يشهد الذكاء الاصطناعي مرحلة تحوّل جوهرية مع ظهور نماذج الاستدلال، وهي أنظمة تُحدِث تغييراً جذرياً في طريقة تعامل الذكاء الاصطناعي التوليدي مع المسائل المعقّدة.

وعلى خلاف النماذج اللغوية التقليدية التي تُنتج الإجابات بشكل فوري، تخصّص نماذج الاستدلال وقتاً إضافياً للمعالجة قبل تقديم الإجابات.

ويُتيح لها هذا النهج المتعمّد التعامل مع التحديات متعددة الخطوات عبر مختلف المجالات بدقة غير مسبوقة، في انتقال واضح من مجرد توليد المحتوى إلى قدرات حقيقية على حلّ المشكلات.

تُعد نماذج الاستدلال نسخاً متقدمة من النماذج اللغوية الكبيرة، تُدرَّب خصيصاً على تفكيك المهام المعقّدة إلى خطوات أصغر وأكثر قابلية للإدارة قبل إنتاج المخرجات النهائية.

وتعالج هذه الأنظمة المشكلات بصورة متسلسلة، عبر ما يُعرف بسلاسل التفكير (Chain-of-Thought)، ثم تختار وتُحسّن النتائج من خلال التعلم المعزز، وهو أسلوب تتعلم فيه النماذج عبر التجربة والخطأ بالحصول على تغذية راجعة حول مدى صحة خطواتها الاستدلالية.

وقد ظهر هذا المفهوم بوضوح مع طرح OpenAI لسلسلة o1، تلتها Google بنموذج Gemini 2.0 Deep Research، ثم Claude Sonnet من Anthropic بقدرات تفكير ممتدة في عام 2024.

وفي عام 2025، واصل نموذج Grok 3 من xAI ونموذج DeepSeek R1 مفتوح المصدر تعزيز هذا الاتجاه.

وقد أثبتت هذه النماذج تفوقاً واضحاً في اختبارات المنطق والرياضيات والبرمجة مقارنة بالنماذج التقليدية، مع قدرتها على إعادة النظر في خطوات تفكيرها السابقة وتعديلها لتحسين الدقة.

ولا تقتصر التطورات على تحسين الدقة فحسب، بل تشمل أيضاً القدرة على ضبط وقت التفكير وفقاً لصعوبة المشكلة، إضافة إلى الدمج متعدد الوسائط الذي يعالج.....

لقراءة المقال بالكامل، يرجى الضغط على زر "إقرأ على الموقع الرسمي" أدناه

هذا المحتوى مقدم من صحيفة الوطن البحرينية