موازين الحرارة المعرفية: اقتراح لقياس تعقيد المعنى بالشبكات العصبية

تطرح ورقة arXiv:2610.10724 (قسم cs.CL) المنشورة كمسوّدة أولية سؤالًا يقع عند تقاطع علم اللغة والعلوم المعرفية والتعلم الآلي: لماذا تفضّل اللغات الطبيعية معاني معينة على غيرها بصورة منهجية؟ يقترح المؤلفون قياس تعقيد المعنى من خلال قابلية النماذج للتعلّم، ويسمّون هذه النماذج «موازين حرارة معرفية». لا تتضمن الورقة معايير اختبار جديدة ولا أرقامًا قياسية. فهي مراجعة للبيانات المتراكمة وموقف منهجي، لكن له تبعات عملية على باحثي الذكاء الاصطناعي.

لماذا أصبح التعقيد المنطقي أداة غير ملائمة

تدرس التصنيفات الدلالية اللغوية (Semantic typology) المعاني الموجودة في لغات العالم، وتلك التي نادرًا ما تظهر فيها. ومن الأمثلة المعتادة على موضوعات البحث الكميّات مثل «كل» و«بعض» و«معظم»، وكلمات الألوان والقرابة والجهة (modality). والتفسير الكلاسيكي أن المعاني الشائعة أبسط. وتُعرَّف البساطة عادةً عبر المنطق، أي بالنظر إلى طول الصيغة التي تصف المعنى أو إلى تعقيد تعريفه.

لهذا النهج نقطة ضعف يسمّيها المؤلفون صراحةً. فتقدير التعقيد يتوقف بدرجة كبيرة على اختيار اللغة المنطقية. فإذا أضفتَ مؤثرًا واحدًا إلى مجموعة العناصر الأولية، يصبح معنى ما «أقصر» ويصبح آخر «أطول». ويتخذ الباحثون بعض هذه القرارات دون مبرر مستقل. والنتيجة أن المقياس يمكن تكييفه مع النتيجة المرغوبة، ولو دون قصد.

ما البديل المقترح

يرى المؤلفون أن التعلم الآلي يتيح طريقة أكثر حيادًا (agnostic) لقياس الكمية نفسها. والفكرة أن يُدرَّب نموذج على التعرّف على المعنى، ثم يُنظر في مقدار البيانات أو عدد الخطوات التي يحتاجها لذلك. وكلما كان المعنى أصعب في التعلّم، كان «أكثر تعقيدًا». ولا يتطلب ذلك اختيار صياغة منطقية شكلية، لكن تبقى افتراضات أخرى: البنية المعمارية والبيانات وإجراءات التدريب.

تخلص المراجعة إلى ثلاث نتائج:

• يعطي المنطق والتعلم الآلي في كثير من الأحيان تقديرات متشابهة للتعقيد النسبي للمعاني.
• تتنبأ هذه التقديرات بالقدر نفسه بالمعاني الأكثر شيوعًا في لغات العالم.
• حيث تختلف الطريقتان، تفسّر قابلية التعلّم، بحسب رأي المؤلفين، البيانات التصنيفية اللغوية بصورة أفضل من التعقيد المنطقي.

ومن هنا جاءت استعارة ميزان الحرارة. فهو لا يفسّر سبب الدفء، لكنه يعطي رقمًا قابلًا لإعادة الإنتاج ولا يعتمد على أذواق المراقب. والنموذج في هذا الدور أداة قياس، وليس نموذجًا للتفكير البشري.

جسر بين الرموز والاتصالية

الحجة النظرية الرئيسية في الورقة أن هذا النهج يوحّد المنطق الرمزي والذكاء الاصطناعي الاتصالي (connectionist). فقد تجادل المعسكران سنوات طويلة حول ما يُمثَّل به المعرفة: القواعد أم الأوزان الموزَّعة. وهنا يجدان مهمة مشتركة. فالمنطق يضع فرضيات حول بنية المعاني، والتعلّم يختبر مدى اتفاق هذه الفرضيات مع ما يسهل تعلّمه فعلًا.

والتحفظات واضحة. فقابلية الشبكة العصبية للتعلّم تعتمد على البنية المعمارية والانحيازات الاستقرائية وتوزيع البيانات، لذا قد يكون لـ«ميزان الحرارة» خطأ منهجي خاص به. كما أن تشابه النتائج مع التصنيف اللغوي البشري لا يثبت بعدُ أن الإنسان يتعلم بالطريقة نفسها. فهذا ارتباط بين إجراءين للقياس، وليس دليلًا على آلية مشتركة.

أين قد يكون هذا مفيدًا

بالنسبة إلى الممارسين والباحثين، الخلاصة عملية إلى حد كبير. فإذا كنت تدرس ما تتعلمه النماذج اللغوية وكيف تتعلمه، توفر التصنيفات الدلالية اللغوية مجموعة جاهزة من المهام الاختبارية ذات بيانات بشرية معروفة. وإذا كنت تعمل في قابلية التفسير (interpretability)، يمكنك مقارنة «التعقيد بالنسبة إلى النموذج» بـ«التعقيد بالنسبة إلى الإنسان» والبحث عن الفروق، فهي تُظهر أين يستخدم النموذج استراتيجيات غريبة غير بشرية. أما لمن يبنون أنظمة عصبية رمزية (neurosymbolic)، فتعدّ الورقة حجة لصالح مقاييس هجينة يُختبر فيها التعقيد الشكلي بقابلية التعلّم التجريبية.

لا يزال هذا حتى الآن برنامجًا بحثيًا أكثر منه معيارًا جاهزًا. وستحدد قيمتَه تجارب قابلة لإعادة الإنتاج على بنى معمارية مختلفة: فإذا أعطت نماذج مختلفة «درجة تعقيد» متسقة، أمكن اعتبار ميزان الحرارة صالحًا للعمل.