الاستدلال في النماذج اللغوية الكبيرة: مراجعة شاملة

مع التقدم السريع في تقنيات الذكاء الاصطناعي (AI)، تظهر النماذج اللغوية الكبيرة (LLMs) قدرات ملحوظة في حل المشكلات. وعلى الرغم من أن النماذج اللغوية الكبيرة قد أحدثت ثورة في معالجة اللغة الطبيعية (NLP)، إلا أن محدودياتها الجوهرية في الاستدلال المهيكل تعيق أدائها في المهام المعقدة للذكاء الاصطناعي التي تتطلب منطقًا متعدد الخطوات، وفهمًا سياقيًا، وتركيب المعرفة. تقدم هذه الورقة نظرة شاملة على الأساليب لسد هذه الفجوة، مع تصنيف تقنيات الاستدلال إلى نماذج أساسية ومتقدمة. نقوم بتحليل الاستراتيجيات المتطورة، بما في ذلك هندسة المطالبات، والاستدلال المعزز بالاسترجاع، والهياكل العصبية الرمزية، التي تقدم وجهات نظر متنوعة حول الاستدلال عبر مراحل صياغة الاستعلام، واسترجاع المعلومات (IR)، وتوليد الإجابة. من خلال وضع تصنيف لنماذج IR المعززة بالاستدلال واستكشاف تطبيقاتها، نوضح تحسينات ملموسة في دقة وقابلية تفسير النماذج اللغوية الكبيرة المعاصرة، وخاصة تلك المتعلقة بـ IR. ومع ذلك، تظل التحديات في الاستدلال متعدد القفزات، واتساق المخرجات، وتكييف المجال قائمة، مما يستدعي جهودًا مستقبلية تركز على الأنظمة المودولية، والتكامل الديناميكي للمعرفة، وأُطُر تدريب واعية بالاستدلال. تؤكد نتائجنا وتجميعاتنا أن التطور التالي للنماذج اللغوية الكبيرة — وبعض نماذج IR على حد سواء — لا يكمن فقط في استرجاع المعلومات، بل في القدرة الحقيقية على الفهم والاحتفاظ والاستدلال بالمعلومات، مما يعكس الإدراك البشري.