وضع نماذج اللغة الكبيرة في مقعد السائق: تجربة استقلالية في العالم الحقيقي

السعي لوضع نماذج اللغات خلف عجلة القيادة

طالما كانت الحدود بين الاستدلال المحاكى والتفاعل في العالم المادي جبهة أساسية في أبحاث الذكاء الاصطناعي. فبينما أثبتت نماذج اللغة الكبيرة ببراعة قدرتها على كتابة الكود، وتأليف النصوص، والإجابة على التوافه المعقدة، فإن نقل هذه الأنظمة الاحتمالية من المتصفح إلى الأجهزة الملموسة يمثل فئة مختلفة تماماً من تحديات الهندسة. مؤخراً، قرر فريق من الباحثين الجريئين دفع هذه الحدود من خلال تكليف ثلاثة أنظمة بارزة للذكاء الاصطناعي -وهي GPT و Claude و Grok- بمهمة تبدو عادية ولكنها تتطلب جهداً بدنياً: تشغيل سيارة تويوتا كورولا قيادية للحصول على وجبة سريعة من مطعم محلي للطلبات الخارجية.

تخترق هذه التجربة صميم النقاشات المعاصرة حول الذكاء المجسد والروبوتات. فبدلاً من الاعتماد على أنظمة تحكم تقليدية وحتمية أو حزم قيادة ذاتية متخصصة مدربة صراحةً على ملايين الأميال من بيانات القياس عن بُعد، اختبر هذا النهج ما إذا كانت نماذج الأساس للأغراض العامة قادرة على تفسير المدخلات الحسية، وتحويل الأهداف عالية المستوى إلى أوامر ميكانيكية منخفضة المستوى، والتنقل بأمان في بيئات معقدة بالصورة الواقعية. وتقدم النتائج نظرة رصينة على القدرات الحالية والقيود الشديدة لنماذج اللغة الكبيرة عندما يُطلب منها التفاعل مباشرة مع الواقع المادي.

سد الفجوة بين الرموز والمشغلات

إن ربط نموذج لغة كبير يعمل سحابياً أو محلياً بالضوابط المادية للسيارة يتطلب خط أنابيب تكامل متطوراً. فقد اضطر المهندسون إلى بناء طبقات ترجمة قوية لتحويل تدفقات الكاميرا، والقياس عن بُعد للأجهزة، وحالة السيارة إلى نصوص أو مطالبات متعددة الوسائط يمكن للنماذج تحليلها. وبالمثل، كانت الرموز الناتجة عن الذكاء الاصطناعي بحاجة إلى التطهير السريع والتحقق منها وترجمتها إلى زوايا توجيه، وضغط دواسة الوقود، وأوامر الفرامل المرسلة مباشرة إلى نظام التوجيه بالأسلاك في السيارة.

يتناقض هذا النموذج بشكل صارخ مع الشبكات العصبية الشاملة المصممة خصيصاً للملاحة المستقلة. وفي حين تُحسَّن نماذج القيادة الذاتية التقليدية لتحقيق أدنى زمن انتقال، والوعي المكاني، وتوليد المسارات المتوقعة، فإن نماذج الأساس تعمل على التنبؤ بالرمز التالي المدرب على مجموعات ضخمة من نصوص الإنترنت والبيانات المتنوعة متعددة الوسائط. إن مطالبة نموذج لغة كبير بتوجيه السيارة يشبه إلى حد ما مطالبة عالم عبقري قرأ فقط عن القيادة في الكتب فجأة بتولي عجلة قيادة سيارة ذات ناقل حركة يدوي في حركة مرور كثيفة. إن البنية المعرفية غير متوافقة أساساً مع هذه المهمة، مما يجعل الإنجاز الهندسي لمجرد ربطها ببعضها البعض أكثر إثارة لدهشة.

قصة ثلاثة نماذج: أوما النجاح والفشل

مع تتكشف التجربة في العالم الحقيقي، كان التباين في الأداء بين النماذج الثلاثة المختبرة صارخاً. وفي حين حافظ المطورون على آليات التشغيل الدقيقة موحدة عبر التجارب، أدت الفروق الدقيقة في البنية الأساسية، ومواءمة السلامة، وقدرات المعالجة متعددة الوسائط لكل نموذج إلى نتائج مختلفة تماماً على الطريق.

نجح نظام واحد فقط من الأنظمة الثلاثة في إكمال هدف توجيه السيارة إلى وجهتها والحصول على الطعام دون فشل كارثي. وواجهت النماذج الأخرى عقنقات قاتلة تراوحت بين سوء التفسير الدلالي للإشارات المرئية ومشاكل زمن الانتقال التي جعلت تصحيحات التوجيه في الوقت الفعلي بطيئة بشكل خطير. وفي بعض الحالات، عانت النماذج من هلوسات حادة، حيث حددت بشكل خاطئ العقبات الثابتة أو فشلت في الحفاظ على الانضباط الأساسي للمسار، مما أجبر سائقي الأمان البشريين على التدخل الفوري لمنع وقوع الحوادث. تؤكد هذه الإخفاقات مدى خطورة الوثوق بالتنبؤات النصية الاحتمالية في مهام التشغيل المادي الحرجة للحياة.

لماذا تهم هذه التجربة مستقبل الروبوتات

بالنسبة لمهندسي البرمجيات وممارسي التعلم الآلي، تقدم هذه الحيلة الغريبة رؤى قيمة حول التقارب المستمر لنماذج اللغة والروبوتات. نحن نشهد دفعة صناعية ضخمة نحو 'الذكاء المجسد'، حيث تعمل نماذج الأساس كعقل معرفي للعملاء الماديين مثل الروبوتات البشرية، وطائرات التوصيل، والمركبات المستقلة. والمنطق وراء ذلك جذاب: إذا كان نموذج اللغة الكبير قادراً على فهم القصد البشري، والسياق، والتعليمات المعقدة متعددة الخطوات، فيجب أن يكون قادراً نظرياً على توجيه روبوت لأداء الأعمال المنزلية اليومية.

ومع ذلك، توضح هذه التجربة أن الفهم الدلالي لا يرقى تلقائياً إلى الكفاءة المكانية أو المادية. قد يفسر نموذج اللغة الكبير بقوة قواعد الطريق أو يكتب نصاً برمجياً بلغة بايثون لمحاكاة حركة المرور، لكن ترجمة هذه المعرفة إلى قرارات فرملة دقيقة بالميلي ثانية تتطلب مستوى من التأسيس الزمني تفتقده تماماً البنى الانحدارية الذاتية الحالية. إنه يسلط الضوء على الضرورة الملحة للأنظمة الهجينة -وهي البنى التي تربط الاستدلال عالي المستوى لنماذج الأساس بحلقات تحكم حتمية منخفضة المستوى مصممة للتعامل مع الفيزياء بأمان.

علاوة على ذلك، لا يمكن التقليل من الآثار المترتبة على السلامة. عندما يظهر خلل برمجي في شكل خادم معطل أو نشر كود غير صحيح، عادة ما تُقاس التكلفة ووقت التعطل وساعات التصحيح. وعندما يحدث فشل في النموذج داخل مركبة متحركة، تُقاس العواقب بالسلامة الجسدية والمسؤولية. وبينما يستمر المطورون في بناء أطر العمل المعتمدة على الأدوات والوكلاء التي تتفاعل مع العالم المادي، فإن إنشاء مظاريف سلامة صارمة حول هذه الأنظمة يمثل أولوية هندسية عاجلة.

دروس مستفادة للمطورين والطريق إلى الأمام

بالنسبة للمطورين الذين يبنون تدفقات عمل الأجسام الفاعلة أو يجربون الذكاء الاصطناعي متعدد الوسائط، تعد هذه الدراسة بمثابة إلهام وقصة تحذيرية في آن واحد. إن الإغراء بمعاملة نماذج الأساس كحلول عالمية قوي، خاصة مع توسيع نوافذ السياق وتحسين القدرات متعددة الوسائط. ومع ذلك، فإن هندسة أنظمة موثوقة لا تزال تتطلب احترام حدود ما صُممت هذه البنى للقيام به.

بينما تمضي الصناعة قدماً، يمكننا أن نتوقع المزيد من البحث حول كيفية تأسيس نماذج اللغة بفعالية في البيئات المادية. سيشمل ذلك على الأرجح تعلماً معززاً متقدماً من التغذية الراجعة البشرية والجسدية، وتكاملاً أوثق مع شبكات الإدراك المتخصصة، وتطوير برمجيات وسيطة تعطي الأولوية للسلامة يمكنها تجاوز مخرجات نموذج اللغة غير المنتظمة في الوقت الفعلي. إلى أن يتم التغلب تماماً على عقبات السلامة وزمن الانتقال الأساسية هذه، يظل ترك القيادة للشبكات العصبية المتخصصة -والسماح لنماذج اللغة بالالتزام بمقعد الراكب- هو المسار الأوضح للحكمة.

المصدر: wired.com