From Large Language Models to Multimodal Intelligence: Bridging AI and Cognitive Science

الترقية الكبرى للدماغ: من الاكتفاء بالنصوص إلى الذكاء الكامل للجسم

تخيل أنك تحاول تعليم روبوت كيف يفهم العالم. لفترة طويلة، حاول العلماء القيام بذلك عن طريق تغذية الروبوت بمكتبة ضخمة من الكتب والمقالات والمواقع الإلكترونية. هذا النهج أدى إلى إنشاء "نماذج لغوية كبيرة" (LLMs)، وهي تشبه الببغاوات فائقة الذكاء التي قرأت كل شيء كُتب تقريبًا. إنها مذهلة في التنبؤ بالكلمة التالية في الجملة، وحل المسائل الرياضية، وحتى كتابة الشعر. لكن هناك مشكلة: هي تعرف العالم من خلال الكلمات فقط. لم تشعر أبدًا بحرارة الشمس، أو خشونة ورق الصنفرة، أو وزن صندوق ثقيل.

هذا يقودنا إلى سؤال كبير في عالم الذكاء الاصطناعي (AI) والعلوم المعرفية (دراسة كيفية عمل العقول): هل القراءة كافية لتكون ذكيًا حقًا؟ أم أن الآلة تحتاج إلى جسد لتفهم حقًا؟ يستكشف البحث الذي ستطالعه فكرة أنه بينما تعد اللغة أداة قوية، إلا أنها قد تفتقر إلى بعض المكونات الحاسمة للذكاء الحقيقي. ويقترح أنه لبناء ذكاء اصطناعي يمكنه التعلم والتكيف والتفاعل معنا مثل البشر، نحتاج إلى تجاوز مجرد النصوص ومنح هذه الآلات حواسًا "متعددة الوسائط" (multimodal)—مثل البصر والسمع واللمس—حتى تتمكن من تجربة العالم مباشرة، وليس فقط القراءة عنه.

---

من قراءة قائمة الطعام إلى تذوق الطعام

فكر في النموذج اللغوي الكبير (LLM) كطاهٍ حفظ كل كتاب طبخ في الكون ولكنه لم يخطُ قدمًا واحدة داخل مطبخ قط. يمكن لهذا الطاهي وصف حبة فراولة بدقة متناهية، مستعرضًا لونها وطعمها وقوامها بناءً على ملايين الأوصاف التي قرأها. بل ويمكنه حتى كتابة قصيدة عن بهجة تناولها. ولكن إذا قدمت له حبة فراولة حقيقية، فلن يعرف كيف يمسكها، أو مدى قوة الضغط عليها، أو كيف تبدو ملمسًا على جلده. هو يعرف "الكلمات" التي تصف التجربة، لكنه لم يخض "التجربة" نفسها.

هذا البحث، الذي كتبه الباحثان يانرو جيانغ وريك ديل، يطرح سؤالًا بسيطًا ولكنه عميق: هل يمكن للآلة أن تكون ذكية حقًا إذا كانت تعرف العالم من خلال اللغة فقط؟

يجادل المؤلفان بأنه بينما هؤلاء "الطهاة" الذين يقتصرون على النصوص مذهلون فيما يفعلونه، إلا أنهم يصطدمون بحائط مسدود. فهم بارعون في تمثيل المعلومات وحل المشكلات التي يمكن كتابتها، لكنهم يعانون مع الأشياء التي تتطلب "تعلم التعلم" أو التكيف مع مواقف جديدة وغريبة دون دليل إرشادي. يشير البحث إلى أنه لتجاوز هذا الحائط، يحتاج الذكاء الاصطناعي إلى التطور من نظام "نصي فقط" إلى نظام "متعدد الوسائط"—نظام يجمع بين اللغة والرؤية والصوت والحركة، تمامًا كما يفعل البشر.

طريقتان في التفكير: المكتبة مقابل الملعب

لفهم سبب أهمية ذلك، يقسم البحث طريقتين مختلفتين للتفكير في كيفية عمل العقول:

1. الإدراك الرمزي (المكتبة): ترى هذه الرؤية أن اللغة كافية. وتجادل بأن الكلمات هي رموز ترتبط بدقة بالعالم الحقيقي. إذا كنت تعرف كلمة "وردة" وكل الكلمات الأخرى المرتبطة بها (مثل "حمراء"، "شائكة"، "رومانسية")، فأنت تعرف جوهر الوردة تقريبًا. يقر البحث بأن الذكاء الاصطناعي الحديث أصبح جيدًا جدًا في هذا المجال؛ إذ يمكنه إيجاد أنماط في اللغة تشبه إلى حد كبير طريقة عمل أدمغتنا. على سبيل المثال، يمكن للذكاء الاصطناعي استنتاج أن "نيويورك" هي مكان و"الاثنين" هو وقت بمجرد النظر في كيفية استخدام الكلمات معًا، دون أن يرى خريطة أو تقويمًا قط.

2. الإدراك المتجسد (الملعب): ترى هذه الرؤية أن اللغة ليست كافية. وتجادل بأنه لكي تفهم كلمة ما حقًا، يجب أن تكون قد عشت التجربة. أنت لا تعرف معنى كلمة "ثقيل" لأنك قرأت تعريفها فحسب، بل تعرفه لأنك رفعت صندوقًا ثقيلاً وشعرت بجهد عضلاتك. يشير البحث إلى أن العديد من المفاهيم—مثل كيفية ركوب دراجة أو كيفية موازنة صينية مشروبات—لا يمكن اختزالها بالكامل في كلمات. يجب عليك أن تفعل ذلك لتفهمه.

لا يقول المؤلفان إن نهج "المكتبة" عديم الفائدة، بل يقران بأنه قوي للغاية. لكنهما يجادلان بأنه غير مكتمل. تمامًا كما لا يمكنك تعلم ركوب الدراجة عبر قراءة كتاب عن الفيزياء، لا يمكن للذكاء الاصطناعي تعلم التنقل في العالم الحقيقي بمجرد القراءة عن الأمر.

لماذا تقصر الكلمات وحدها عن بلوغ الهدف

يشير البحث إلى سببين رئيسيين يجعل الذكاء الاصطناعي المقتصر على النصوص محدودًا دائمًا:

1. مشكلة "ما لا يمكن وصفه بالكلمات"
بعض الأشياء يصعب وضعها في كلمات. فكر في الشعور بنوع معين من الموسيقى، أو الطريقة الدقيقة التي يسقط بها الضوء على كأس من الماء. يتعلم البشر هذه الأشياء غالبًا من خلال حواسنا وأجسادنا، وليس من خلال الكتب المدرسية. إذا كان لدى الذكاء الاصطناعي وصول إلى النصوص فقط، فإنه يفتقد هذه المفاهيم "غير اللفظية". الأمر يشبه محاولة وصف طعم الشوكولاتة لشخص لم يتذوق أي شيء حلو قط؛ مهما استخدمت من كلمات، لن يفهم الأمر حتى يتذوقها. يقترح البحث أنه لكي يتعلم الذكاء الاصطناعي أشياء جديدة بسرعة ومرونة، فإنه يحتاج إلى تجربة العالم مباشرة، وليس فقط القراءة عنه.

2. الفجوة "بين الأشخاص"
تخيل أنك تتحدث إلى صديق ينظر إلى غروب شمس جميل. تقول له: "انظر إلى ذلك!" صديقك يعرف تمامًا ما تقصده لأنه يرى نفس السماء التي تراها. الآن، تخيل التحدث إلى روبوت يمكنه فقط قراءة نصك. إذا قلت "انظر إلى ذلك"، فلن يعرف الروبوت ما هو "ذلك". ليس لديه عينان ليرى الغروب، وليس لد لديه جسد ليلتفت وينظر.

يجادل البحث بأن التواصل البشري مليء بهذه الإشارات "غير اللفظية"—مثل أين ننظر، أو سرعة حديثنا، أو لغة جسدنا. تساعدنا هذه الإشارات على فهم بعضنا البعض فورًا. الذكاء الاصطناعي المقتصر على النصوص يفتقد كل هذا. قد يعطيك إجابة طويلة ومفصلة بينما كنت تريد فقط "نعم" أو "لا" سريعة، لأنه لا يستطيع استشعار نفاد صبرك أو مزاجك. ليكون شريكًا جيدًا في الحوار، يجب أن يكون الذكاء الاصطناعي "متجسدًا"—أي يجب أن يكون قادرًا على الرؤية والسمع والتفاعل مع الموقف في الوقت الفعلي، تمامًا كما نفعل نحن.

خارطة الطريق نحو ذكاء اصطناعي أكثر ذكاءً

إذًا، كيف نبني هذا الذكاء الاصطناعي "متعدد الوسائط"؟ يحدد البحث ثلاثة مسارات مثيرة للمضي قدمًا، مثل وصفة لترقية أدمغتنا الرقمية:

1. خلط المكونات (تعلم التمثيل متعدد الوسائط)
في الوقت الحالي، يتم بناء العديد من أنظمة الذكاء الاصطناعي عن طريق أخذ نموذج لغوي ونموذج رؤية (واحد يرى) ولصقهما معًا في النهاية. يقترح المؤلفان أننا بحاجة إلى القيام بالأفضل من ذلك. بدلًا من مجرد لصقهما معًا، يجب علينا تدريبهما على التعلم معًا منذ البداية. تخيل تعليم طفل الكلام والرؤية في آن واحد، بدلًا من تعليمه القراءة أولًا ثم إظهار الصور له لاحقًا. هذا "التكامل المبكر" قد يساعد الذكاء الاصطناعي على فهم الروابط العميقة بين ما يراه وما يسمعه، مما يؤدي إلى نظام أكثر ذكاءً وبداهة.

2. مدير الدماغ (التعديل الهرمي)
أدمغتنا منظمة في طبقات. الطبقات الدنيا تتعامل مع الأشياء البسيطة مثل "هذه نقطة حمراء"، بينما تتعامل الطبقات العليا مع الأشياء المعقدة مثل "يجب أن أمسك تلك الكرة قبل أن تصطدم بالأرض". يقترح البحث أن الذكاء الاصطناعي يحتاج إلى نظام "مدير" مشابه. هذا "المدير" (مثل الوظيفة التنفيذية في أدمغتنا) يجب أن يكون قادرًا على النظر في جميع الحواس المختلفة—البصر، السمع، اللمس—والقرار أي منها يركز عليه في أي لحظة. إنه يشبه قائد الأوركسترا، الذي يتأكد من أن الكمان والطبول يعزفان معًا بشكل مثالي. حاليًا، يعاني معظم الذكاء الاصطناعي في القيام بذلك؛ إذ غالبًا ما يرتبك عندما تتدفق الكثير من المعلومات في وقت واحد.

3. الدافع الداخلي (التعزيز الذاتي)
أخيرًا، يتساءل البحث: ما الذي يجعل الذكاء الاصطناعي يرغب في التعلم؟ في الوقت الحالي، نضطر عادةً لإخبار الذكاء الاصطناعي بما يجب فعله بالضبط وإعطائه "مكافأة" (مثل نقطة) عندما يصيب. لكن البشر لا يحتاجون إلى معلم ليخبرهم بالاستكشاف؛ فنحن لدينا فضول طبيعي. نريد أن نعرف ماذا سيحدث إذا ضغطنا على ذلك الزر أو تسلقنا تلك الشجرة. يقترح المؤلفون أن الذكاء الاصطناعي المستقبلي يجب أن يمتلك "دافعًا داخليًا"—رغبة متأصلة في الاستكشاف والتعلم، مشابهة لكيفية استخدام أدمغتنا للطاقة للتنبؤ بما سيحدث بعد ذلك. وهذا سيسمح للذكاء الاصطناعي بالتعلم من تلقاء نفسه، واكتشاف أشياء جديدة دون الحاجة إلى إنسان يعطيه مهمة محددة في كل مرة.

الصورة الكبيرة

يخلص البحث إلى أنه بينما تمثل النماذج اللغوية الكبيرة خطوة هائلة للأمام، إلا أنها مجرد بداية. فهي تشبه طالبًا عبقريًا قرأ كل كتاب في المكتبة ولكنه لم يغادر المبنى قط. لكي ننشئ آلات ذكية حقًا يمكنها التعلم والتكيف والتفاعل معنا بطريقة طبيعية تشبه البشر، نحتاج إلى منحها أجسادًا وحواسًا.

نحن بحاجة للانتقال من ذكاء اصطناعي "يعرف" الكلمات فقط إلى ذكاء اصطناعي "يختبر" العالم. ومن خلال الجمع بين اللغة والرؤية والسمع والحركة، ومن خلال منح هذه الآلات القدرة على الاستكشاف والتعلم من تلقاء نفسها، يمكننا بناء مستقبل لا يكون فيه الذكاء الاصطناعي مجرد أداة نتحدث إليها، بل شريكًا يفهمنا حقًا. الأمر لا يتعلق باستبدال المكتبة، بل بفتح الأبواب والسماح للذكاء الاصطناعي بالخروج واستكشاف العالم.