نماذج LLM عالقة في تفكير نمطي — وشركة ناشئة تسعى إلى إصلاح ذلك

كلود و تشات جي بي تي و جيميني تظهر ردودًا متساوية القابلية للتنبؤ على استفسارات متشابهة — في الأول من يوليو 2026، حددت مجلة إم آي تي للتكنولوجيا هذه الظاهرة على أنها "تفكير جماعي" منهجي في نماذج اللغة وأخبرت عن شركة ناشئة تعمل على التغلب عليه.

اختبار الأرقام: لماذا هذا ليس مصادفة؟

اطلب من أي روبوت دردشة شهير أن يذكر رقمًا عشوائيًا بين 1 و 10 — ستحصل على الأرجح على 7. اسأل مرة أخرى — ستسمع 3 أو 4، ثم 8 أو 9. ينعاد النمط مع اتساق مدهش عبر نماذج مختلفة من شركات مختلفة.

التوضيح بسيط: تم تدريب جميع نماذج اللغة الكبيرة على مكتبات ويب متشابهة، حيث يظهر "7" كإجابة على هذا السؤال بتكرار أكثر من الأرقام الأخرى — الناس أنفسهم يطلقون على الرقم سبعة "الرقم الأكثر عشوائية". يشجع تعلم التعزيز من ردود الفعل البشرية أيضًا الإجابات "الآمنة" والمتوقعة: تلك التي تتلقى بشكل متكرر تقييمات عالية من المقيمين البشريين. تم تدريب النماذج حرفيًا على إعطاء إجابة يمكن التنبؤ بها.

• الرقم سبعة كرقم "عشوائي" هو مثال كتابي على تفكير النمط في نماذج اللغة
• النمط مميز لـ Claude (Anthropic) و ChatGPT (OpenAI) و Gemini (Google DeepMind)
• السبب هو بيانات التدريب المتداخلة والإجراءات المشابهة لتعلم التعزيز في جميع المختبرات الكبرى

حيث يسبب التفكير الجماعي ضررًا حقيقيًا

الأرقام مجرد عرض مرئي. في المهام الحقيقية، تكون المشكلة أوسع: تعيد النماذج إنتاج نفس القوالب الثقافية، وتصيغ التوصيات الاستراتيجية بطرق متشابهة، وتقدم حلولاً تسويقية مقارنة. عندما تستخدم شركة عدة نماذج لغة كبيرة لـ "تنويع وجهات النظر"، فإنها في كثير من الأحيان تحصل على نسخ معاد صياغتها من نفس الرأي — مع وهم الاستقلالية.

"لقد أنشأنا نظامًا بيئيًا حيث ترى جميع النماذج العالم بنفس الطريقة —

لأنها قرأت نفس الشيء"، — تؤكد مجلة إم آي تي للتكنولوجيا.

المشكلة حادة بشكل خاص حيث تكون الأصالة ذات قيمة: توليد الفرضيات العلمية والمحتوى غير التقليدي وتقييم المخاطر غير التافهة. تخلق "التحقق المستقل" من خلال عدة نماذج لغة كبيرة وهمًا بالتنوع في مثل هذه الحالات — لكن ليس التنوع الفعلي.

ما تقترحه الشركة الناشئة

تصف مجلة إم آي تي للتكنولوجيا شركة ناشئة تركز على طرق للتغلب على "التفكير القالبي" في نماذج اللغة. لم يتم الكشف عن العمارة الدقيقة للحل. يناقش القطاع في الوقت نفسه عدة نهج لهذا التحدي:

• التدريب على بيانات أكثر تنوعًا مع الإدراج المقصود لوجهات نظر متخصصة
• العشوائية المُدارة في مرحلة الضبط الدقيق — تشجيع التنوع كهدف صريح
• أنظمة المجموعة حيث تناقش عدة نماذج ذات "تحيزات" مختلفة بعضها البعض
• مقاييس تنوع الإجابات كجزء إلزامي من التقييمات — جنبًا إلى جنب مع الدقة والأمان

ما يعنيه هذا

إذا تمكنت طرق التغلب على "الإجماع الجماعي" من وضع معيار جديد للصناعة، فسيؤدي ذلك إلى تغيير طريقة تقييمنا لأنظمة الذكاء الاصطناعي: سيصبح التنوع والاستقلالية في الإجابات متطلبات قابلة للقياس معادلة للدقة أو الأمان. بالنسبة لمستخدمي الشركات، يفتح هذا إمكانية الحصول على آراء مختلفة حقًا من الذكاء الاصطناعي، بدلاً من وجهة نظر متوسطة إحصائيًا بصيغ مختلفة.