تاريخ النشر: ١٩ مايو ٢٠٢٥ / تاريخ التحديث: ١٩ مايو ٢٠٢٥ - المؤلف: Konrad Wolfenstein
كيف يتعلم الذكاء الاصطناعي كالدماغ: نهج جديد لأنظمة الذكاء الاصطناعي للتعلم بمرور الوقت – ساكانا للذكاء الاصطناعي وآلة التفكير المستمر – الصورة: إكسبرت ديجيتال
إعادة تصور التفكير البشري: نموذج إدارة التغيير المبتكر من ساكانا إيه آي
التفكير الآلي 2.0: لماذا يُعدّ CTM علامة فارقة؟
يمثل نظام "آلة التفكير المستمر" (CTM) الجديد، الذي طورته شركة ساكانا إيه آي اليابانية الناشئة، نقلة نوعية في أبحاث الذكاء الاصطناعي، إذ يُرسخ الديناميكيات الزمنية للنشاط العصبي كآلية مركزية للتفكير الآلي. وعلى عكس نماذج الذكاء الاصطناعي التقليدية التي تعالج المعلومات في دورة واحدة، يُحاكي نظام CTM عملية تفكير متعددة المراحل تُشبه إلى حد كبير آلية عمل الدماغ البشري.
مناسب ل:
ثورة التفكير القائم على الزمن
بينما تعمل نماذج الذكاء الاصطناعي التقليدية مثل GPT-4 أو Llama 3 بشكل تسلسلي - حيث تدخل المدخلات وتخرج المخرجات - فإن CTM يكسر هذا المبدأ. يعمل النظام بمفهوم زمني داخلي، يُسمى "النبضات" أو الخطوات الزمنية المنفصلة، والتي من خلالها تتطور الحالة الداخلية للنموذج تدريجيًا. يُمكّن هذا النهج من التكيف التكراري ويخلق عملية تُشبه عملية التفكير الطبيعية أكثر من كونها مجرد رد فعل.
"يعمل نموذج CTM بمفهوم داخلي للوقت، ما يسمى بـ "النبضات الداخلية"، والتي تكون منفصلة عن مدخلات البيانات،" كما توضح شركة Sakana AI. "هذا يسمح للنموذج "بالتفكير" من خلال عدة خطوات عند حل المهام، بدلاً من اتخاذ قرار فوري في تمريرة واحدة."
يكمن جوهر هذا النهج في استخدام التزامن العصبي كآلية تمثيل أساسية. استلهمت شركة ساكانا للذكاء الاصطناعي من آلية عمل الدماغ البيولوجي، حيث يلعب التنسيق الزمني بين الخلايا العصبية دورًا حاسمًا. يتجاوز هذا الإلهام البيولوجي مجرد الاستعارة، ويشكل أساس فلسفة تطوير الذكاء الاصطناعي لديهم.
نماذج على مستوى الخلايا العصبية: الأسس التقنية
يقدم نموذج CTM بنية عصبية معقدة تُعرف باسم "نماذج مستوى الخلايا العصبية" (NLMs). لكل خلية عصبية معايير وزن خاصة بها، وتتتبع تاريخ التنشيطات السابقة. تؤثر هذه السجلات على سلوك الخلايا العصبية بمرور الوقت، مما يتيح معالجة أكثر ديناميكية من الشبكات العصبية الاصطناعية التقليدية.
تتطور عملية التفكير عبر عدة خطوات داخلية. أولاً، يقوم "نموذج التشابك العصبي" بمعالجة الحالات العصبية الحالية بالإضافة إلى بيانات الإدخال الخارجية لتوليد إشارات أولية - ما يُسمى بالتنشيطات المسبقة. بعد ذلك، تقوم "نماذج الخلايا العصبية" الفردية بالوصول إلى تاريخ هذه الإشارات لحساب حالاتها التالية.
تُسجَّل حالات الخلايا العصبية بمرور الوقت لتحليل قوة التزامن بينها. ويُشكِّل هذا التزامن التمثيل الداخلي المركزي للنموذج. كما تُتيح آلية انتباه إضافية للنظام اختيار ومعالجة الأجزاء ذات الصلة من بيانات الإدخال بشكل انتقائي.
اختبارات الأداء والاختبارات العملية
في سلسلة من التجارب، قارنت شركة ساكانا للذكاء الاصطناعي أداء نموذج إدارة المحتوى (CTM) مع البنى المعمارية الراسخة. وتُظهر النتائج تقدماً واعداً في مجالات تطبيقية متنوعة.
تصنيف الصور والمعالجة المرئية
على مجموعة بيانات ImageNet 1K الشهيرة، حقق نموذج CTM دقة تصنيف عالية (Top 1) بلغت 72.47%، ودقة تصنيف عالية (Top 5) بلغت 89.89%. ورغم أن هذه القيم لا تُعدّ من بين الأفضل وفقًا لمعايير اليوم، إلا أن شركة Sakana AI تؤكد أن هذا ليس الهدف الأساسي للمشروع. والجدير بالذكر أن هذه هي المحاولة الأولى لاستخدام الديناميكيات العصبية كتمثيل لتصنيف ImageNet.
في الاختبارات التي أجريت باستخدام مجموعة بيانات CIFAR-10، تفوق نموذج CTM بشكل طفيف على النماذج التقليدية، حيث كانت تنبؤاته أقرب إلى عملية اتخاذ القرار البشري. فعلى مجموعة بيانات CIFAR-10H، حقق نموذج CTM خطأ معايرة لا يتجاوز 0.15، متجاوزًا بذلك كلًا من البشر (0.22) ونماذج LSTM (0.28).
حل المشكلات المعقدة
في مهام التكافؤ بطول 64، حقق نموذج CTM دقةً مذهلة بلغت 100% خلال أكثر من 75 دورة ساعة، بينما انخفضت دقة نماذج LSTM إلى أقل من 60% خلال 10 دورات ساعة فعّالة كحد أقصى. وفي تجربة المتاهة، أظهر النموذج سلوكًا مشابهًا لتخطيط المسار خطوة بخطوة، بنسبة نجاح بلغت 80%، مقارنةً بنسبة 45% لنماذج LSTM و20% فقط للشبكات الأمامية.
من الأمور المثيرة للاهتمام بشكل خاص قدرة النموذج على تعديل عمق المعالجة ديناميكيًا: فهو يتوقف مبكرًا للمهام البسيطة ويستغرق وقتًا أطول في المعالجة للمهام الأكثر تعقيدًا. ويعمل هذا دون الحاجة إلى وظائف إضافية تُفقد البيانات، وهو سمة متأصلة في بنية النموذج.
قابلية التفسير والشفافية
من السمات الرئيسية لنموذج CTM قابليته للتفسير. أثناء معالجة الصور، تقوم رؤوس الانتباه بمسح السمات ذات الصلة بشكل منهجي، مما يوفر نظرة ثاقبة على "عملية التفكير" للنموذج. في تجارب المتاهة، أظهر النظام سلوكًا مشابهًا للتخطيط التدريجي للمسار - وهو سلوك، وفقًا للمطورين، ناشئ وليس مبرمجًا بشكل صريح.
بل إن شركة ساكانا للذكاء الاصطناعي تقدم عرضًا توضيحيًا تفاعليًا يُظهر فيه نظام إدارة المحتوى (CTM) وهو يجد طريقه للخروج من متاهة في ما يصل إلى 150 خطوة داخل المتصفح. وتُعد هذه الشفافية ميزةً هامةً مقارنةً بالعديد من أنظمة الذكاء الاصطناعي الحديثة، التي غالبًا ما يُنظر إلى عملية اتخاذ القرار فيها على أنها "صندوق أسود".
مناسب ل:
التحديات والقيود
على الرغم من النتائج الواعدة، لا تزال تقنية إدارة التجارب السريرية تواجه تحديات كبيرة:
- الجهد الحسابي: تتطلب كل دورة ساعة داخلية عمليات تمرير كاملة للأمام، مما يزيد تكاليف التدريب بمقدار ثلاثة أضعاف تقريبًا مقارنة بشبكات LSTM.
- قابلية التوسع: يمكن للتطبيقات الحالية معالجة 1000 عصبون كحد أقصى، ولم يتم اختبار التوسع إلى حجم المحول (≥1 مليار معلمة) حتى الآن.
- مجالات التطبيق: في حين أن CTM يُظهر نتائج جيدة في اختبارات محددة، إلا أنه يبقى أن نرى ما إذا كانت هذه المزايا ستترجم أيضًا إلى تطبيقات عملية واسعة النطاق.
أجرى الباحثون تجارب على أحجام نماذج مختلفة، ووجدوا أنه على الرغم من أن زيادة عدد الخلايا العصبية تؤدي إلى أنماط نشاط أكثر تنوعًا، إلا أنها لا تُحسّن النتائج تلقائيًا. وهذا يشير إلى وجود علاقات معقدة بين بنية النموذج وحجمه وأدائه.
Sakana AI: نهج جديد للذكاء الاصطناعي
تأسست شركة ساكانا للذكاء الاصطناعي في يوليو 2023 على يد ديفيد ها وليون جونز، وهما من رواد الذكاء الاصطناعي وباحثان سابقان في جوجل، بالإضافة إلى رين إيتو، الموظف السابق في ميركاري والمسؤول في وزارة الخارجية اليابانية. وتتبنى الشركة نهجًا مختلفًا جذريًا عن العديد من مطوري الذكاء الاصطناعي المعروفين.
بدلاً من اتباع النهج التقليدي المتمثل في نماذج الذكاء الاصطناعي الضخمة والمستهلكة للموارد، تستلهم ساكانا إيه آي من الطبيعة، وتحديداً من الذكاء الجماعي لأسراب الأسماك وأسراب الطيور. وعلى عكس شركات مثل أوبن إيه آي، التي تطور نماذج ضخمة وقوية مثل ChatGPT، تعتمد ساكانا إيه آي على نهج لا مركزي باستخدام نماذج ذكاء اصطناعي أصغر حجماً وأكثر تعاوناً، تعمل معاً بكفاءة عالية.
وتنعكس هذه الفلسفة أيضاً في CTM. فبدلاً من مجرد بناء نماذج أكبر ذات معلمات أكثر، تركز Sakana AI على الابتكارات المعمارية الأساسية التي يمكن أن تغير بشكل جذري طريقة معالجة أنظمة الذكاء الاصطناعي للمعلومات.
هل يمثل ذلك تحولاً جذرياً في تطوير الذكاء الاصطناعي؟
قد تُمثل آلة التفكير المستمر خطوةً هامةً في تطوير الذكاء الاصطناعي. فمن خلال إعادة إدخال الديناميكيات الزمنية كعنصرٍ أساسي في الشبكات العصبية الاصطناعية، تُوسّع شركة ساكانا للذكاء الاصطناعي نطاق الأدوات والمفاهيم المتاحة لأبحاث الذكاء الاصطناعي.
قد يكون الإلهام البيولوجي، وقابلية التفسير، والعمق الحسابي التكيفي لنموذج CTM ذا قيمة خاصة في التطبيقات التي تتطلب استدلالًا معقدًا وحلًا للمشكلات. علاوة على ذلك، قد يؤدي هذا النهج إلى أنظمة ذكاء اصطناعي أكثر كفاءة تتطلب موارد حسابية أقل.
يبقى أن نرى ما إذا كان نموذج CTM يمثل طفرة حقيقية. ويكمن التحدي الأكبر في ترجمة النتائج الواعدة من الاختبارات المعملية إلى تطبيقات عملية، وتوسيع نطاق البنية لتشمل نماذج أكبر.
على أي حال، يُمثل جهاز التفكير المستمر (CTM) نهجًا جريئًا ومبتكرًا، يُظهر أنه على الرغم من النجاحات الباهرة لأنظمة الذكاء الاصطناعي الحالية، لا يزال هناك مجال واسع للابتكار الجوهري في بنية الشبكات العصبية الاصطناعية. ويُذكرنا جهاز التفكير المستمر من شركة ساكانا للذكاء الاصطناعي بأننا قد نكون في بداية رحلة طويلة نحو تطوير ذكاء اصطناعي يُحاكي الذكاء البشري حقًا.
مناسب ل:
تحول الذكاء الاصطناعي ، وتكامل الذكاء الاصطناعى وخبير صناعة منصة الذكاء الاصطناعى
☑️ لغة العمل لدينا هي الإنجليزية أو الألمانية
☑️ جديد: المراسلات بلغتك الوطنية!
Konrad Wolfenstein
سأكون سعيدًا بخدمتك وفريقي كمستشار شخصي.
يمكنك الاتصال بي عن طريق ملء نموذج الاتصال أو ببساطة اتصل بي على +49 89 89 674 804 (ميونخ) . عنوان بريدي الإلكتروني هو: ولفنشتاين ∂ xpert.digital
إنني أتطلع إلى مشروعنا المشترك.
