هذا هو التالي لكتب Transformers الشهيرة تحت عنوان“الاهتمام هو كل ما تحتاجه”.وقد أدت التكنولوجيا المذكورة في هذه المقالة إلى كل اختبار كبير في مجال الذكاء الاصطناعي في السنوات السبع الماضية، كل شيء من ChatGPT إلى نموذج إنتاج الفيديو لـ Google.وواوكل شيء بينهما.
ويركز الكتاب الأصلي على مساعدة الكمبيوترين (معدات الذكاء الاصطناعي) على فهم اللغة بشكل أفضل وتكوينها، ويصف كيف يمكن للكمبيوتر أن يكتشف معنى كلمة عن طريق قراءة كل شيء في وقت واحد واستخدام آلية تسمى "الاهتمام" لتحديد الكلمات المهمة.
على سبيل المثال، في القول »القط الذي سقط على الخرطوم كان متألمًا′′، ويمكن أن يكون النموذج قادراً على ربط الكلمات ”القط» »الفئرانو” و”كانوا جائعينالحصول على معنى من القصة مع تجاهل كل شيء آخر.
إن تنفيذ "الاهتمام" أدى إلى خلق LLM القوية التي لدينا اليوم.
كما أصبحت الناس أكثر استيعابًا لـ LLM وخلقها جزءًا من حياتهم ، فقد اكتشفت أن هناك تحدًا جديدًا لزيادة كفاءة الأدوات والأنماط الذكية.
معادلة .
السياق هو الظروف الجغرافية والمعلومات التي تساعد في تفسير شيء ما.
إنه يهدف إلى كيفية تنفيذ المهام في العمل ، وهو في بعض الأحيان ما يجعل الشائعات مضحكة ، وهذا هو السبب في فوز Google Search ، هذا هو كل شيء.
التحدي الكبير مع النماذج / أدوات الذكاء الاصطناعي في الوقت الحالي هو أنه ليس لديهم دائمًا سياقًا أثناء تنفيذ وظائف معينة ، وهذا يؤثر على جودة العمل الذي يقومون به أو الإجابة المفيدة.
معرفة ما يجب النظر إليه، وكيفية التأثير عليه، وعندما لم يعد مفيدًا هو الاختبار الحقيقي للذكاء.
العودة إلى عبارة مثالناالقط الذي سقط على الخرطوم كان متألمًاإذا كنا نعرف كيف تستخدم نماذج الذكاء الاصطناعي الاهتمام، يمكننا الحصول على أكثر من ذلك من خلال توفير هذه المعلومات بشكل فعال.
وسوف أذهب إلى حد قول حتى لو تم تحقيق AGI ، فإنه لا ينطبق إلا إذا كان قادرًا على التعامل مع السياق بشكل جيد.
في الوقت الحالي ، حاولت مجموعة متنوعة من أدوات الذكاء الاصطناعي حل هذا بطرق مختلفة: الذاكرة والمرحلة، RAG (Retrieval Augmented Generation)، التقييم الجيد، MCP، وحتى إنشاء قواعد الهندسة المباشرة.
ومع ذلك، أنا لا أعتقد أن المشكلة قد تم حلها بشكل صحيح حتى الآن لأن الكثير من النهج الحالي يضع ضغطا من السياق على المستخدم.
- ليس من السهل دائماً على البشر تقديم السياق لأننا في بعض الأحيان لا نتذكر جميعاً كل المعلومات والبيانات التي لدينا، ونستخدمها لتقديم قرارات معينة.
- إنها تؤثر سلبا على تجربة المستخدم من أدوات الذكاء الاصطناعي إذا كان المستخدم النهائي يجب أن يقرر ما يجب إضافةه ، متى ، وما إلى ذلك.
أنا أرى بعض الطرق التي ستحاول أدوات الذكاء الاصطناعي حل التحدي من وجود مصداقية كافية حول كيفية التفكير في الأشياء:
-
Constant presence: General-purpose AI models could start to provide ever-present tools similar to the Limitless AI pendant to constantly track places you visit, things you see, conversations you have, reactions you have to things and apply that in answering questions or performing tasks for you. This could also just be the next evolution of smartphones.
-
Data import: In this approach, AI tools will provide mechanisms for users to import and sync their data from various platforms into their favourite AI tool. You’ll be able to sync your activity on X (things you see, like, post or repost), your work tools (emails, presentations, meeting recordings), your shopping data (items you’ve liked or bought on Amazon, Asos, etc)
-
Implants: In the far future, I also think AI tools could explore a neuralink type brain implant that allows people ‘extend their brain’ and ‘get the full power of AI’. With this, they could get more context to be able to answer questions and even eliminate delays with using AI tools. Why do you need to think of a question, unlock your phone, open the ChatGPT app and type the question when you can just think of a question and get the answer?
إن الأخلاق حول هذه النهج هي محادثة بنفسها. ولكن بغض النظر عن الطريقة التي تختارها، سيكون الشيء التالي هو معرفة متى تطبيق هذا السياق وكما يجب أن يكون هناك قدر من الوزن.
ومع ذلك ، أعتقد أنه سيكون من المثير للاهتمام أن نرى وزنات ديناميكية ، أي أدوات الذكاء الاصطناعي التي تستخدم وزنات مختلفة ويقدم الإجابة بطريقة مختلفة بناءً على ما يعرفونه بالفعل عنك.
أنا لا أستطيع أن أعرف ما هو المرحلة التالية من الذكاء الاصطناعي، ولكن أنا متأكد من أن فهم قوي وتطبيق السياق سيكون جزءا هاما منه.
