«تشويش مخرجات النماذج المجمّدة يتفوق على تعديل الأوزان في مهام الاستدلال والرؤية»

سادت في أروقة أبحاث الذكاء الاصطناعي فرضية تفترض أن النماذج اللغوية المدربة مسبقًا تقبع داخل بيئات هندسية كثيفة من الخبراء المتخصصين في فضاء الأوزان، وأن استخراج هذه القدرات الكامنة يتطلب إدخال تشويش غاوسي عشوائي على أوزان النموذج ذاته. غير أن ورقة بحثية جديدة قادها الباحث نيكولا دوفور مع إيلوان غارد وأميل درافيد وباتريك بيريز ولويك لاندريو، أعادت اختبار هذه الفرضية المعروفة باسم «الأجمات العصبية»، لتكشف أن تلك المكاسب الملموسة في الأداء لا تتطلب هذا التفسير الهندسي المعقد ولا تستدعي المساس بأوزان النموذج الأصلية.

أظهر الباحثون عند إعادة إنتاج النتائج التجريبية أن إدخال التشويش على كتلة فك ترميز واحدة داخل النموذج يستعيد جزءًا كبيرًا من التحسن في الأداء، بينما يؤدي الإبقاء على النموذج مجمّدًا بالكامل مع إضافة انحياز عشوائي إلى قيم «اللوجيتس» في المخرجات إلى مضاهاة مكاسب تشويش الأوزان الكاملة أو التفوق عليها في معظم مهام الاستدلال. وقد أثبت التحليل الرياضي من الدرجة الأولى الذي قدمه الفريق أن التشويش الطفيف المطبق على الأوزان يعمل في جوهره عبر إزاحة قيم اللوجيتس التي ينتجها النموذج، مما ينقل تفسير الظاهرة برمتها من فرضية وجود خبراء متجاورين في فضاء الأوزان إلى آليات تنوع المخرجات والانتقاء القائم على التحقق.

صاغ الفريق هذا المسار التجريبي في إجراء عام أطلقوا عليه اسم «التشويش والاختيار والتصويت» (PSV). وتعتمد هذه المنهجية على توليد تنبؤات مشوشة، ثم اختيار أفضلها أداءً استنادًا إلى مجموعة تحقق صغيرة، وتجميع التنبؤات النهائية عبر آلية التصويت. ويربط هذا التحليل سلوك الأجمات العصبية بطرق الاستدلال الراسخة مثل أخذ العينات والاتساق الذاتي والاختيار الموجه بالمتحقق، مما يثبت أن المكاسب المسجلة لا تتطلب تكرار نسخ ثقيلة من النماذج في الذاكرة الحسابية، بل يمكن تحقيقها مباشرة عبر التحكم الإحصائي في مخرجات الاستدلال.

امتدت تجارب الفريق لتشمل نماذج الرؤية الحاسوبية تحت ظروف إزاحة المجال، ولا سيما في مهام رصد الأرض والاستشعار عن بعد. حققت آلية التشويش على قيم اللوجيتس تحسنًا جوهريًا في دقة نماذج الرؤية عند مواجهة تغيرات توزيع البيانات. في المقابل، لم يقدم تشويش الأوزان الكاملة أي فائدة إضافية تذكر، مما يؤكد أن معالجة مخرجات الاحتمالات في نموذج مجمّد تمامًا تمثل بديلًا فعالًا وعامًا يغني عن تشويش الأوزان أو التدريب الإضافي عبر مجالي اللغة والرؤية على حد سواء.

يفرض هذا التحول الحسابي واقعًا تشغيليًا مباشرًا على الفرق الهندسية ومطوري البنية التحتية في الخليج ومصر والشام. فبدلًا من تخصيص سعات ذاكرة فيديو ضخمة واستنزاف بطاقات الرسوميات في تحميل نسخ مكررة من أوزان النماذج لتشغيل مجموعات التنبؤ أو تعديل المعاملات محليًا، تتيح هذه النتائج لمسؤولي الأنظمة في المصارف والمؤسسات الحكومية ومراكز الأبحاث الإقليمية تثبيت النموذج المصدري في حالة تجمد كامل، وتشغيل بروتوكول التشويش والاختيار على مستوى مخرجات اللوجيتس وحدها. ويعني هذا خفضًا ملموسًا في تكلفة الاستدلال التكراري، وإمكانية تطبيق تقنيات الاتساق والتصويت دون مضاعفة البنية التحتية. كما يمنح مطوري تطبيقات مراقبة الأراضي والمساحة الحضرية في المنطقة أداة مباشرة لرفع دقة نماذج الاستشعار عن بعد في مواجهة البيئات الصحراوية وتغيرات التضاريس المحلية دون تكبد تكاليف التدريب أو المساس بالنماذج المفتوحة المعتمدة.

تكشف هذه النتائج أن الطريق الأقصر لتحسين موثوقية النماذج لا يمر حتمًا عبر تعقيد فضاء الأوزان أو مطاردة تشكيلات هندسية مفترضة داخل الشبكات العصبية. فحصنا للتجربة يؤكد أن هندسة المخرجات في لحظة الاستدلال تمنح مهندس الذكاء الاصطناعي كفاءة تتفوق على أساليب التشويش البنيوي، وتثبت أن النماذج المجمّدة تحمل قدرة استدلالية أعلى مما توحي به أوزانها الخام متى ما أحسن استخلاص التنوع الإحصائي من مخرجاتها.