هل يستطيع الذكاء الاصطناعي أن يفكر مثلنا؟

مقال جديد نُشر في المجلة الهندسة  يقدم نهجًا رائدًا في مجال الذكاء الاصطناعي، يعتمد على محاكاة تشغيل الذاكرة البشرية في الأنظمة الميكانيكية. يركز البحث على معالجة القيود الرئيسية للنماذج الكبيرة الحالية - مثل عدم الكفاءة ومتطلبات الحوسبة العالية واستهلاك الطاقة، فضلاً عن الافتقار إلى القدرة على استخلاص استنتاجات منطقية - من خلال تطوير نظام "ذاكرة الآلة" الذي يحول المعلومات الخارجية إلى تنسيق قابل للقراءة والتنفيذ للكمبيوتر. يتكون النظام من بنية تخزين شبكية متعددة الطبقات تدعم التحديثات الديناميكية والعلاقات المكانية والزمانية ونهج مرن يعتمد على حسابات مفصلة. وبناءً على هذه الفكرة، تم اقتراح الإطار المعروف باسم M2I، والذي يتضمن نماذج للتمثيل والتعلم والاستدلال تعمل في حلقات تفاعلية.

وتقدم الدراسة إطار عمل M2I الذي يركز على أربعة مجالات رئيسية. أولاً، يدرس الآليات العصبية لـ "ذاكرة الآلة" ويفحص كيف يتم تحديد الأنظمة العصبية في الدماغ مسبقًا وكيف يساهم تطور الدماغ ومرونته في الذكاء. ويتناول البحث بعد ذلك التمثيل الترابطي، حيث يحاول تشفير المعلومات واسترجاعها من خلال إنشاء روابط ترابطية، مثل تلك الموجودة بين المفاهيم المجردة والملموسة وبين المكان والزمان، على غرار الطريقة التي يتم بها تنظيم الذاكرة البشرية وتخزينها. بالإضافة إلى ذلك، تم اقتراح طرق للتعلم المستمر تهدف إلى التعامل مع مشكلة "النسيان الكارثي"، بحيث تتمكن الأنظمة من دمج المعرفة الجديدة مع الحفاظ على المعلومات الموجودة، حتى في ظل ظروف انخفاض استهلاك الطاقة. وأخيرا، تناقش الدراسة تحسين عمليات الاستدلال من خلال الجمع بين التفكير البديهي والاستدلال المنطقي، بهدف تحسين وضوح العمليات وكفاءتها.

على الرغم من أن نماذج الذكاء الاصطناعي الكبيرة، مثل ChatGPT، أظهرت إنجازات مثيرة للإعجاب في مجموعة واسعة من التطبيقات، إلا أنها تعاني من قيود أساسية ناجمة عن تصميمها الأساسي، وعمليات التدريب الخاصة بها، واعتمادها على البيانات وحدها للاستدلال. وتزعم الدراسة أن هذه المشاكل تنبع من عدم وجود آليات تشبه تلك الموجودة في الذاكرة البشرية والتي تسمح بفهم أعمق ومعالجة ديناميكية للمعلومات.

ومن خلال اعتماد مبادئ تعتمد على الذاكرة البشرية، فإن إطار عمل M2I قد يؤدي إلى تطوير آلات أكثر ذكاءً قادرة على التعامل مع المهام المعقدة، والتعلم المستمر، والتكيف مع البيئات المتغيرة. ورغم أن البحث لا يزال يتطلب مزيداً من التطوير والاختبار، فإنه يقدم منظوراً جديداً للتعامل مع قيود النماذج الكبيرة الحالية، وقد يمهد الطريق لجيل جديد من أنظمة الذكاء الاصطناعي ذات القدرات المعرفية المتقدمة.