شهدت نماذج الذكاء الاصطناعي تطورًا كبيرًا خلال السنوات القليلة الأخيرة، فقد انتقلت من أدوات بسيطة لإنشاء النصوص وترجمتها إلى تقنيات متقدمة تُستخدم في البحث العلمي، واتخاذ القرارات، وحل المشكلات المعقدة.
أحد العوامل الرئيسية وراء هذا التطور هو التحسن المستمر في قدرة هذه النماذج على التفكير بنحو منظم؛ إذ أصبحت قادرة على تحليل المشكلات والاحتمالات وتحسين استجاباتها بطريقة ديناميكية. وأصبح بإمكانها إجراء استدلال منظم يجعلها أكثر كفاءة في التعامل مع المهام المعقدة. ومن النماذج الرائدة التي تتبنى هذه القدرات نموذج o3 الأحدث من OpenAI، و R1 من DeepSeek، إذ تُظهر هذه النماذج تقدمًا كبيرًا في قدرتها على تحليل المعلومات ومعالجتها بفعالية كبيرة، وتعتمد على ما يعرف بالتفكير المُحاكى (Simulated Thinking).
ما التفكير المُحاكى؟
يتميز البشر بقدرتهم على تحليل الخيارات المختلفة قبل اتخاذ القرارات، سواء عند التخطيط لرحلة أو حل مشكلة ما. إذ نقوم بمحاكاة سيناريوهات متعددة في أذهاننا، ونوازن بين الإيجابيات والسلبيات، ونعدل قراراتنا بناءً على ذلك. ويسعى الباحثون إلى ترسيخ هذه القدرة في نماذج الذكاء الاصطناعي، مما يتيح لها إجراء عمليات التفكير المنظمة.
التفكير المُحاكى في مجال الذكاء الاصطناعي يشير إلى قدرة النماذج اللغوية على إجراء عمليات استدلال متعددة قبل تقديم الإجابة، بدلًا من الاعتماد فقط على استرجاع البيانات المخزنة. ويشير أيضًا إلى قدرة الأنظمة الذكية على محاكاة التفكير البشري في اتخاذ القرارات أو حل المشكلات.
على سبيل المثال: إذا طُلِبَ من نماذج الذكاء الاصطناعي حل مسألة رياضية، سيعتمد النموذج التقليدي على أنماط سابقة ويقدم إجابة سريعة دون التحقق من صحتها. وأما النموذج الذي يستخدم التفكير المُحاكى، فسيحلل المسألة ويحلها خطوة بخطوة، ويبحث عن الأخطاء، ويتحقق من صحة الحل قبل تقديم الإجابة النهائية.
تقنية سلسلة التفكير.. تعليم الذكاء الاصطناعي التفكير خطوة بخطوة
حتى يصبح نموذج الذكاء الاصطناعي قادرًا على التفكير المُحاكى كما يفعل البشر، يجب عليه تحليل المشكلات المعقدة على مراحل متتابعة. وهنا يظهر دور تقنية سلسلة التفكير (Chain-of-Thought – CoT).
كيف تعمل تقنية سلسلة التفكير (CoT)؟
تُعد CoT أسلوبًا توجيهيًا يساعد النماذج اللغوية في حل المشكلات بطريقة منظمة بدلًا من الوصول إلى استنتاج سريع، وتتيح هذه التقنية تقسيم المطالبات إلى خطوات أصغر، ثم معالجتها تدريجيًا.
على سبيل المثال: عند حل مسألة رياضية، يحاول النموذج التقليدي إيجاد تطابق مع أمثلة سابقة من بيانات التدريب ويقدم إجابة مشابهة. وأما النموذج الذي يستخدم تقنية CoT، فيحدد كل خطوة من خطوات الحل، ويُجري الحسابات بنحو منطقي، ثم يصل إلى الحل النهائي.
تُعد هذه التقنية مفيدة في المجالات التي تتطلب الاستدلال المنطقي، وحل المشكلات المتعددة الخطوات، وفهم السياقات المعقدة. ومع أن النماذج التقليدية تحتاج إلى مدخلات بشرية لتطوير سلاسل التفكير، فإن النماذج المتقدمة مثل O3 وR1 أصبحت قادرة على تعلم هذه التقنية وتطبيقها تلقائيًا.
كيف تستخدم النماذج اللغوية التفكير المُحاكى؟
تعتمد النماذج اللغوية المختلفة على إستراتيجيات متعددة لتنفيذ عمليات التفكير المُحاكى، وفيما يلي سنوضح الفكرة العامة عن الأساليب التي تعتمدها بعض النماذج الحديثة، وهي: نموذج O3 من OpenAI، وR1 من DeepSeek:
1- نموذج o3 من OpenAI.. تحليل الاحتمالات مثل لاعب الشطرنج
لم تُعلن التفاصيل الدقيقة عن طريقة عمل نموذج o3 بَعد، ولكن يُعتقد أنه يستخدم تقنية مشابهة لتقنية تُسمى (Monte Carlo Tree Search – MCTS)، وهي إستراتيجية مستخدمة في نماذج الذكاء الاصطناعي المخصصة للألعاب التي تتطلب تحليل وتفكير منطقي مثل لعبة الشطرنج.
يشبه هذا النموذج لاعب الشطرنج الذي يحلل عدة تحركات محتملة قبل اتخاذ قراره النهائي، إذ يكتشف النموذج حلول متعددة، ويُقيّم جودتها، ثم يختار الحل الأكثر كفاءة.
هذه الطريقة تتيح له تصحيح الأخطاء في أثناء عملية التفكير، مما يجعله دقيقًا في التحليل وحل المشكلات، لكن ذلك يتطلب موارد حسابية كبيرة، مما يجعله أبطأ وأكثر تكلفة من النماذج الأخرى.
2- نموذج R1 من DeepSeek.. التعلم من التجربة مثل الطالب
يستخدم نموذج DeepSeek-R1 نهج التعلم المعزز (Reinforcement Learning)، مما يسمح له بتطوير قدراته الاستدلالية بمرور الوقت، على غرار الطالب الذي يتحسن تدريجيًا من خلال حل التمارين وتلقي الملاحظات.
مستقبل التفكير في نماذج الذكاء الاصطناعي
يمثل التفكير المُحاكى تقدمًا هامًا نحو تطوير نماذج ذكاء اصطناعي أكثر دقة وموثوقية. ومع استمرار تطور هذه النماذج، من المُتوقع أن تتحسن قدراتها على تحليل المشكلات المعقدة، وتصحيح الأخطاء، لضمان صحة الاستنتاجات. وفي المستقبل، من المُتوقع تطوير أنظمة ذكاء اصطناعي تفكر بحكمة ودقة مثل الخبراء البشريين.