"الانتباه"... الفكرة البسيطة التي أحدثت ثورة في الذكاء الاصطناعي
© /unsplash/Markus Winkler
تابعنا عبر
في عام 2014، اكتشف باحث شاب، كان يسعى لتحسين الترجمة الآلية، تقنية رياضية ستساهم في إحداث نقلة نوعية في مجال الذكاء الاصطناعي، أُطلق عليها اسم "الانتباه" (Attention)، وأصبحت أساس أنظمة الذكاء الاصطناعي الحديثة، ما مكّن الآلات من التعرف على العلاقات بين الكلمات ومعالجة المعلومات المعقدة.
لكن هذا النجاح الباهر يثير تساؤلاً أعمق: هل يكفي فهم اللغة لإنتاج الذكاء، أم أن هناك عنصرًا أساسيًا لا يزال مفقودًا؟
في عام 2014، كان دميتري باهدانو، الباحث المتدرب البالغ من العمر 23 عامًا في جامعة مونتريال، يعمل على مشكلة بدت عادية نسبيًا: تعليم الحاسوب ترجمة الجمل الإنجليزية إلى الفرنسية.
كانت الشبكات العصبية قادرة بالفعل على ترجمة الجمل البسيطة، لكن أداءها تراجع مع ازدياد طول الجمل، وتكمن المشكلة في أن هذه الأنظمة كانت تضغط الجملة بأكملها في تمثيل ثابت الحجم قبل ترجمتها، ما قد يؤدي إلى فقدان العلاقات المهمة بين الكلمات.
توصل باهدانو، بالتعاون مع الباحثين كيونغ هيون تشو ويوشوا بنجيو، إلى حلٍّ أنيق، فبدلاً من إجبار الآلة على تذكّر كل شيء بالتساوي، لماذا لا ندعها تحدد المعلومات الأكثر صلةً كلما احتاجت إلى إنتاج كلمة؟ أصبحت هذه الفكرة تُعرف باسم "الانتباه"، وقد ساهمت في وضع الأساس لثورة الذكاء الاصطناعي الحالية.
كيف تكشف كلمة واحدة عن قوة الانتباه
لننظر إلى جملتين:
"لم يستطع الحيوان عبور الشارع لأنه كان متعبًا للغاية".
"لم يستطع الحيوان عبور الشارع لأنه كان واسعًا جدًا".
يشير (الضمير العائد) في الجملة الأولى إلى الحيوان، بينما يشير إلى الشارع في الثانية. عادةً ما يفهم البشر هذا التمييز بسهولة، أما بالنسبة لنظام الترجمة، فإن تحديد المرجع بدقة أمرٌ بالغ الأهمية، خاصةً عندما تُخصّص اللغة الهدف أجناسًا نحوية مختلفة للأسماء.
يساعد الانتباه في حل هذه المشكلة من خلال السماح للشبكة بمقارنة الكلمات في الجملة وإعطاء أهمية أكبر للكلمات الأكثر صلةً بتفسير كل كلمة.تُحقق أنظمة الانتباه الحديثة ذلك من خلال تمثيلات رياضية تُسمى الاستعلامات والمفاتيح والقيم.
يُمثل الاستعلام المعلومات التي تبحث عنها الكلمة، وتُساعد المفاتيح في تحديد الكلمات الأخرى ذات الصلة، بينما تحمل القيم معلومات يُمكن دمجها في تمثيلها المُحدّث. تتم هذه العملية عبر آليات انتباه متعددة وطبقات مُتكررة، مما يسمح للنظام ببناء علاقات أكثر تفصيلًا بين الكلمات، والأهم من ذلك، أن المُبرمجين لا يُعلّمون كل رابط نحوي أو مفاهيمي يدويًا، تتعلم الشبكة أنماطًا مُفيدة من خلال مُعالجة كميات هائلة من بيانات التدريب وتعديل مُعاملاتها الداخلية عندما تكون تنبؤاتها خاطئة.
من الترجمة إلى أنظمة الدردشة المتقدمة
جاء التطور الرئيسي التالي في عام 2017، عندما قدّم باحثون مفهوم "المُحوّل" (Transformer)، وهو بنية مبنية على الانتباه،على عكس الأنظمة السابقة التي اعتمدت بشكل كبير على المُعالجة التسلسلية، استطاعت المُحوّلات مُعالجة العديد من العلاقات بالتوازي. ساعدها ذلك على تحقيق نتائج ترجمة ممتازة بتكاليف تدريب أقل بكثير من البدائل الرائدة في ذلك الوقت، وامتدت آثار ذلك إلى ما هو أبعد من الترجمة.
اكتشف الباحثون أن تدريب الآلات على التنبؤ بالنص التالي قد يحفزها على تعلم مجموعة واسعة من الأنماط: القواعد، والحقائق، والعلاقات الرياضية، وبنية البرمجة، والروابط بين الأفكار، فإكمال الجملة بشكل صحيح قد يتطلب ترجمة لغة أخرى، أو حل معادلة، أو إدراك مفهوم معقد.
ساعد هذا النهج في تطوير نماذج اللغة الضخمة الحالية، القادرة على الإجابة عن الأسئلة، وكتابة البرامج، وتحليل الوثائق، والمساعدة في البحث العلمي، لكن ثمة فرق جوهري: إنتاج استجابة ذكية لا يعني بالضرورة فهم العالم بالطريقة نفسها التي يفهمه بها البشر.
هل الانتباه هو سر الذكاء حقًا؟
شجع نجاح فيلم Transformers العلماء على إعادة النظر في العلاقة بين اللغة والفكر. إذا كان التنبؤ بالنص يتطلب تعلم جوانب عديدة من العالم، فهل يمكن أن تكون اللغة نفسها أساس الذكاء؟
يشير علم الأعصاب إلى صورة أكثر تعقيدًا. يتضمن التفكير البشري أكثر بكثير من مجرد شبكات الدماغ المتخصصة باللغة، فنحن نعتمد أيضًا على الإدراك، والتجربة الحسية، والذاكرة، والفهم الاجتماعي، وغيرها من العمليات المعرفية،ويستطيع البشر التفكير المنطقي في المشكلات دون التعبير عن كل خطوة بالكلمات، بينما تُظهر العديد من الحيوانات قدراتٍ متطورة دون لغةٍ شبيهة بلغة البشر.
وتُشكّل الكفاءة لغزًا آخر، فالبشر يتعلمون التواصل بطلاقة من خلال تجارب محدودة نسبيًا، في حين تتطلب نماذج اللغة القوية عادةً مجموعات بيانات ضخمة وموارد حاسوبية هائلة.
يرى ليون جونز، وهو أحد المؤلفين المشاركين في الورقة البحثية الأصلية التي قدمت نموذج "المحول" (Transformer)، أن تجاوز فجوة الكفاءة هذه قد يتطلب مقاربات تختلف جذرياً عن البُنى السائدة حالياً.
وهكذا، كشفت آلية "الانتباه" (Attention) عن أمر استثنائي: ألا وهو أن تحديد العلاقات ذات الصلة يُعد أداة حاسوبية قوية أدت إلى تطور كبير في هذا المحال، بينما بيقى موضوع الكفاءة بحاجة إلى جهود إضافيه.
المصدر: | مجلة الكوانتم |
