بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
طور الباحث Kevin Murphy نظاماً جديداً للتنبؤ الثنائي يحل مشكلة جوهرية في الذكاء الاصطناعي: كيف نجعل الآلات تتعامل مع عدم اليقين بذكاء؟ نظام BLF (Bayesian Linguistic Forecaster) حطم الأرقام القياسية في منصة ForecastBench، متفوقاً على جميع الطرق العامة بما في ذلك Cassi وGPT-5 وGrok 4.20 وForesight-32B في اختبار شمل 400 سؤال تنبؤي.
المشكلة التي يحلها BLF واضحة: أنظمة التنبؤ التقليدية تواجه معضلة بين المرونة والدقة. إما أن تتراكم الأدلة في سياق متنام يفقد التركيز، أو تتجاهل الفروق الدقيقة في المعلومات النصية. BLF يكسر هذه المعادلة الصفرية من خلال ثلاث تقنيات متقدمة تعيد صياغة طريقة تعامل الآلات مع المعلومات غير المؤكدة.
- إنشاء حالة الاعتقاد الأولية: النظام يحلل السؤال التنبؤي ويُنتج تقديراً احتمالياً أولياً مع ملخص منظم للأدلة المتاحة باللغة الطبيعية، بدلاً من الاعتماد على سياق خام متراكم.
- البحث التكراري الذكي: يستخدم أدوات البحث لجمع معلومات إضافية، لكن بدلاً من إضافتها للسياق، يحدث حالة الاعتقاد الحالية بناءً على كل دليل جديد.
- التحديث البايزي المنظم: في كل دورة، النموذج اللغوي يعيد حساب التقدير الاحتمالي وملخص الأدلة، محافظاً على تمثيل مضغوط وذكي للمعرفة المكتسبة.
- التجارب المستقلة المتوازية: النظام يكرر العملية K مرة بشكل مستقل للحصول على تنوع في النتائج وتقليل تأثير العشوائية.
- التجميع الهرمي المتقدم: يدمج النتائج من التجارب المتعددة باستخدام تقلص مساحة اللوجيت مع prior معتمد على البيانات، مما يوازن بين الثقة الفردية والجماعية.
- المعايرة الهرمية النهائية: يطبق Platt scaling مع prior هرمي لضبط التنبؤات، متجنباً الإفراط في تقليص التنبؤات المتطرفة للمصادر ذات المعدلات المنحرفة.
النتائج مذهلة: BLF تفوق على جميع المنافسين في الاختبارات التراجعية. دراسات الإلغاء كشفت أن حالة الاعتقاد المنظمة وحدها فعالة مثل الوصول لبحث الويب، بينما التجميع والمعايرة الهرمية يضيفان مكاسب كبيرة إضافية. الفريق طور أيضاً إطار اختبار مرجعي قوي بمعدل تسرب أقل من 1.5%، مستخدماً منهجية إحصائية صارمة للتحكم في مصادر الضوضاء.
لكن ما يجعل BLF مختلفاً حقاً هو فلسفته في التعامل مع المعلومات. بدلاً من تراكم كل شيء والاعتماد على النموذج لفرز الفوضى، يحافظ على حالة معرفية منظمة تتطور بذكاء مع كل دليل جديد. هذا النهج يحاكي طريقة تفكير الخبراء البشريين الذين يحدثون نماذجهم الذهنية تدريجياً بدلاً من حفظ كل التفاصيل.
التطبيق العملي واعد لكنه محدود. التعقيد الحاسوبي مرتفع بسبب التجارب المتعددة والتحديثات التكرارية، مما يجعله مكلفاً للنشر الواسع. الاعتماد على APIs خارجية للبحث يضيف نقاط فشل ومصاريف تشغيلية. والأهم أن النظام مُحسَّن للتنبؤ الثنائي فقط، مما يتطلب تطويراً إضافياً للتصنيف متعدد الفئات أو التنبؤ الرقمي المستمر.
رغم هذه القيود، BLF يمثل قفزة مفاهيمية مهمة. إنه يثبت إمكانية دمج القوة الحاسوبية للنماذج اللغوية مع الصرامة الرياضية للطرق البايزية دون التضحية بأي منهما. هذا النهج قد يلهم تطوير أنظمة ذكية جديدة تتعامل مع عدم اليقين بطرق أكثر إنسانية وفعالية.
