مع الإقالة الأخيرة وإعادة التوظيف السريع بقلم Sam Altman بواسطة OpenAI، عادت المناقشات حول تطوير واستخدام الذكاء الاصطناعي (AI) إلى دائرة الضوء مرة أخرى. الأمر الأكثر غرابة هو أن الموضوع البارز في التقارير الإعلامية كان القدرة على أنظمة الذكاء الاصطناعي للقيام بالعمليات الحسابية.
من الواضح أن بعض الدراما في OpenAI كانت مرتبطة بتطوير الشركة لـ جديد خوارزمية الذكاء الاصطناعي تسمى Q*. لقد تم الحديث عن النظام باعتباره تقدمًا كبيرًا وكانت إحدى ميزاته البارزة هي القدرة على التفكير الرياضي.
لكن أليست الرياضيات هي أساس الذكاء الاصطناعي؟ كيف يمكن أن يواجه نظام الذكاء الاصطناعي مشكلة في التفكير الرياضي، بالنظر إلى أن أجهزة الكمبيوتر والآلات الحاسبة يمكنها أداء المهام الرياضية؟
الذكاء الاصطناعي ليس كيانًا واحدًا. إنها عبارة عن خليط من الاستراتيجيات لإجراء العمليات الحسابية دون تعليمات مباشرة من البشر. كما سنرى، تتمتع بعض أنظمة الذكاء الاصطناعي بالكفاءة في الرياضيات.
ومع ذلك، فإن إحدى أهم التقنيات الحالية، وهي نماذج اللغة الكبيرة (LLMs) التي تقف وراء روبوتات الدردشة المستندة إلى الذكاء الاصطناعي مثل ChatGPT، تكافح حتى الآن لمحاكاة المنطق الرياضي. وذلك لأنها مصممة للتركيز على اللغة.
إذا كانت خوارزمية Q* الجديدة للشركة قادرة على حل المشكلات الرياضية غير المرئية، فقد يكون ذلك جيدًا يكون طفرة كبيرة. الرياضيات هي شكل قديم من أشكال التفكير البشري نماذج اللغات الكبيرة (LLMs) لقد كافحت حتى الآن لتقليدها. LLMs هي التكنولوجيا التي تقوم عليها أنظمة مثل برنامج ChatGPT الخاص بـ OpenAI.
في وقت كتابة هذا التقرير، كانت تفاصيل خوارزمية Q* وقدراتها محدودة، ولكنها مثيرة للاهتمام للغاية. لذا، هناك العديد من التفاصيل الدقيقة التي يجب مراعاتها قبل اعتبار السؤال * ناجحًا.
على سبيل المثال، الرياضيات هي موضوع ينخرط فيه الجميع بدرجات متفاوتة، ويظل مستوى الرياضيات الذي تتقنه Q* غير واضح. ومع ذلك، فقد تم نشر عمل أكاديمي يستخدم أشكالًا بديلة للذكاء الاصطناعي لتطوير الرياضيات على مستوى البحث (بما في ذلك بعض ما كتبته بنفسيوواحدة كتبها فريق من علماء الرياضيات بالتعاون مع باحثين في Google DeepMind).
يمكن وصف أنظمة الذكاء الاصطناعي هذه بأنها مختصة في الرياضيات. ومع ذلك، فمن المحتمل أن سؤال * لا يتم استخدامه لمساعدة الأكاديميين في عملهم بل هو مخصص لغرض آخر.
ومع ذلك، حتى لو كان Q* غير قادر على دفع حدود الأبحاث المتطورة، فمن المحتمل جدًا أن يكون هناك بعض الأهمية التي يمكن العثور عليها في الطريقة التي تم بناؤه بها والتي يمكن أن تثير فرصًا محيرة للتطوير المستقبلي.
مريحة على نحو متزايد
كمجتمع، نشعر براحة متزايدة تجاه استخدام الذكاء الاصطناعي المتخصص لحل أنواع محددة مسبقًا من المشكلات. على سبيل المثال، المساعدين الرقميين, التعرف على الوجهو أنظمة التوصية عبر الإنترنت سوف تكون مألوفة لدى معظم الناس. ما يبقى بعيد المنال هو ما يسمى "الذكاء العام الاصطناعي" (AGI) يتمتع بقدرات تفكير واسعة النطاق مماثلة لقدرات الإنسان.
الرياضيات هي مهارة أساسية نطمح إلى تعليمها لكل طفل في المدرسة، ومن المؤكد أنها ستكون بمثابة معلم أساسي في البحث عن الذكاء الاصطناعي العام. فكيف يمكن لأنظمة الذكاء الاصطناعي ذات الكفاءة الرياضية أن تساعد المجتمع؟
ترتبط العقلية الرياضية بالعديد من التطبيقات، على سبيل المثال البرمجة والهندسة، وبالتالي فإن التفكير الرياضي هو مهارة حيوية قابلة للتحويل لكل من الذكاء البشري والاصطناعي. إحدى المفارقات هي أن الذكاء الاصطناعي يعتمد، على المستوى الأساسي، على الرياضيات.
على سبيل المثال، العديد من التقنيات التي تنفذها خوارزميات الذكاء الاصطناعي تتلخص في النهاية في مجال رياضي يُعرف باسم مصفوفة الجبر. المصفوفة هي ببساطة شبكة من الأرقام، ومن الأمثلة المألوفة عليها الصورة الرقمية. كل بكسل هو لا شيء أكثر من البيانات الرقمية.
نماذج اللغات الكبيرة هي أيضًا رياضية بطبيعتها. واستنادًا إلى عينة ضخمة من النص، يمكن للآلة أن تتعلم احتمالات الكلمات الموجودة من المرجح أن يتبع موجه (أو سؤال) من المستخدم إلى الشات بوت. إذا كنت تريد أن يتخصص برنامج LLM مدرب مسبقًا في موضوع معين، فيمكن ضبطه جيدًا على الأدب الرياضي، أو أي مجال آخر من مجالات التعلم. يمكن لـ LLM إنشاء نص يُقرأ كما لو كان يفهم الرياضيات.
ولسوء الحظ، فإن القيام بذلك ينتج ماجستير في القانون يكون جيدًا في الخداع، ولكنه سيئ في التفاصيل. تكمن المشكلة في أن العبارة الرياضية، بحكم التعريف، يمكن تعيينها قيمة منطقية لا لبس فيها (أي صحيح أو خطأ). إن الاستدلال الرياضي يرقى إلى الاستنتاج المنطقي للبيانات الرياضية الجديدة من تلك التي تم تحديدها مسبقًا.
محامي الشيطان
وبطبيعة الحال، فإن أي نهج للاستدلال الرياضي الذي يعتمد على الاحتمالات اللغوية سوف يخرج عن مساره. يمكن أن تكون إحدى الطرق للتغلب على ذلك هي دمج نظام ما للتحقق الرسمي في البنية (بالضبط كيف تم بناء LLM)، والذي يتحقق باستمرار من المنطق وراء القفزات التي قام بها نموذج اللغة الكبير.
يمكن أن يكون هناك دليل على أن هذا قد تم في الاسم Q*، والذي يمكن الإشارة إليه بشكل معقول تم تطوير خوارزمية في السبعينيات للمساعدة في التفكير الاستنتاجي. وبدلاً من ذلك، يمكن أن يشير Q* إلى Q-learning، حيث يمكن للنموذج أن يتحسن بمرور الوقت عن طريق اختبار الاستنتاجات الصحيحة ومكافأتها.
لكن هناك العديد من التحديات التي تواجه بناء أنظمة ذكاء اصطناعي قادرة على الرياضيات. على سبيل المثال، بعض الرياضيات الأكثر إثارة للاهتمام تتكون من أحداث غير محتملة إلى حد كبير. هناك العديد من المواقف التي قد يعتقد فيها المرء أن النمط موجود بناءً على أرقام صغيرة، لكنه ينهار بشكل غير متوقع عندما يتحقق المرء من الحالات الكافية. ومن الصعب دمج هذه الإمكانية في الآلة.
قد يكون التحدي الآخر بمثابة مفاجأة: فالأبحاث الرياضية يمكن أن تكون إبداعية للغاية. يجب أن يكون الأمر كذلك، لأن الممارسين يحتاجون إلى ابتكار مفاهيم جديدة مع الالتزام بها القواعد الرسمية لموضوع قديم.
من المفترض أن أي منهجية ذكاء اصطناعي يتم تدريبها فقط للعثور على أنماط في الرياضيات الموجودة مسبقًا لا يمكنها أبدًا إنشاء رياضيات جديدة حقًا. ونظرًا لوجود خط الأنابيب بين الرياضيات والتكنولوجيا، يبدو أن هذا يحول دون تصور ثورات تكنولوجية جديدة.
لكن دعونا نلعب دور محامي الشيطان للحظة، ونتخيل ما إذا كان الذكاء الاصطناعي يمكنه بالفعل إنشاء رياضيات جديدة. الحجة السابقة ضد هذا بها عيب، حيث يمكن القول أيضًا أن أفضل علماء الرياضيات من البشر تم تدريبهم أيضًا بشكل حصري على الرياضيات الموجودة مسبقًا. لقد فاجأتنا نماذج اللغات الكبيرة من قبل، وسوف تفعل ذلك مرة أخرى.
توم أوليفر, محاضر, علوم وهندسة الكمبيوتر, جامعة وستمنستر
يتم إعادة نشر هذه المقالة من المحادثة تحت رخصة المشاع الإبداعي. إقرأ ال المقال الأصلي.
