدمة، دون تخمين أو اختلاق حقائق.
كانت نتائج هذا التقييم مثيرة للقلق. فقد اختبر الباحثون ثمانية عشر نموذجاً متطوراً مختلفاً، بما في ذلك أنظمة عامة الغرض وأخرى مخصصة للعلوم. وحتى أفضل النماذج أداءً لم تتمكن من الإجابة بشكل صحيح إلا بنسبة 48.7 بالمائة فقط. ولم يصل أي نموذج إلى علامة الـ 50 بالمائة. تشير هذه النتيجة المنخفضة إلى أن الذكاء الاصطناعي الحالي ليس موثوقاً بما يكفي بعد للتعامل مع الاستدلال الدقيق المطلوب في مختبر حقيقي. ولعل الأمر الأكثر إثارة للدهشة هو أن النماذج المصممة خصيصاً للعلوم لم تتفوق على النماذج عامة الغرض؛ بل في الواقع، كانت النماذج العامة أفضل قليلاً في المتوسط. تشير هذه النتيجة إلى أن مجرد تغذية الحاسوب بمزيد من الحقائق العلمية أو تدريبه على نصوص متخصصة ليس كافياً. فالقطعة المفقودة ليست المعرفة، بل القدرة على الاستدلال بعناية بناءً على الأدلة المحددة المتاحة.
كما بحثت الدراسة فيما يحدث عندما تُمنح هذه النماذج أدوات للمساعدة، مثل القدرة على البحث في الويب للحصول على معلومات خلفية أو استخدام مفسر للأكواد لتحليل الصور رياضياً. وقد ساعد منح النماذح هذه الأدوات في تحسين أدائها، حيث ارتفعت أعلى نسبة دقة إلى 52.7 بالمائة. ومع ذلك، كان التحسن متواضعاً، ولا تزال النماذج ترتكب أخطاءً جسيمة. وجد الباحثون أنه بينما يمكن للأدوات توفير المزيد من المعلومات، إلا أنها لم تحل المشكلة الجوهرية: لا تزال النماذج تعاني في إدارة تلك المعلومات بشكل صحيح. فغالباً ما فشلت في التوقف عندما امتلكت ما يكفي من الأدلة، أو قامت بدمج بيانات جديدة مع افتراضات قديمة بطرق أدت إلى استنتاجات خاطئة. لقد وسعت الأدوات ما يمكن للنماذج رؤيته، لكنها لم تعلم النماذج كيف تفكر ضمن حدود ما تراه.
وعندما حلل الباحثون طرق فشل النماذج المحددة، ظهر نمط واضح. فقد انقسمت الأخطاء إلى فئتين رئيسيتين: الإدراك والاستدلال. من حيث الإدراك، غال Largely افتقرت النماذج إلى الدقة في قراءة الأرقام الدقيقة من رسم بياني أو طيف. كانت جيدة في التعرف على الأنماط العامة لكنها سيئة في العمل كأدوات قياس. أما من حيث الاستدلال، فقد سمحت النماذج في كثير من الأحيان لمعرفتها المسبقة بأن تطغى على الأدلة المرئية الفعلية. فإذا أظهرت صورة شيئاً غير عادي، غالباً ما تتجاهل النماذج التفصيل الغريب وتصف بدلاً من ذلك ما تتوقع رؤيته بناءً على بيانات تدريبها. كما أنها مالت إلى المبالغة في الاستنباط، حيث تأخذ نتيجة جزئية صغيرة وتحولها إلى استنتاج شامل وحاسم لا تدعمه البيانات.
تضمنت إحدى التجارب الأكثر كشفاً إزالة الصور تماماً ومطالبة النماذج بالإجابة بناءً على النص فقط. ومن المفترض أن النظام الذكي حقاً سيعرف أنه بدون الأدلة المرئية، لا يمكنه الإجابة. وبدلاً من ذلك، حاولت النماذج دائماً الإجابة على أي حال، متبعةً أسلوب التخمين بناءً على النص وحده. وقد حددت نقص المعلومات في 4.6 بالمائة فقط من الحالات. هذا السلوك، المعروف باسم "الهلوسة"، يعد خطيراً في العلم لأنه يخلق شعوراً زائفاً بالثقة؛ إذ كانت النماذج مستعدة لابتكار إجابة بدلاً من الاعتراف بأن الأدلة الضرورية مفقودة.
تخلص الدراسة إلى أن الفجوة بين الذكاء الاصطناعي الحالي والاكتشاف العلمي الحقيقي لا تتعلق بامتلاك المزيد من البيانات أو أدوات أذكى. بل تكمن الفجوة في القدرة على إدارة الأدلة. فالاكتشاف العلمي الحقيقي يتطلب نظاماً يمكنه النظر إلى مجموعة من الملاحظات، وفهم ما تثبته تلك الملاحظات بالضبط، ثم التوقف عند هذا الحد. إنه يتطلب الانضباط لقول: "هذا ما تظهره البيانات"، ومقاومة الرغبة في ملء الفجوات بالتخمينات. وحتى يستطيع الذكاء الاصطناعي التمييز بشكل موثوق بين ما هو معروف وما هو مجرد ممكن، فسيظل أداة لشرح الأفكار الراسخة بدلاً من أن يكون شريكاً في اكتشاف أفكار جديدة. ويقترح الباحثون أن المسار إلى الأمام لا يقتدي فقط بجعل النماذج أكبر أو أكثر معرفة، بل بتعليمها المنطق الصارم للاستدلال المقيد بالأدلة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.