لماذا يعجز الذكاء الاصطناعي عن معرفة الوقت؟
تاريخ النشر: 20th, March 2025 GMT
#سواليف
أحدث #الذكاء_الاصطناعي #ثورة_كبيرة في #العالم_الرقمي وغيّر الطريقة التي ننظر بها إلى التكنولوجيا، ولكن رغم أن هذه التقنية قادرة على توليد الصور وكتابة الروايات وأداء الواجبات المنزلية والتحليل العاطفي، فإنها غالبا ما تفشل في معرفة الوقت أو تحديده.
وفي دراسة نُشرت على موقع “أركايف” (arXiv) -وهو أرشيف مفتوح المصدر للمقالات العلمية- اختبر باحثون في جامعة إدنبرة قدرات 7 أنواع مختلفة من نماذج اللغة الكبيرة “إل إل إم” (LLM) لمعرفة قدرتها على تحديد الوقت.
وشمل اختبارهم أسئلة متنوعة حول صور لساعات وتقويمات مختلفة، وأظهرت الدراسة التي ستصدر بشكل رسمي في شهر أبريل/نيسان المقبل أن هذه النماذج تواجه صعوبة في فهم ومعرفة هذه المهام والتي تُعتبر أساسية في حياتنا اليومية.
مقالات ذات صلة فولكس فاغن تعلن عن سيارة كهربائية مميزة 2025/03/19وكتب الباحثون في الدراسة: “إن القدرة على تفسير واستنتاج الوقت من المدخلات البصرية أمر بالغ الأهمية للعديد من التطبيقات في العالم الحقيقي، بدءا من جدولة الأحداث إلى الأنظمة المستقلة، ورغم التقدم في نماذج اللغة الكبيرة متعددة الوسائط، فإن معظم الأبحاث ركزت على اكتشاف الأشياء وتسمية الصور وفهم المشاهد، ولكنها لم تُركز على الاستنتاج الزمني وهذا ما جعل عامل الوقت مُهملا بالنسبة لهذه الأنظمة”.
واختبر فريق البحث نماذج من مختلف الشركات مثل “شات جي بي تي -4أو” من أوبن إيه آي و”جيميني” من غوغل و”كلود” من أنثروبيك، و”لاما” من ميتا والنموذج الصيني “كوين 2″ من علي بابا و”ميني سي بي إم” من مودل بيست، وقدموا صورا ذات ألوان وأشكال مختلفة لساعات جدارية عادية وساعات بأرقام رومانية وساعات دون عقرب الثواني، بالإضافة إلى صور لتقويم يُظهر الأيام والأشهر لآخر 10 سنوات.
وفي اختبار الساعات، سأل الباحثون نماذج اللغة الكبيرة: “ما الوقت الموضح في الصورة المرفقة؟”، أما بالنسبة لاختبار التقويم فقد طرحوا أسئلة بسيطة مثل “ما اليوم الذي يوافق رأس السنة الميلادية؟” وأسئلة صعبة مثل “ما اليوم رقم 153 من السنة؟”.
وقال الباحثون: “إن قراءة الساعات وفهم التقويم يتطلب خطوات معرفية معقدة، وتحتاج إلى تمييز بصري دقيق -لمعرفة موضع عقارب الساعة وتخطيط التقويم- كما تحتاج إلى تفكير عددي دقيق لحساب عدد الأيام بين تاريخين”.
وبشكل عام لم تُحقق نماذج الذكاء الاصطناعي نتائج مرضية، فقد قرأت الوقت على الساعة بشكل صحيح في أقل من 25% من الحالات، وواجهت صعوبة في فهم الساعات التي تحمل أرقاما رومانية أو العقارب التي تملك تصميما مُبتكرا بنفس القدر الذي واجهته مع الساعات التي تفتقر إلى عقرب الثواني، وهنا يشير الباحثون إلى أن المشكلة قد تكمن في اكتشاف العقارب وتفسير الزوايا على ميناء الساعة.
ومن الجدير بالذكر أن نموذج “جيميني” حصل على أعلى درجة في اختبار قراءة الساعات، بينما تفوق نموذج “شات جي بي تي -4أو” في قراءة التقويم وتحديد الوقت بنسبة 80%، وبالمقابل فإن معظم نماذج اللغات الكبيرة الأخرى ارتكبت أخطاء في اختبار التقويم بنسبة 20% تقريبا.
وقال روهيت ساكسينا أحد مؤلفي الدراسة وطالب دكتوراه في كلية المعلوماتية بجامعة إدنبرة في بيان صادر عن الجامعة: “يستطيع معظم الناس معرفة الوقت واستخدام التقويمات في سن مبكرة، ولكن نتائجنا تُظهر الفجوة الكبيرة في قدرة الذكاء الاصطناعي على تنفيذ ما يُعتبر مهارات أساسية جدا للبشر، ويجب ألا نغفل عن هذه المشاكل في حال أردنا دمج أنظمة الذكاء الاصطناعي في التطبيقات الواقعية الحساسة للوقت مثل الجدولة والأتمتة والتكنولوجيا المساعدة”.
وأضاف “رغم أن الذكاء الاصطناعي قادر على إنجاز أغلب واجباتك المنزلية، ولكن لا أنصحك بالاعتماد عليه في الالتزام بأي مواعيد نهائية”.
المصدر: سواليف
كلمات دلالية: سواليف الذكاء الاصطناعي ثورة كبيرة العالم الرقمي الذکاء الاصطناعی
إقرأ أيضاً:
الذكاء الاصطناعي يساعد على توقع الخصائص الكيميائية
طور باحثون تطبيقا أطلقوا عليه اسم "ChemXploreML" يتنبأ بالخصائص الكيميائية ويسرعها، دون الحاجة إلى مهارات برمجة متعمقة.
من الأهداف الأساسية المشتركة لمعظم باحثي الكيمياء الحاجة إلى التنبؤ بخصائص الجزيء، مثل درجة غليانه أو انصهاره. بمجرد أن يتمكن الباحثون من تحديد هذا التنبؤ بدقة، يصبحون قادرين على المضي قدمًا في عملهم، محققين اكتشافات تُفضي إلى أدوية ومواد وغيرها. مع ذلك، ارتبطت الطرق التقليدية للكشف عن هذه التنبؤات، تاريخيًا، بتكلفة باهظة، استنزاف الوقت والجهد المبذول في المعدات، بالإضافة إلى التمويل.
تمكن فرع من الذكاء الاصطناعي، يُعرف باسم التعلم الآلي machine learning (ML)، من تخفيف عبء التنبؤ بخصائص الجزيئات إلى حد ما، لكن الأدوات المتقدمة التي تُسرّع العملية بشكل أكثر فعالية، من خلال التعلم من البيانات الموجودة لإجراء تنبؤات سريعة للجزيئات الجديدة، تتطلب من المستخدم امتلاك مستوى عالٍ من الخبرة البرمجية. هذا يُشكّل عائقًا أمام العديد من الكيميائيين، الذين قد لا يمتلكون الكفاءة الحسابية اللازمة لاجتياز عملية التنبؤ.
للتخفيف من هذا التحدي، ابتكر باحثون في مجموعة "ماكغواير" للأبحاث في معهد ماساتشوستس للتكنولوجيا (MIT) تطبيق ChemXploreML، وهو تطبيق سطح مكتب سهل الاستخدام يُساعد الكيميائيين على إجراء هذه التنبؤات المهمة دون الحاجة إلى مهارات برمجة متقدمة. هذا التطبيق متاح مجانًا وسهل التنزيل ويعمل على المنصات الرئيسية، كما أنه مصمم للعمل دون اتصال بالإنترنت، مما يُحافظ على خصوصية بيانات البحث.
وقد تم توضيح هذه التقنية الجديدة والمثيرة في مقال نُشر مؤخرًا في مجلة المعلومات والنمذجة الكيميائية Journal of Chemical Information and Modeling.
اقرأ أيضا... أداة ذكاء اصطناعي مجانية تعد تقارير طبية مثل الأنظمة التجارية
إحدى العقبات المحددة في مجال التعلم الآلي الكيميائي هي ترجمة البنى الجزيئية إلى لغة رقمية تفهمها أجهزة الكمبيوتر. يُؤتمت برنامج ChemXploreML هذه العملية المعقدة باستخدام "مُضمِّنات جزيئية" مدمجة قوية تُحوّل البنى الكيميائية إلى متجهات رقمية غنية بالمعلومات. بعد ذلك، يُطبّق البرنامج خوارزميات متطورة لتحديد الأنماط والتنبؤ بدقة بالخصائص الجزيئية، مثل درجات الغليان والانصهار، كل ذلك من خلال واجهة رسومية تفاعلية سهلة الاستخدام.
يقول أرافيند نيفاس ماريموثو، باحث في مجموعة ماكغواير والمؤلف الرئيسي للمقالة "يهدف ChemXploreML إلى تعميم استخدام التعلم الآلي في العلوم الكيميائية"، مضيفا "من خلال إنشاء تطبيق سطح مكتب سهل الاستخدام وقوي وقابل للعمل دون اتصال بالإنترنت، نضع أحدث النمذجة التنبؤية بين يدي الكيميائيين مباشرةً، بغض النظر عن خبراتهم البرمجية. هذا العمل لا يُسرّع البحث عن أدوية ومواد جديدة من خلال تسريع عملية الفحص وتخفيض تكلفتها فحسب، بل يفتح تصميمه المرن آفاقًا جديدة للابتكارات المستقبلية".
صُمم تطبيق ChemXploreML ليتطور مع مرور الوقت. لذا، مع تطور التقنيات والخوارزميات المستقبلية، يُمكن دمجها بسلاسة في التطبيق، مما يضمن للباحثين الوصول الدائم إلى أحدث الأساليب وتطبيقها. تم اختبار التطبيق على خمس خصائص جزيئية رئيسية للمركبات العضوية: نقطة الانصهار، ونقطة الغليان، وضغط البخار، ودرجة الحرارة الحرجة، والضغط الحرج، وحقق درجات دقة عالية وصلت إلى 93% لدرجة الحرارة الحرجة. كما أظهر الباحثون أن طريقة جديدة وأكثر إحكامًا لتمثيل الجزيئات كانت دقيقة تقريبًا مثل الطرق القياسية ولكنها كانت أسرع بما يصل إلى 10 مرات.
يقول ماريموثو: "نتصور مستقبلًا يُمكن فيه لأي باحث تخصيص وتطبيق التعلم الآلي بسهولة لحل تحديات فريدة، من تطوير مواد مستدامة إلى استكشاف الكيمياء المعقدة للفضاء بين النجوم".
مصطفى أوفى (أبوظبي)