ثورة في الذكاء الاصطناعي: تقييم القدرة على التفكير العلاقي في نماذج اللغات الضخمة!

تشكل القدرة على التفكير العلاقي (Relational Reasoning) أحد المفاتيح الأساسية لفهم الكثير من المفاهيم العلمية والعملية في حياتنا اليومية. لكن، كيف تتصرف نماذج اللغات الضخمة (Large Language Models) عندما يتعلق الأمر بالتفكير في العلاقات المعقدة بين الكيانات والصفات؟

ودرس الباحثون هذه القدرة عبر مفهوم التعقيد العلاقي (Relational Complexity - RC)، الذي يعبر عن الحد الأدنى من الكيانات المستقلة التي يجب ربطها لتطبيق علاقة ما. يساهم هذا المفهوم في تقديم وسيلة منهجية لتعديل مستوى صعوبة التفكير العلاقي مع التحكم في متغيرات أخرى مثل حجم المدخلات والقاموس المستخدم.

في إطار هذا البحث، تم تقديم إطار عمل جديد يُسمى REL كمعيار توليدي يتيح تقييم الأداء في مجالات متعددة مثل الرياضيات، الكيمياء، والأحياء. وأظهرت النتائج أن الأداء يتراجع بشكل مستمر مع زيادة التعقيد العلاقي، حتى عندما يبقى العدد الإجمالي للكيانات ثابتًا. هذه النتيجة تشير إلى أن التحديات التي تواجه النماذج لا ترتبط بقلة خطوات الاستدلال أو نقص التعرض للأمثلة، بل بتعقيد العلاقات ذات الأبعاد الأعلى.

تسلط هذه الدراسة الضوء على حاجة ملحة لإعادة تقييم نماذج الذكاء الاصطناعي من خلال منظور التعقيد العلاقي، مما يعكس أهمية هذه القدرة في تطوير نماذج أكثر ذكاءً واستجابةً للتحديات المعقدة.