سلسلة من الأفكار (Chain-of-Thought)

سلسلة من الأفكار (CoT) هي تقنية موجهة للنموذج حيث يُنتج نموذج لغة كبير خطوات استدلال وسيطة صريحة قبل إنتاج إجابة نهائية، مما يحسّن كثيراً الدقة في المسائل الحسابية والمنطقية ومتعددة الخطوات.

موجهة سلسلة من الأفكار (CoT) هي تقنية حيث ينتج نموذج لغة كبير (LLM) تسلسل خطوات استدلال وسيطة — سلسلة منطق مكتوبة — قبل بيان إجابته النهائية، بدلاً من ربط المدخل مباشرة بالمخرج. تم وصف النهج رسمياً بواسطة Wei وآخرون في Google Brain في ورقة عام 2022 التي أظهرت أنها قدرة ناشئة من النماذج الكبيرة بما فيه الكفاية (تقريباً 100B+ معاملات في الوقت).

يمكن استخلاص CoT بطريقتين رئيسيتين. يُدمج CoT القليل من الأمثلة أمثلة عملية مع حلول خطوة بخطوة في المسودة، مما يُظهر للنموذج تنسيق الاستدلال المتوقع. يستخدم CoT الصفري تعليمات بسيطة — الأكثر شهرة "دعنا نفكر خطوة بخطوة" — لتحفيز سلوك مماثل دون أمثلة، وهي نتيجة من Kojima وآخرون (2022). تُدرك الأنظمة الأكثر حداثة، بما في ذلك سلسلة o من OpenAI و DeepSeek-R1، CoT من خلال التعلم المعزز من المكافآت المستندة إلى النتائج، بحيث ينتج النموذج آثار استدلال منظمة كسلوك مدرب بدلاً من واحد موجه.

تُهم سلسلة من الأفكار لأنها تحسّن بشكل كبير الأداء في المهام حيث تعتمد الدقة على ترتيب صحيح لعدة خصومات. على معيار GSM8K الرياضيات بمستوى المدرسة الابتدائية، وصلت PaLM 540B الموجهة بـ CoT إلى دقة قابلة للمقارنة مع النماذج ذات الهدف المحددة المضبوطة بدون أي تدريب خاص بالمهمة. تحسّن التقنية أيضاً من قابلية التفسير: آثار الاستدلال مرئية، مما يسهل تحديد مكان فشل منطق النموذج.

بحلول عام 2026، أصبح CoT موجوداً في كل مكان في الأنظمة الحدودية للذكاء الاصطناعي. تنوعت الأبحاث إلى شجرة من الأفكار (استكشاف مسارات استدلال متشعبة عبر البحث)، هيكل عظمي من الأفكار (تحلل المشاكل إلى مشاكل فرعية متوازية)، ونماذج المكافآت العملية (PRMs) التي تسجل كل خطوة استدلال بدلاً من الإجابة النهائية فقط. تُعتبر آثار CoT الداخلية الممتدة الآن مكوناً معياراً من نماذج الاستدلال الموجهة للاستدلال، مع تحسّب رموز التفكير بانتظام إلى عشرات الآلاف على مشاكل الرياضيات التنافسية.