عالم يسعى لجعل تقييم الذكاء الاصطناعي علما لا غموضا
في مقابلة مع مجلة كوانتا، يوضح موريتس هارت، عالم الحاسوب في معهد ماكس بلانك للأنظمة الذكية، أن اختبارات المعايير المرجعية، التي شكلت العمود الفقري لتقدم الذكاء الاصطناعي لعقود، تواجه أزمة مصداقية متزايدة في عصر نماذج اللغة الكبيرة. وتظهر البداية التاريخية لهذه الاختبارات أنها لم تكن قياسات محايدة فحسب، بل ساعدت في رسم مسار المجال نفسه. ففي عام ١٩٨٧ أظهر أول اختبار من وكالة مشاريع البحوث الدفاعية المتقدمة حول الترجمة التلقائية من الكلام إلى النص أن أنظمة الذكاء الاصطناعي الرائدة لم تتفوق على الأساليب الإحصائية البسيطة، ما أسهم في دخول المجال مرحلة ركود طويل. وبعد خمسة وعشرين عامًا، غيّر اختبار إيمجنت عام ٢٠١٢ المعادلة عندما تفوقت شبكة عصبية متعددة الطبقات على الخوارزميات السابقة في التصنيف البصري، وأطلقت ثورة التعلم العميق. ويعود أصل النموذج التقييمي إلى عام ١٩٥٩ عبر مجموعة بيانات للأرقام والحروف اختبرت أنظمة التعريف، ووضعت قاعدة الفصل بين بيانات التدريب ومجموعات الاختبار. ومنذ ذلك الحين غدت لوحات التصاعد أداة لترتيب النماذج وتحديد الأكثر تقدمًا. لكن هارت يرى أن المنظومة تضررت منذ عقود لأن مجتمعات البحث خالفت المبدأ الأساسي الذي يقضي بحجز مجموعة الاختبار وعدم إعادة استخدامها في تطوير النماذج. وقد جعل وضع مجموعات الاختبار على الإنترنت تحسين النتائج واردًا عبر تعديل طفيف على الاختبار، ما يجعل الأرقام المطلقة غير موثوقة. ومع ذلك نجا المجال من أزمة إعادة إنتاج النتائج لأن التصنيفات النسبية بين النماذج حافظت على استقرارها تاريخيًا؛ فإذا تجاوز نموذج آخر في اختبار محدد، فقد حافظت هذه الأفضلية غالبًا في بيانات أخرى. لكن هذا الاستقرار بدأ يتآكل مع نماذج اللغة الكبيرة، لأن المتنافسين لم يعودوا يعملون بالضرورة على بيانات تدريب متطابقة. فبإمكان المطورين اختيار مزيج البيانات أو تعزيز النموذج على بيانات قريبة من الاختبارات، فيبدو النموذج متفوقًا في الاختبارات المعروفة مسبقًا، بينما ينخفض أداؤه في الاختبارات الأحدث. ولا يعني ذلك أن النموذج الأسوأ هو الأفضل، بل إن المنافسة صارت موجهة للاختبار نفسه لا للقدرات العامة. ويلخص هارت المخرج الممكن بنهج يشبه تدريب العدائين على ارتفاعات متقاربة: لا يحظر الاستعداد للاختبارات، بل يوحَّد مستوى التجهيز لكل نموذج قبل قياسه. وبذلك يمكن استعادة معنى نسبي للتصنيف، وإن بقيت الأرقام المطلقة ضعيفة كقياسات علمية حقيقية. ويقر بأن التقييم بالاختبارات لم يكشف بعد آليات عمل النماذج، لكنه قد يقود لاحقًا إلى معرفة علمية، كما فعلت اختبارات التنبؤ ببنية البروتين التي دفعت التقدم العلمي قبل توفر نظرية شاملة. وتخلص المراجعة إلى أن الهدف هو تحويل اختبار المعايير من ممارسة غامضة إلى علم أكثر انضباطًا يعيد الثقة في القدرة على فهم الذكاء الاصطناعي لا مجرد ترتيبه.
