لماذا تفشل النماذج اللغوية في الرياضيات؟

 شهد مجال الذكاء الاصطناعي تطورات هائلة في السنوات الأخيرة، خصوصاً مع ظهور النماذج اللغوية الكبيرة التي باتت تؤثر بشكل مباشر على حياتنا اليومية. هذه النماذج أدهشت الجميع بقدرتها على إنتاج نصوص إبداعية تلبي احتياجات متعددة مثل كتابة الشعر، تلخيص الكتب، تبسيط المعلومات المعقدة، والإجابة عن الأسئلة بطرق تشبه طلاقة الإنسان. ويعتبر روبوت الدردشة مثل ChatGPT وGemini من أبرز الأمثلة على تلك التقنيات التي تبهر المستخدمين.

رغم هذا التقدم، إلا أن هذه النماذج اللغوية المتقدمة لا تزال تعاني من مشاكل كبيرة في التعامل مع الرياضيات. على سبيل المثال، يفشل نموذج Claude التابع لشركة Anthropic في حل المسائل الكلامية، كما أن نموذج Gemini من جوجل يعاني من صعوبة في فهم المعادلات التربيعية، بينما يجد نموذج Llama من شركة ميتا صعوبة في إجراء عمليات الجمع الأساسية.

التساؤل الذي يطرح نفسه هنا هو: لماذا تعجز النماذج التي تفهم السياق وتولد نصوصاً معقدة عن حل مسائل رياضية قد ينجزها تلميذ في المرحلة الابتدائية؟ لفهم هذا، يجب علينا أن نلقي نظرة على كيفية عمل هذه النماذج. تعتمد النماذج اللغوية الكبيرة على ما يعرف بعملية تجزئة النص إلى وحدات صغيرة تعرف بالـ “Tokens”، وهي طريقة تعتمد على تحليل النص بناءً على الأنماط التي تعلمتها من كميات هائلة من البيانات. لكن هذه الطريقة ليست مثالية عندما يتعلق الأمر بالرموز الرياضية والأرقام، حيث تؤدي إلى فقدان بعض التفاصيل الدقيقة التي تعتبر حيوية في العمليات الحسابية.

على سبيل المثال، يمكن أن يتعامل النموذج مع الرقم 380 كوحدة واحدة، في حين يعالج الرقم 381 على أنه مزيج من الأجزاء (38 و1)، مما يؤدي إلى أخطاء كبيرة في الحسابات. بالإضافة إلى ذلك، تعتمد هذه النماذج على الإحصاءات والاحتمالات للتنبؤ بالكلمة التالية في الجملة، وهو نهج يعمل بشكل جيد في النصوص اللغوية لكنه يعاني في الحالات التي تتطلب استدلالاً منطقياً دقيقاً مثل العمليات الحسابية.

أظهرت دراسة حديثة قام بها البروفيسور يونتيان دينج من جامعة واترلو أن نموذج GPT-4o يواجه تحديات كبيرة في ضرب الأعداد الكبيرة. وقد فشل النموذج في حساب ضرب عددين مكونين من أربعة أرقام بدقة. ورغم هذه التحديات، أظهرت الدراسة أيضاً تطوراً ملحوظاً مع إطلاق نموذج جديد (o1) من شركة OpenAI، حيث أظهر هذا النموذج نتائج واعدة في حل مسائل ضرب معقدة بسرعة ودقة أفضل.

تتطلع الأبحاث إلى تحسين قدرات النماذج اللغوية في مجال الرياضيات، ومع التطور المستمر في هذا المجال، قد نشهد مستقبلاً نماذج أكثر دقة في التعامل مع المسائل الحسابية. ورغم أن هذه النماذج لا تزال بعيدة عن منافسة البشر أو الآلات المتخصصة في الحسابات، إلا أن التحسينات المستمرة تشير إلى مستقبل واعد قد يسهم في تعزيز استخدامها في مجالات مثل التعليم والبحث العلمي.