تشهد مجالات الذكاء الاصطناعي تقدماً ملحوظاً، خاصةً في تطوير نماذج اللغة الضخمة (Large Language Models) التي أثبتت قدرتها الفائقة على توليد النصوص. إلا أن هذه النماذج لا تزال تواجه تحديات كبيرة عندما يتعلق الأمر بتفسير الاستدلال الذي يتطلب بنية رمزية صريحة واستنتاجات متعددة الخطوات.

في هذا السياق، تم تقديم إطار عمل رمزي عصبي (Neuro-Symbolic Framework) يهدف إلى تحويل مشكلات الاستدلال المعتمدة على اللغة الطبيعية إلى تمثيلات رسمية قابلة للتنفيذ باستخدام المنطق من المرتبة الأولى (First-Order Logic) ولغة نارس (Narsese)، وهي لغة نظام الاستدلال غير الأكسيوماتي (Non-Axiomatic Reasoning System).

لتعزيز هذا الاتجاه، تم تقديم معيار جديد يُدعى NARS-Reasoning-v0.1، الذي يتضمن مجموعة من المشكلات الاستدلالية باللغة الطبيعية مصحوبة بأشكال من المنطق من المرتبة الأولى، وبرامج نارس القابلة للتنفيذ، وثلاثة تصنيفات ذهبية: صحيح، خاطئ، وغير مؤكد.

كما تم تطوير قناة تجميع حتمية (Deterministic Compilation Pipeline) من المنطق من المرتبة الأولى إلى نارس القابل للتنفيذ، مع التأكيد على أن الأهداف الرمزية لا تتمتع فقط بتناسق نحوي، بل تتماشى أيضا مع الإجابة المتوقعة بشكل سلوكي.

وعلاوة على ذلك، تم تقديم مفهوم يسمى إدراك مُنظم لغوي (Language-Structured Perception)، حيث يتم تدريب نموذج اللغة الضخم لإنتاج بنية رمزية ذات صلة بالاستدلال بدلاً من مجرد تقديم استجابة نهائية لفظية.

كخطوة أولى، تم تدريب وإطلاق ملحق Phi-2 LoRA مبني على معيار NARS-Reasoning-v0.1 للتصنيف الاستدلالي بثلاثة تصنيفات، مما يظهر قدرة المعيار على دعم التكيف الخاضع للإشراف بالإضافة إلى التقييم القابل للتنفيذ.

بشكل عام، يضع هذا البحث توليد الرموز القابلة للتنفيذ والتحقق القائم على التنفيذ كمسار عملي نحو أنظمة استدلال رمزية عصبية أكثر موثوقية. هذه التطورات قد تغير المستقبل وتجعل منه أقرب لتحسين تفاعلنا مع أنظمة الذكاء الاصطناعي. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.