تشير الأبحاث الجديدة إلى ثلاثة اتجاهات رئيسية لتطوير الذكاء الاصطناعي: تمكين المعرفة، والتعاون بين النماذج، والتطوير المشترك، بهدف التغلب على قيود النماذج الكبيرة الموجودة.
مقالة نشرت مؤخرا في مجلة الهندسة يتناول مستقبل الذكاء الاصطناعي (AI) بما يتجاوز نماذج اللغة الكبيرة (LLMs). وقد أظهرت هذه النماذج تقدماً مذهلاً في المهام المتعددة الوسائط، ولكنها تواجه قيوداً مثل المعلومات القديمة، والتحف الفنية، وانعدام الكفاءة، ونقص القدرة على التفسير. ولمعالجة هذه المشاكل، يستكشف الباحثون ثلاثة اتجاهات رئيسية: تمكين المعرفة، والتعاون بين النماذج، والتطوير المشترك للنماذج.
تمكين المعرفة يهدف إلى دمج المعرفة الخارجية في النماذج الأكبر. ويمكن تحقيق ذلك من خلال طرق مختلفة، بما في ذلك دمج المعرفة في أهداف التدريب، والضبط وفقًا للتعليمات، والاستدلال المعزز بناءً على استرجاع المعرفة، والتعليمات القائمة على المعرفة. على سبيل المثال، تقوم بعض الدراسات بتصميم وظائف فقدان مدركة للمعرفة أثناء التدريب المبكر، في حين تستخدم دراسات أخرى التوليد المعزز للاسترجاع لاسترجاع المعرفة ذات الصلة في وقت الاستدلال. تعمل هذه التقنيات على تحسين دقة الحقائق، وقدرات الاستدلال، وتفسير النماذج.
التعاون بين النماذج يركز على استغلال نقاط القوة التكميلية للنماذج المختلفة. ويتضمن ذلك استراتيجيات مثل دمج النماذج والتعاون الوظيفي. يسمح دمج النماذج، مثل الجمع بين النماذج (التجميع) والدمج الوظيفي (على سبيل المثال، المزج بين الخبراء)، بتحسين الأداء. في التعاون الوظيفي، يمكن للنماذج الكبيرة أن تعمل كمديري مهام يوجهون نماذج أصغر وأكثر خبرة. على سبيل المثال، في مهام إنشاء الصور، يمكن للنماذج الكبيرة توجيه النماذج المتخصصة لتلبية متطلبات التعليمات على أفضل وجه.
التطوير المشترك للنماذج يسمح للنماذج المختلفة بالتطور معًا. في ظل أنواع مختلفة من التباين - النماذج والمهام والبيانات - تم اقتراح تقنيات متنوعة. بالنسبة لتباين النموذج، يتم استخدام طرق مثل مشاركة المعلمات، وتحسين المعرفة المزدوجة، وإسقاط المعلمات القائم على الشبكة الفائقة. في سياق عدم تجانس المهام، يلعب التعلم المزدوج، والتعلم التنافسي (نموذجان يقدمان اقتراحًا معاكسًا لبعضهما البعض، وهو نوع من التناقض، كما اتضح) ودمج النماذج دورًا محوريًا. عندما يتعلق الأمر بتباين البيانات، فإن التعلم الموزع واستخراج المعرفة خارج التوزيع هي التقنيات الأساسية. تعمل هذه الأساليب على تحسين قدرة النماذج على التكيف والتعامل مع المهام المتنوعة.
إن التقدم في عصر ما بعد النماذج الكبيرة له تأثير في مجموعة متنوعة من المجالات. وفي العلوم، يساهم في تطوير الفرضيات من خلال دمج المعرفة الخاصة بالمجال. على سبيل المثال، في علم الأرصاد الجوية، يمكن للنماذج القائمة على الذكاء الاصطناعي، جنبًا إلى جنب مع المعرفة المتخصصة، تحسين التوقعات الخاصة بالطاقة المتجددة. في الهندسة، يساعدون في صياغة المشاكل وحلها. وفي المجتمع، تشمل تطبيقاتها مجالات مثل الرعاية الصحية وإدارة النقل.
وفي المستقبل، تشير الورقة إلى العديد من الاتجاهات البحثية الإضافية، بما في ذلك الذكاء الاصطناعي المبشر، والذكاء الاصطناعي المستوحى من الدماغ، والنماذج الأساسية غير التحويلية، والنمذجة المدمجة مع درجات الماجستير في القانون. تتمتع هذه المجالات بإمكانات كبيرة لتطوير قدرات الذكاء الاصطناعي بشكل أكبر. مع استمرار تطور الذكاء الاصطناعي، سيكون الجمع بين المعرفة والتعاون والتطوير المشترك أمرًا بالغ الأهمية في بناء أنظمة ذكاء اصطناعي أكثر قوة وكفاءة وذكاءً.
المزيد عن الموضوع على موقع العلوم:
