الرياضيات التاريخية يمكن أن تعزز من الذكاء الاصطناعي AI .

ماذا لو أصبح التعلم العميق Deep Learning عديم الفائدة لتطوير الذكاء الاصطناعي AI؟ هذه التقنية المنسية من القرن الثامن عشر يمكن أن تكون بديلاً له.

حتى الآن، يتم تقديم التعلم العميق أو Deep Learning كعملية أساسية لتطوير الذكاء الاصطناعي AI. وتتضمن هذه العملية تدريب نماذج لغوية كبيرة LLM باستخدام كمية هائلة من البيانات. ومع ذلك، يُقدم باحثون فنلنديون وجهة نظر تشير إلى أن التعلم  Deep Learning قد يصبح عديم الفائدة.

 .

هؤلاء الباحثون هم جزء من فريق عمل في جامعة يوفاسكولا  Jyväskylä الذي يقوم بالعمل على تقنيات تطوير الذكاء الاصطناعي AI. لقد نشروا الشهر الماضي، في مجلة الحوسبة العصبية Neurocomputing، ورقة بحثية مثيرة للاهتمام حول أسلوب رياضي قديم من القرن الثامن عشر. 

ويُظهر هؤلاء الباحثون أن هذه التقنية أكثر بساطة وأكثر أداءً من التعلم العميق  Deep Learning  ، وهو ما دافعوا عنه في ورقتهم البحثية. و يجدر بالذكر أن هذا الاستنتاج يمثل نتيجة ست سنوات من البحث لهؤلاء الباحثين.

يجب أن يصبح التعلم العميق Deep Learning غير مجدٍ...

التعلم العميق يشبه تقنيات الذكاء الاصطناعي AI التي تستغل بشكل كبير من البيانات والموارد الحاسوبية. و تُستخدم هذه البيانات والموارد لتدريب الشبكات العصبية بهدف الحصول على نماذج لغة كبيرة LLM. يجدر بالإشارة إلى أن هذه النماذج تكون في قلب الذكاء الاصطناعي التوليدي Generative AI  مثل  شات جبتيChat-GPT الشهير.

لكن لا ينبغي أن نعتقد أن التعلم العميق Deep Learning خال من الأخطاء. لأن حجم البيانات الضخمة الذي يتم معالجتها يجعلها طريقة معقدة وغالبًا ما تكون عرضة للأخطاء، مما يؤثر بشكل كبير على أداء النماذج التوليدية التي يتم الحصول عليها.

في الواقع، تم العثور على صعوبات التعلم العميق Deep Learning في هيكل نموذج اللغة الكبير LLM. مما يمكن أن يجعل منه صندوقا أسود على آلية عمل نموذج الذكاء الاصطناعي AI. و نظرًا لعدم السيطرة على كيفية عمله فإن الأداء قد لا يكون على ما يرام، و إن غموض آلية الذكاء الاصطناعي AI يمكن أن تكشف عن عدم شفافية آلية الذكاء الاصطناعي AI مما يؤدي إلى مخاطر محتملة مما  يعرض الناس للمخاطر. 

توجد نماذج ذكاء اصطناعي AI ذات أداء جيد من دون التعلم العميق Deep Learning.

يعمل فريق جامعة جيفاسكيلا Jyväskylä منذ ست سنوات على تحسين عمليات التعلم العميق Deep Learning. و شملت أبحاثهم محاولات استكشاف سبل تقليل حجم البيانات. و الهدف هو العثور على وسيلة عملية لتزويد النماذج اللغوية الكبيرة يعمل بالبيانات دون أن يتم إغراقها بكميات كبيرة من البيانات.

و يقول  مؤلفو البحث أنهم وجدوا الحل في التطبيقات الخطية وغير الخطية linear and non-linear applications. ، وهو مفهوم رياضي خصوصا الجبر تم تطويره في الفترة الممتدة من القرن السابع عشر إلى القرن الثامن عشر، و يعتمد هذا بشكل رئيسي على توظيف الدوال والمعادلات التفاضلية .

وبالتالي فإن التطبيقات الخطية وغير الخطية تجعل من الممكن إنشاء نماذج لغة جديدة تماما . وينتج عن هذا نماذج لغة ذات بنية أقل تعقيدًا بكثير LLM و علاوة على ذلك، فإن عملها لا يتطلب حجمًا ضخمًا من البيانات. ومع ذلك، فإن هذا ليس له أي تأثير سلبي على الأداء.

استخدام الرياضيات من القرن الثامن عشر لتحديث مجال الذكاء الاصطناعي AI

تتزايد أهمية الذكاء الاصطناعي AI في التكنولوجيا الحديثة بسرعة. حيث أصبح فهم و إتقان و إحتراف النماذج اللغوية الكبيرة أمرا ضروريًا. ويعتقد الباحثون الفنلنديون أن طريقتهم الجديدة يمكن أن تحل بعض المشاكل المتعلقة بتطوير الذكاء الاصطناعي AI.

وفي الواقع، كلما كان تطوير الذكاء الاصطناعي AI أكثر بساطة وشفافية، أصبح من الأسهل التفكير في استخدامه بشكل أخلاقي، ويتم التركيز أيضًا على الجانب البيئي للعملية الجديدة. إذ تتطلب النماذج اللغوية الكبيرة البسيطة LLM  موارد حاسوبية أقل بكثير و هذا الى إستهلاك طاقة أقل.

ومع ذلك، يشعر الباحثون بالقلق من تشكيك الجهات الرئيسية الحالية في مجال الذكاء الاصطناعي AI.  حيث صرح أحد مؤلفي البحث" يحتل التعلم العميق Deep Learning مكانة كبيرة في البحث وتطوير الذكاء الاصطناعي AI و حتى لو تقدم العلم، فإن المجتمع نفسه قد يظل مترددًا في التغيير".

في النهاية، يظهر أن استخدام الرياضيات من القرن الثامن عشر لتحسين تطوير الذكاء الاصطناعي قد يوفر توازنًا بين الأداء والبيئة والأخلاق. على الرغم من التحديات المتوقعة والمقاومة المحتملة من بعض الفاعلين الرئيسيين في مجال الذكاء الاصطناعيAI، إلا أن هذه النهج الجديد يمكن أن يسهم في تقديم تكنولوجيا ذكية أكثر شمولا واستدامة.

تعديل المقال