هل يكمن السر في تمثيل الرموز؟ دراسة جديدة تكشف عن معوقات التفكير البصري المجرد

في عالم الذكاء الاصطناعي، تعتبر نماذج الرؤية-اللغة (Vision-Language Models - VLMs) واحدة من أهم الابتكارات التي تهدف إلى دمج الفهم البصري مع المعالجة اللغوية. ومع ذلك، تظهر هذه النماذج ضعفاً ملحوظاً عند اختبارها على معايير التفكير البصري المجرد، مثل مشاكل Bongard، مما يطرح السؤال: هل يكمن الخلل في التفكير ذاته أم في كيفية تمثيل البيانات؟

لتسليط الضوء على هذا الأمر، أُجريت دراسة جديدة على اختبار Bongard-LOGO، الذي يركز على تعلم المفاهيم المجردة باستخدام برامج توليد حقيقية. تم مقارنة نماذج VLMs التي تعمل على الصور الخام مع نماذج لغوية كبيرة (Large Language Models - LLMs) باستخدام مدخلات رمزية مشتقة من تلك الصور.

من خلال إعادة صياغة اختبار Bongard-LOGO كاختبار لصياغة الرموز، استخدمت الدراسة نموذج “Componential-Grammatical (C-G)”، الذي يعتمد على برامج عمل بأسلوب LOGO أو أوصاف منظمة. أظهرت نتائج التجارب أن نماذج LLMs حققت ارتفاعاً كبيراً في الدقة وصل إلى التسعينات في المئة في مشاكل Free-form، بينما بقيت نماذج VLMs عند حدود الصدفة.

لتحديد مدى تأثير شكل المدخلات، تمت تجربة مجموعة من المتغيرات، بما في ذلك تنسيقات المدخلات، وتنبيهات المفاهيم، والتحجيم البصري. وأظهرت النتائج أن هذه العوامل أقل أهمية مقارنةً بالتحول من البكسلات إلى التركيب الرمزي.

تؤكد هذه النتائج أن التمثيل يُعد عائقاً رئيسياً في التفكير البصري المجرد، وتوضح كيف يمكن أن تكون المدخلات الرمزية بمثابة حد تشخيصي مسيطر.

هذا البحث يقدم رؤى عميقة حول العقبات التي تواجهها نماذج الذكاء الاصطناعي في معالجة الأفكار المجردة، ويفتح الباب لمزيد من التحقيقات والتطويرات المستقبلية في هذا المجال الزاخر بالتحديات والفرص.