اكتشفت أحدث أبحاث جوجل شيئًا مثيرًا للاهتمام: نماذج Transformer ليست مجرد حفظ وتكرار، بل تبني خريطة معرفية داخل مصفوفة الأوزان تربط بين المفاهيم المختلفة.

يبدو الأمر تقنيًا جدًا، أليس كذلك؟ والأكثر إثارة — في المهام التحديّة، يمكن لهذه النماذج أن تتعلم استنتاجات متعددة القفز. قام الباحثون باختبار نموذج على رسم بياني يتكون من 50000 عقدة و10 مسارات قفز، وحقق النموذج دقة في التنبؤ بمسارات لم يرها من قبل وصلت إلى 100%. ماذا يعني هذا؟ يعني أنه لا يعتمد على الحفظ فقط، بل فهم فعلي لشبكة العلاقات تلك.

هذه التقنية تتحدى العديد من الأفكار المسبقة التي لدينا عن تخزين المعرفة في الذكاء الاصطناعي. إذا كانت النماذج فعلاً تقوم بترميز العلاقات العالمية بشكل ضمني، فهذا يمكن أن يثير إمكانياتها الإبداعية، وفي الوقت نفسه قد يجعل تحرير والتحكم في المعرفة أكثر صعوبة. بعبارة أخرى، علينا أن نعيد التفكير في كيفية إدارة وتحسين "الخريطة المعرفية" وراء هذه النماذج.