الذكاء الاصطناعي العصبي الرمزي: كيف نجعل النماذج اللغوية تُجيد الحساب أخيرًا

أنفقت كبرى شركات التقنية في العالم عشرات المليارات من الدولارات على نماذج لغوية قادرة على كتابة الشيفرات البرمجية وترجمة النصوص وتوليد استدلالات متماسكة في أي موضوع. لكن اطلب من أي منها قسمة 7429 على 17، وستبدأ لعبة الحظ. أحيانًا تأتي الإجابة صحيحة، وأحيانًا لا، وأحيانًا يقدّم النموذج هلوسة واثقة يستحيل تمييزها عن النتيجة الصحيحة. وهذه ليست علّة يمكن إصلاحها بتحديث برمجي، بل قيد جوهري في البنية نفسها. وقد أشار أحد الباحثين على منصة Habr إلى المشكلة، ولم يكتفِ بذلك، بل اقترح حلًا عمليًا.

قبل الخوض في الحل، لا بد من فهم سبب وجود المشكلة أصلًا. تعالج النماذج اللغوية المبنية على بنية Transformer المعلومات عبر تحويلات رياضية متصلة، مثل ضرب المصفوفات ودوال التنشيط وآلية الانتباه. ويؤدي ذلك أداءً ممتازًا في المهام التي تعتمد على الأنماط والسياق والتقديرات التقريبية. أما الحساب فعملية منفصلة بطبيعتها: اثنان زائد اثنين يساوي أربعة تمامًا، لا 3.97 ولا 4.02. وحين تحاول الشبكة العصبية محاكاة الحسابات الدقيقة عبر التقريب، فإنها تخطئ حتمًا، خصوصًا مع أعداد لم ترد في بيانات التدريب أو تقع خارج النطاقات المألوفة.

جرّبت الصناعة حلولًا التفافية. فأسلوب Chain-of-Thought يدفع النموذج إلى الاستدلال خطوة بخطوة، وهذا يحسّن النتائج لكنه لا يعالج أصل المشكلة، إذ تُنفَّذ كل خطوة في السلسلة بالبنية التقريبية نفسها. أما fine-tuning على المسائل الرياضية فيفيد في سيناريوهات ضيقة، لكنه لا يعمّم. وتوسيع نافذة السياق وزيادة حجم النموذج يمنحان تحسينات هامشية بتكلفة حوسبية هائلة. وانتهت الشركات إلى حل مفارق: ربط آلات حاسبة عادية بأقوى الشبكات العصبية عبر استدعاءات الأدوات. وهذا يعمل، لكنه يبدو كترقيعة ملصقة بمركبة فضائية.

سلك الباحث طريقًا مختلفًا باقتراح بنية عصبية رمزية، وهي بنية هجينة تتولى فيها المكونات العصبية ما تتقنه فعلًا، وتتكفل الوحدات الرمزية بالمهام التي تتطلب الدقة. والفكرة ليست جديدة بالمعنى الأكاديمي، فالذكاء الاصطناعي العصبي الرمزي يُناقَش في الأوساط العلمية منذ سنوات، وقد أشار باحثون مثل يوشوا بنجيو وغاري ماركوس منذ زمن بعيد إلى ضرورة الجمع بين النموذجين. لكن المسافة بين الطرح النظري والتنفيذ العملي شاسعة، وهذه المسافة تحديدًا حاول المؤلف قطعها.

جوهر البنية المقترحة شبكة عصبية دلالية لا يحاول فيها النموذج الحساب مباشرة، بل يتعرف على نوع المهمة ويفوّض التنفيذ إلى الوحدة الرمزية المناسبة. تعمل الشبكة العصبية مفسِّرًا للنوايا وموجِّهًا للمهام، بينما تتولى خوارزميات حتمية تنفيذ العمليات الدقيقة. ويختلف هذا اختلافًا جوهريًا عن نهج الأدوات الخارجية: فبدلًا من استدعاء API مرهق إلى آلة حاسبة، يُدمج المنطق الرمزي مباشرة في بنية النموذج، مما يتيح له العمل بسرعة وموثوقية أعلى.

تؤكد نتائج التجارب التي وصفها المؤلف جدوى النهج، وإن كان الحديث عن ثورة لا يزال سابقًا لأوانه. والسؤال المحوري هو قابلية التوسع. فالحساب أبسط حالات الاستدلال الرمزي، ومن الأصعب بكثير دمج وحدات رمزية للاستنتاج المنطقي أو التخطيط أو التحقق من الوقائع. فإن استطاعت البنية التوسع إلى هذه المجالات، فستغيّر المشهد فعلًا. وإن لم تستطع، فستبقى حلًا أنيقًا لكنه محدود النطاق.

تتجاوز أهمية هذا العمل بالنسبة للصناعة حدود تطبيق بعينه. فهو يُبرز اتجاهًا يزداد قوة في الأشهر الأخيرة: التوسيع الخالص للشبكات العصبية يصطدم بسقف، والمستقبل للأنظمة الهجينة. وتجرّب OpenAI وGoogle وAnthropic بالفعل أشكالًا مختلفة من الدمج العصبي الرمزي، وإن لم تتحدث عن ذلك دائمًا بصراحة. وكون باحث مستقل يقترح أفكارًا منافسة بشيفرة مفتوحة يدل على نضج المجتمع البحثي وعلى ديمقراطية الأبحاث في مجال الذكاء الاصطناعي.

في المحصلة، يطرح هذا العمل السؤال الصحيح: ألا ينبغي التوقف عن إجبار الشبكات العصبية على فعل ما لم تُخلق له، وترك كل مكوّن في النظام يؤدي ما يجيده أكثر من غيره؟ يبدو أن الجواب بديهي. ويبقى فقط تنفيذه على نطاق واسع.