يان لوكون ضد نماذج اللغات الكبيرة: المراهنة على منهج مختلف في الذكاء الاصطناعي

يان لوكان، الحائز على جائزة تورينج وأحد أكثر الباحثين تأثيراً في مجال الذكاء الاصطناعي، يسير ضد التيار مرة أخرى. بينما انغمس العالم برمته في تطوير وتطبيق نماذج اللغة الكبيرة (LLMs)، يؤكد لوكان أن هذا الطريق يؤدي إلى طريق مسدود ولن يسمح بحل العديد من المشاكل الملحة. موقفه، على الرغم من تناقضه مع الإجماع السائد، يستحق الاهتمام نظراً لمساهمته في تطوير الشبكات العصبية والتعلم العميق.

لوكان، أحد رواد الشبكات العصبية الالتفافية، عبّر عن الشك تجاه نماذج اللغة الكبيرة لسنوات عديدة. يعتقد أن هذه النماذج، على الرغم من إظهارها نتائج مثيرة في توليد النصوص والترجمة، تفتقر إلى الفهم الحقيقي للعالم. إنها تعالج ببساطة كميات ضخمة من البيانات إحصائياً، بدون امتلاك القدرة على التفكير والتخطيط اللازمة لحل المهام المعقدة.

كبديل، يقترح لوكان التركيز على تطوير نماذج قادرة على التعلم من خلال المراقبة والتفاعل مع العالم المحيط. يدعو إلى إنشاء أنظمة يمكن أن تصمم العمليات الفيزيائية، وتفهم العلاقات السببية، وتكون تمثيلاً داخلياً للواقع. هذا النهج، في رأيه، سيمكّن من إنشاء ذكاء اصطناعي قادر على حل المشاكل الحقيقية، بدلاً من مجرد محاكاة الذكاء البشري.

لانتقاد لوكان أسس جادة. نماذج اللغة الكبيرة، على الرغم من قوتها، تواجه فعلاً مشاكل متعلقة بالهلوسات والانحياز والافتقار إلى الحس السليم. غالباً ما تنتج معلومات خاطئة، وتكرر الصور النمطية، ولا يمكنها الاستجابة بشكل مناسب للحالات الجديدة. بالإضافة إلى ذلك، يتطلب تدريب نماذج اللغة الكبيرة موارد حسابية ضخمة واستهلاك طاقة كبير، مما يجعلها بعيدة المنال للعديد من الباحثين والمنظمات.

النهج البديل الذي يقترحه لوكان يفتح آفاقاً جديدة لتطور الذكاء الاصطناعي. سيسمح إنشاء نماذج قادرة على التعلم من خلال التفاعل مع العالم بإنشاء أنظمة أكثر موثوقية وكفاءة وعمومية. سيتطلب هذا معماريات جديدة وخوارزميات ونهجاً حديثة للتدريب، لكن الفوائد المحتملة تستحق ذلك.

في النهاية، من المحتمل أن يتم تحديد مستقبل الذكاء الاصطناعي بمزيج من النهج المختلفة. ستبقى نماذج اللغة الكبيرة بلا شك أداة مهمة لحل مهام معينة، لكن لتحقيق ذكاء اصطناعي حقيقي، من الضروري المضي قدماً، واستكشاف مسارات وأفكار جديدة كما يقترح يان لوكان. منظوره النقدي للاتجاهات الحالية في الذكاء الاصطناعي يجعلنا نعيد النظر فيما إذا كان الاتجاه المختار صحيحاً وما إذا كان البحث عن حلول بديلة ضرورياً.