هل يمكن للنماذج اللغوية الكبيرة التفكير في التفكير؟ تقييم نظرية العقل التلقائية في المعضلات الاجتماعية

أدى السعي وراء الذكاء الاصطناعي العام (AGI) الباحثين إلى النظر إلى ما هو أبعد من المعايير الثابتة مثل البرمجة أو الاستدلال المنطقي. قطعة مفقودة حاسمة في هذا اللغز هي نظرية العقل (ToM): القدرة المعرفية على إسناد الحالات الذهنية والنوايا والمعتقدات للآخرين. مؤخرًا، أظهرت النماذج اللغوية الكبيرة (LLMs) مؤشرات مفاجئة على هذه القدرة. لكن هل هو فهم حقيقي، أم مجرد مطابقة أنماط متطورة؟ لمعرفة ذلك، يجب أن نضعها في الحلبة: المعضلات الاجتماعية التفاعلية.

لماذا المعضلات الاجتماعية؟

المعضلات الاجتماعية، مثل معضلة السجين أو لعبة ultimatum، هي منصات اختبار مثالية لنظرية العقل. في هذه السيناريوهات، لا تعتمد الاستراتيجية المثلى فقط على قواعد اللعبة، بل على التنبؤ بما سيفعله اللاعب الآخر. إذا استطاع نموذج لغوي كبير التعاون باستمرار عندما يتنبأ بأن اللاعب الآخر سيتعاون، والخيانة عندما يتنبأ بأن الآخر سيخون، فهو يقوم ضمنيًا بنمذجة عقل الوكيل الآخر.

غالبًا ما تكون اختبارات نظرية العقل التقليدية ثابتة ("هل تعتقد سالي أن الكرة في السلة؟"). المعضلات التفاعلية تجبر النموذج على تحديث معتقداته في الوقت الفعلي بناءً على معلومات جديدة، وهو عتبة أعلى بكثير لمحاكاة المعرفية.

الإعداد التجريبي

لتقييم نظرية العقل التلقائية، نصمم تفاعلًا متعدد الجولات حيث يلعب النموذج اللغوي الكبير ضد وكيل لديه استراتيجية مخفية. يجب على النموذج اللغوي الكبير استنتاج هذه الاستراتيجية من بيانات محدودة وتعديل حركاته وفقًا لذلك.

فكّر في معضلة سجين متكررة بسيطة. يُطلب من النموذج اللغوي الكبير اختيار "التعاون" (C) أو "الخيانة" (D) في كل جولة. يوفر البيئة تغذية راجعة حول حركة الخصم السابقة. لن يستجيب النموذج ذو نظرية العقل الحقيقية فقط لحركة الخصم الأخيرة (مثل Tit-for-Tat)، بل سيستنتج نية أو خوارزمية الخصم.

مثال على الكود: تقييم استنتاج الاستراتيجية

import re
from transformers import pipeline

# دالة تقييم افتراضية
def evaluate_tom_capability(llm, opponent_strategy):
    """
    تختبر ما إذا كان النموذج اللغوي الكبير قادرًا على استنتاج استراتيجية الخصم
    وتعديل لعبته الخاصة لتعظيم العائد.
    """
    prompts = []
    # محاكاة 5 جولات من التفاعل
    for i in range(5):
        opponent_move = opponent_strategy(i) # على سبيل المثال، 'C' أو 'D'
        prompt = f"""
        الجولة {i}:
        حركتك السابقة: [الحركة الأخيرة]
        حركة الخصم: {opponent_move}
        
        فكّر في نمط الخصم. ما الذي ينوي فعله في الخطوة التالية؟
        اختر C أو D لتعظيم نقاطك.
        أجب فقط بـ C أو D.
        """
        prompts.append(prompt)
    
    # إرسال المحفزات إلى النموذج اللغوي الكبير (مبسطة للتوضيح)
    llm_responses = [llm(prompt) for prompt in prompts]
    
    # حساب ما إذا كان النموذج اللغوي الكبير متوافقًا مع الاستراتيجية المستنتجة
    # على سبيل المثال، إذا كان الخصم يتعاون دائمًا (C)، فيجب أن يتعاون النموذج اللغوي الكبير في الغالب (C)
    success_rate = calculate_alignment(llm_responses, opponent_strategy)
    return success_rate

# مثال: يستخدم الخصم استراتيجية Tit-for-Tat
def tit_for_tat_history(history):
    return history[-1] if history else 'C'

# تشغيل التقييم
# score = evaluate_tom_capability(my_llm_instance, tit_for_tat_history)

النتائج الرئيسية والتحديات

1. مطابقة الأنماط مقابل التوحد الذهني: تتفوق النماذج اللغوية الكبيرة الحالية في التعرف على الأنماط البسيطة (مثل "هم يخونون دائمًا"). ومع ذلك، فإنها تكافح مع الاستراتيجيات الأكثر تعقيدًا وغير الحتمية التي تتطلب نمذجة احتمالية لحالة معتقدات الخصم.
2. قيود طول السياق: مع طول التفاعلات، قد تفقد النماذج تتبع الاستراتيجية المستنتجة، مما يشير إلى أن "نظرية العقل" لديها سطحية وتعتمد بشدة على نوافذ السياق الأخيرة.
3. التحيز الذاتي: تُظهر بعض النماذج تحيزًا قويًا نحو التعاون، وتفسير الإشارات الغامضة على أنها طيبة. يمكن لهذا "التحيز نحو اللطف" أن يخفي نقص الاستدلال الاستراتيجي الحقيقي.

التأثيرات العملية للمطورين

بالنسبة للمطورين الذين يبنيون أنظمة متعددة الوكلاء، فإن فهم نظرية العقل للنماذج اللغوية الكبيرة أمر بالغ الأهمية. إذا كنت تستخدم النماذج اللغوية الكبيرة للتفاوض على العقود أو تنسيق المهام، فيجب أن تفترض أنها لديها نموذج محدود ومائل محتمل للوكلاء الآخرين. قد تحتاج إلى تحفيزها صراحةً لتفكر في "حوافز الوكيل الآخر" لتعزيز أداء نظرية العقل لديها.

الخلاصة

لا تزال النماذج اللغوية الكبيرة لا تُظهر نظرية عقل تلقائية قوية. على الرغم من أنها يمكن أن تحاكي السلوك الاستراتيجي في المعضلات الاجتماعية البسيطة، إلا أنها تفتقر إلى النمذجة العميقة والمتسقة لعقول الآخرين المطلوبة للذكاء الاجتماعي الحقيقي. يجب أن تركز الأبحاث المستقبلية على التفاعلات طويلة المدى وهياكل المعتقدات الأكثر تعقيدًا لدفع حدود ما يمكن لهذه النماذج فهمه حقًا عن "العقول" الأخرى.