هل يواجه الذكاء الاصطناعي صعوبة في التعامل مع التاريخ؟.. دراسة توضح
تاريخ النشر: 22nd, January 2025 GMT
مع التقدم الكبير في تقنيات الذكاء الاصطناعي، أصبح من الممكن استخدام هذه التقنيات في مجالات عديدة، ولكن الذكاء الاصطناعي ما زال يواجه عدة تحديات رئيسية عند التعامل مع التاريخ، وذلك بحسب ما كشفت عنه دراسة حديثة اختبرت قدرات ثلاثة من أهم النماذج اللغوية الكبيرة في الإجابة عن أسئلة تاريخية معقدة.
ولإجراء هذه الدراسة، أنشأ فريق من الباحثين معيارًا جديدًا يُسمى (Hist-LLM)، لاختبار أداء ثلاثة نماذج لغوية كبيرة رائدة، وهي:(GPT-4) من OpenAI، و(Llama) من ميتا، و(Gemini) من جوجل، في الإجابة عن أسئلة تاريخية دقيقة، بحسب موقع البوابة التقنية.
واعتمد هذا المعيار في تقييمه على قاعدة بيانات شاملة للمعرفة التاريخية تُسمى (سشات) Seshat، وهي قاعدة بيانات ضخمة تجمع معلومات تاريخية من مصادر متعددة وتغطي فترات زمنية وأماكن جغرافية مختلفة، وقد سميت هذه القاعدة على اسم سشات، إلهة الحكمة والكتابة والمعرفة في الحضارة المصرية القديمة.
ويركز معيار (Hist-LLM) في اختبار مدى دقة المعلومات التاريخية وموثوقيتها التي يقدمها كل نموذج لغوي، مقارنةً بالمعلومات الموثقة في قاعدة بيانات (Seshat)، مما يساعد في تحديد نقاط القوة والضعف في قدرة النماذج اللغوية الكبيرة على فهم السياق التاريخي واستيعابه والتمييز بين الحقائق التاريخية الصحيحة والمعلومات غير الصحيحة أو المضللة.
نتائج مخيبة للآمالعُرضت نتائج هذه الدراسة في مؤتمر (NeurIPS)، وهو أحد أبرز المؤتمرات العالمية في مجال الذكاء الاصطناعي، وجاءت مخيبة للآمال، وفقًا للباحثين المنتسبين إلى معهد الأبحاث (Complexity Science Hub) في النمسا، إذ حقق نموذج (GPT-4 Turbo) أفضل أداء بين النماذج المختبرة، ولكنه لم يحقق سوى دقة تقارب 46% في الإجابة عن الأسئلة التاريخية، ويشير هذا الرقم إلى أن أداء نموذج (GPT-4 Turbo) لم يكن أفضل بكثير من التخمين العشوائي، إذ إن نسبة 50% تمثل احتمالية الإجابة الصحيحة عن سؤال له خياران فقط عن طريق التخمين.
وعلقت ماريا ديل ريو-شانونا، الأستاذة المشاركة في علوم الحاسوب في جامعة كوليدج لندن وأحد مؤلفي الورقة البحثية، على هذه النتائج قائلة: «الخلاصة الرئيسية من هذه الدراسة هي أن النماذج اللغوية الكبيرة أصبحت مثيرة للإعجاب في الكثير من الجوانب التقنية والإبداعية، ولكنها ما زالت تفتقر إلى عمق الفهم المطلوب للتعامل مع البحث التاريخي المتقدم على مستوى الدراسات العليا».
وأوضحت تشانونا تفصيلًا مهمًا حول طبيعة هذه النماذج وقدراتها، إذ أشارت إلى أنها رائعة في استرجاع الحقائق الأساسية والمعلومات العامة وتقديمها، بمعنى آخر، يمكن لهذه النماذج التعامل بكفاءة مع المعلومات التاريخية المباشرة والمتاحة بسهولة، مثل تواريخ الأحداث المهمة أو أسماء الشخصيات التاريخية.
ويؤكد ذلك أن النماذج اللغوية الكبيرة غير قادرة حاليًا على تحليل المصادر التاريخية بشكل نقدي، أو فهم السياق التاريخي المعقد، كما لا يمكنها حاليًا إجراء تحليلات تاريخية مبتكرة أو تقديم تفسيرات جديدة للأحداث التاريخية.
أسباب ضعف النماذج اللغوية الكبيرة في التاريختثير نتائج هذه الدراسة التساؤل عن أسباب ضعف النماذج اللغوية الكبيرة في الإجابة عن الأسئلة التاريخية التقنية، في حين تظهر كفاءة عالية في الإجابة عن أسئلة معقدة في مجالات أخرى مثل البرمجة.
وأرجعت ديل ريو-شانونا ذلك إلى ميل هذه النماذج إلى الاستقراء من البيانات التاريخية الشائعة والبارزة، مما يجعل من الصعب عليها استرجاع المعرفة التاريخية الأكثر غموضًا.
وشرحت ديل ريو شانونا هذه الظاهرة قائلة: «إذا تكرر ذكر (A) و (B) أمامك 100 مرة، وذُكر (C) مرة واحدة فقط، ثم طُرح عليك سؤال حول (C)، فمن المحتمل أن تتذكر (A) و(B) وتحاول الاستنتاج بناءً عليهما».
كشفت الدراسة أيضًا عن توجهات أخرى، منها أن أداء نموذجي GPT-4، و Llama كان أسوأ في مناطق معينة مثل أفريقيا جنوب الصحراء الكبرى، مما يشير إلى وجود تحيزات محتملة في بيانات التدريب المستخدمة.
وأكد بيتر تورتشين، قائد الدراسة وعضو هيئة التدريس في معهد (Complexity Science Hub)، أن نتائج هذه الدراسة تظهر أن النماذج اللغوية الكبيرة لا تزال غير قادرة على الحلول محل البشر في مجالات معينة مثل التاريخ.
ومع ذلك، لا يزال الباحثون متفائلين بإمكانية استفادة المؤرخين من هذه النماذج في المستقبل كأداة مساعدة تساهم في تسريع بعض جوانب البحث وتوفير معلومات أولية، ويعملون حاليًا على تحسين معايير التقييم المستخدمة في دراستهم بإضافة المزيد من البيانات من المناطق الممثلة تمثيلًا ناقصًا، وطرح أسئلة أكثر تعقيدًا.
وتُختتم الورقة البحثية بالتأكيد أن النتائج تسلط الضوء على المجالات التي تحتاج فيها النماذج اللغوية الكبيرة إلى تحسين، وتؤكد أيضًا إمكانات هذه النماذج في المساعدة في البحث التاريخي.
اقرأ أيضاً«ترامب» يعلن ضح استثمارات بـ500 مليار دولار في الذكاء الاصطناعي
اليونسكو تنظم ندوة عن كيفية الاستفادة من الذكاء الاصطناعي في التعليم
تلفزيون بريكس يبرز مساعي الإمارات وماليزيا لتعزيز التعاون في مجال الذكاء الاصطناعي
المصدر: الأسبوع
كلمات دلالية: الذكاء الاصطناعي الذكاء الإصطناعي تطبيقات الذكاء الاصطناعي الذكاء الاصطناعي وتطبيقاته مجالات الذكاء الاصطناعي ذكاء اصطناعي تعلم الذكاء الاصطناعي الذكاء الصناعي ما هو الذكاء الاصطناعي الذكاء الاصطناعي مجانا تخصصات الذكاء الاصطناعي خوارزميات الذكاء الاصطناعي النماذج اللغویة الکبیرة الذکاء الاصطناعی فی الإجابة عن هذه الدراسة هذه النماذج
إقرأ أيضاً:
كيف يشكل الذكاء الاصطناعي مستقبلنا الرقمي؟ وما جانبه المظلم؟
وتحتل البيتكوين اليوم مكانة كأصل إستراتيجي في احتياطيات بعض الدول مدفوعة بثورة صامتة قادها الذكاء الاصطناعي.
وحسب حلقة (2025/4/30) من برنامج "حياة ذكية"، فإن الذكاء الاصطناعي ساهم بشكل كبير في رفع كفاءة عمليات تعدين البيتكوين بنسبة تصل إلى 30%، وفقا لبيانات جامعة كامبردج، مما أدى إلى تقليل استهلاك الطاقة ومعالجة أحد أبرز الانتقادات الموجهة لهذه الصناعة والمتعلقة ببصمتها الكربونية.
كما لعبت خوارزميات التعلم العميق دورا حاسما في تعزيز أمان المحافظ الرقمية، إذ تمكنت شركات مثل "تشين أناليسيس" من تطوير أنظمة قادرة على تتبع المعاملات الاحتيالية واسترداد مليارات الدولارات من الأصول المسروقة.
ولم يتوقف تأثير الذكاء الاصطناعي عند هذا الحد، بل امتد ليشمل تسريع المعاملات عبر تطوير شبكات التحويل السريع مثل شبكة البرق، مما جعل البيتكوين منصة أكثر مرونة لمختلف التطبيقات.
ودفع هذا التطور التقني بعض الحكومات مثل الولايات المتحدة إلى تغيير موقفها، إذ أعلن الرئيس دونالد ترامب إنشاء احتياطي إستراتيجي للبيتكوين يقارب 200 ألف بيتكوين.
ورغم هذا التحول الإيجابي فإن الحلقة أشارت إلى أن المخاطر لا تزال قائمة، فاختراقات المنصات الكبرى وسرقة الأصول الرقمية بالإضافة إلى الاعتماد المتزايد على تقنيات الذكاء الاصطناعي المغلقة تطرح تساؤلات بشأن الشفافية والاستقلالية.
إعلانكما يبرز سباق جيوسياسي صامت بين القوى الكبرى بشأن الهيمنة على هذا الأصل الرقمي الجديد، مما يحول البيتكوين من مجرد عملة مشفرة إلى أداة محتملة لإعادة صياغة موازين القوى العالمية.
البيانات الضخمة
وفيما يتعلق بمفهوم "البيانات الضخمة"، أشارت الحلقة إلى الحجم الهائل للبيانات التي تنتجها البشرية يوميا، والذي تضاعف 60 مرة مقارنة بعام 2010.
وتتميز الخصائص الرئيسية للبيانات الضخمة المعروفة بـ5 مواصفات أساسية تسمى "5 في إس"، وهي الحجم، والتنوع، والسرعة، والموثوقية، والقيمة.
وأحدثت البيانات الضخمة ثورة هائلة في 10 مجالات رئيسية، بسبب القيمة الكبيرة التي يمكن استخلاصها من تحليل هذه البيانات، وشملت هذه المجالات:
الرعاية الصحية: تحليل السجلات الصحية لتخصيص العلاج وتحسين التشخيص. تطوير الأدوية: تسريع التجارب السريرية واكتشاف علاجات جديدة. التنبؤ بالكوارث: تحليل البيانات الجوية والبيئية لتحسين دقة التنبؤات وتقديم إنذارات مبكرة. المواصلات: تتبع حركة المرور وتوجيه السائقين لتحسين الكفاءة وتقليل التلوث. مكافحة الجريمة: تحليل البيانات الجنائية للتعرف على أنماط الجريمة وتوجيه التحقيقات. التعليم: تقييم أداء الطلاب وتوجيههم بشكل فعال. الزراعة الذكية: تحسين ممارسات الزراعة وزيادة الإنتاج ومراقبة المحاصيل. تجربة العملاء: تحليل تفضيلات العملاء لتقديم منتجات وخدمات مناسبة. تقليل الهدر الغذائي: تحسين سلسلة التوريد لتقليل هدر الطعام. توجيه الاستثمارات: دراسة الأسواق وتحديد الفرص الاستثمارية.
التزييف العميق
ولم تغفل الحلقة عن الجانب المظلم للذكاء الاصطناعي بسبب مخاطر تقنيات "التزييف العميق"، والتي أصبحت سلاحا خطيرا في يد المحتالين ومروجي الأخبار الكاذبة.
وكشف تقرير لوكالة الصحافة الفرنسية ظاهرة مقلقة تتمثل في استغلال وجوه أشخاص حقيقيين يتم التعاقد معهم لتصوير مقاطع فيديو قصيرة مقابل مبالغ زهيدة، ثم تستخدم تقنيات الذكاء الاصطناعي لتعديل هذه المقاطع وجعل الشخصيات تقول أو تفعل أشياء لم تقم بها في الواقع.
إعلانوعرضت الحلقة أمثلة واقعية لأشخاص فوجئوا بظهورهم في مقاطع فيديو تروج لمنتجات صحية مشبوهة أو تسرد نبوءات كاذبة أو تدعم شخصيات سياسية مثيرة للجدل من دون علمهم أو موافقتهم.
وتطرح سهولة الوصول إلى هذه التقنيات وقلة الرقابة تحديات جدية بشأن مصداقية المحتوى الرقمي.
ولفتت الحلقة إلى ضرورة التشكيك فيما نراه ونسمعه عبر الإنترنت، والتحقق من مصداقية المعلومات، خاصة في زمن تنتشر فيه مقاطع الفيديو المزيفة بسرعة البرق عبر المنصات الرقمية.
الصادق البديري30/4/2025
عبد المسيح: فلتكن العدالة التربوية أولوية لا شعارًا