Samuel Schapiro Sumuk Shashidhar Alexi Gladstone Jonah Black Royce Moon Dilek Hakkani-Tur Lav R. Varshney

الملخص

تُستخدم أنظمة الذكاء الاصطناعي، وبشكل خاص النماذج اللغوية الكبيرة (LLMs)، بشكل متزايد في المهام الإبداعية مثل توليد الأفكار العلمية، مما يمثل شكلًا من أشكال التعميم على أساس بيانات التدريب لم تُعالجها الإطارات المفاهيمية الحالية. وعلى الرغم من تشابهها في العديد من الجوانب مع أشكال التعميم التوافقي (CG)، فإن الإبداع التوافقي (CC) يُعدّ قدرة مفتوحة الاتجاه. بدلًا من تقييم النتائج من حيث الدقة أو الصواب مقابل أهداف ثابتة، وهو ما يتعارض مع الطبيعة المفتوحة للإبداع التوافقي، نقترح إطارًا نظريًا ومهامًا خوارزمية لتقييم النواتج وفقًا لمستويات الإبداعية (الجدة) وفائدة التطبيق. ومن هنا، نقدم عدة إسهامات تجريبية مهمة: (1) نحصل على أول رؤى حول سلوك التوسع في الإبداع لدى النماذج اللغوية الكبيرة. (2) نكتشف أن هناك عمقًا وعرضًا مثاليين للنموذج، ضمن ميزانيات حسابية ثابتة، لتحقيق أعلى درجات القدرة الإبداعية. (3) نجد أن فجوة التوليد والتنفيذ، التي تمثل حالة يتفوق فيها النماذج اللغوية الكبيرة في توليد أفكار علمية جديدة، لكنها تواجه صعوبات في ضمان جدوى تطبيقها العملي، قد تُفسَّر بوجود تناقض جوهري بين الجدة والفائدة، وهو سمة تميز خوارزميات الإبداع بشكل عام. وبشكل مهم، يظل هذا التناقض قائماً حتى عند التوسع الكبير، مما يثير شكوكًا حول القدرة الإبداعية طويلة المدى للنماذج اللغوية الكبيرة في صيغتها الحالية. وبشكل جماعي، يوفر إطارنا المفاهيمي ونتائجنا التجريبية أساسًا لفهم وتحسين الإبداع في نماذج الذكاء الاصطناعي الحديثة، مُسَجِّلًا حدودًا جديدة في قدرات التعميم.