الشبكات العصبية في قوالب جاهزة: لماذا يفكّر ChatGPT وClaude وGemini بالطريقة نفسها
اطلب من أي روبوت دردشة أن يختار رقمًا عشوائيًا بين 1 و10، وستحصل على الرقم 7 في الغالب. هذه ليست مصادفة، بل عَرَض لمشكلة منهجية: فقد جرى تدريب جميع نماذج LLM الكبرى على بيانات متشابهة، وتميل إلى «التفكير الجماعي». رصد باحثون هذا النمط لدى Claude وChatGPT وGemini. وتعمل شركة ناشئة على تطوير أساليب لكسر هذا الإجماع، بحيث تقدّم النماذج إجابات مختلفة فعلًا.
معالج بواسطة الذكاء الاصطناعي من MIT Technology Review؛ بتحرير Hamidun News
تقدّم شبكات ChatGPT وClaude وGemini العصبية إجابات متوقعة بالدرجة نفسها عن الأسئلة المتشابهة. وقد وثّقت MIT Technology Review في 1 يوليو 2026 هذه الظاهرة بوصفها «تفكيرًا جماعيًا» منهجيًا في النماذج اللغوية، وتحدثت عن شركة ناشئة تطوّر طرقًا للتغلب عليه.
اختبار الأرقام: لماذا لا يُعدّ ذلك مصادفة؟
اطلب من أي روبوت دردشة شائع أن يذكر رقمًا عشوائيًا بين 1 و10، وستحصل على الرقم 7 في الغالب. أعد السؤال فستسمع 3 أو 4، ومرة أخرى فستسمع 8 أو 9. ويتكرر هذا النمط بثبات لافت لدى نماذج مختلفة من شركات مختلفة.
والتفسير بسيط: جرى تدريب جميع نماذج LLM الكبرى على مجموعات بيانات ويب متشابهة، يظهر فيها الرقم «7» جوابًا عن هذا السؤال أكثر من غيره من الأرقام، لأن الناس أنفسهم يعدّون السبعة الرقم «الأكثر عشوائية». كما يكافئ التعلّم المعزَّز (RLHF) الإجابات «الآمنة» والمتوقعة، أي تلك التي تنال تقييمات أعلى من المقيّمين البشر. وبذلك دُرّبت النماذج حرفيًا على تقديم إجابة متوقعة.
- الرقم سبعة بوصفه رقمًا «عشوائيًا» مثال كلاسيكي على النمطية في نماذج LLM
- النمط يميّز Claude (من Anthropic) وChatGPT (من OpenAI) وGemini (من Google DeepMind)
- السبب هو تقاطع بيانات التدريب وتشابه إجراءات RLHF لدى جميع المختبرات الكبرى
أين يسبّب التفكير الجماعي ضررًا حقيقيًا
الأرقام ليست سوى عَرَض واضح. أما في المهام الواقعية فالمشكلة أوسع: تكرّر النماذج الكليشيهات الثقافية نفسها، وتصوغ التوصيات الاستراتيجية بطريقة متشابهة، وتقترح حلولًا تسويقية متقاربة. وحين تستخدم شركة عدة نماذج LLM بغرض «تنويع وجهات النظر»، فإنها تحصل في كثير من الأحيان على صيغ معاد صياغتها لرأي واحد، مع وهم الاستقلالية.
«لقد بنينا منظومة تنظر فيها جميع النماذج إلى العالم بالطريقة نفسها، لأنها قرأت الشيء نفسه»، بحسب ما تقرره MIT
Technology Review.
وتشتد المشكلة حيث تكون الأصالة ذات قيمة: توليد الفرضيات العلمية، والمحتوى غير التقليدي، وتقييم المخاطر غير البديهية. وفي هذه الحالات تمنح «المراجعة المستقلة» عبر عدة نماذج LLM وهمَ التنوع، لا التنوع نفسه.
ما الذي تقترحه الشركة الناشئة
تصف MIT Technology Review شركة ناشئة تركّز على أساليب التغلب على «التفكير القالبي» في النماذج اللغوية. ولم تُكشف البنية الدقيقة للحل. وفي الوقت نفسه، يناقش القطاع عدة مقاربات لهذه المهمة:
- التدريب على بيانات أكثر تنوعًا مع إدراج وجهات نظر هامشية عن قصد
- عشوائية مضبوطة في مرحلة التدريب اللاحق، بحيث يُكافأ التنوع بوصفه هدفًا صريحًا
- أنظمة جماعية تتناقش فيها عدة نماذج ذات «تحيزات» مختلفة
- مقاييس تنوع الإجابات جزءًا إلزاميًا من evals، على قدم المساواة مع الدقة والأمان
ماذا يعني ذلك
إذا نجحت أساليب التغلب على «الإجماع الجماعي» في فرض معيار جديد على القطاع، فسيتغير الأسلوب الذي نقيّم به أنظمة AI: سيصبح تنوع الإجابات واستقلالها متطلبات قابلة للقياس كالدقة والأمان. وبالنسبة إلى مستخدمي المؤسسات، يتيح ذلك الحصول من AI على منظورات مختلفة فعلًا، بدل نظرة متوسطة إحصائيًا بصياغات متعددة.
لماذا يقدّم ChatGPT وClaude وGemini إجابات متطابقة؟
رصدت MIT Technology Review ظاهرة منهجية سمّتها «التفكير الجماعي» للشبكات العصبية: فهي تكرّر إجابات متوقعة بالدرجة نفسها عن الأسئلة المتشابهة، حتى عندما يُطلب منها أن تكون عشوائية.
هل يمكن إصلاح تطابق إجابات الذكاء الاصطناعي؟
تعمل الشركة الناشئة الموصوفة في المقال على تطوير طرق للتغلب على هذه الظاهرة في النماذج اللغوية.
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.