في كل يوم أحد، يجذب برنامج “لغز الأحد” الذي تبثه إذاعة NPR آلاف المستمعين في الولايات المتحدة وحول العالم لحل تحديات عقلية صعبة ومعقدة. وهو يعتبر من بين البرامج الأكثر شعبية في فئته، حيث يتيح للمستمعين اختبار مهاراتهم في التفكير النقدي والمنطقي. ومع مرور الوقت، أصبح هذا البرنامج مقياسًا غير تقليدي لاختبار قدرات الذكاء الاصطناعي.
في الآونة الأخيرة، وتحديدًا في دراسة حديثة، قام باحثون من عدة جامعات أميركية، بالتعاون مع شركة “Cursor” الناشئة، باستخدام ألغاز برنامج “لغز الأحد” لمعرفة مدى قدرة نماذج الذكاء الاصطناعي المتقدمة على الاستدلال المنطقي والتفكير المجرد. وتأتي هذه الدراسة في وقت يشهد فيه العالم اهتمامًا متزايدًا بتقييم قدرات الذكاء الاصطناعي بعيدًا عن مجرد الاسترجاع الموسوعي للمعلومات، حيث يرتكز الاختبار على القدرة على التفكير بطرق غير تقليدية ومتعمقة.
النتائج التي أظهرتها الدراسة كانت مفاجئة للكثيرين. إذ تبين أن بعض النماذج المتقدمة، مثل نموذج o1 من شركة “OpenAI” وR1 من “ديب سيك”، لم تقتصر فقط على تقديم إجابات خاطئة فحسب، بل أظهرت أيضًا سلوكيات غير متوقعة، مثل “الاستسلام” في بعض الحالات، حيث تعلن النماذج بشكل صريح أنها غير قادرة على حل اللغز قبل تقديم إجابة غير صحيحة عشوائية. في حين أن هناك نماذج أخرى مثل o1 استطاعت تقديم إجابات صحيحة بشكل أكبر، رغم أنها واجهت صعوبة في التفاعل مع الألغاز المعقدة.
تتمتع هذه الألغاز بميزة هامة جدًا، فهي لا تعتمد على المعرفة الموسوعية أو الحقائق المعروفة، مما يجعلها اختبارًا مثاليًا لاختبار قدرة الذكاء الاصطناعي على التفكير المجرد، بدلاً من أن يكون مجرد أداة للبحث عن معلومات معينة. من خلال هذا النوع من الألغاز، يتمكن الباحثون من قياس قدرة النماذج على الاستدلال المنطقي، واتخاذ القرارات بناءً على المعرفة التي يمتلكها النظام دون الحاجة إلى الاستعانة بقاعدة بيانات ضخمة.
بالرغم من التقدم الذي أحرزته بعض النماذج في هذا المجال، فإن النماذج لا تزال تواجه تحديات كبيرة. فقد أظهرت بعض النماذج سلوكيات غريبة، مثل تقديم إجابة خاطئة ثم التراجع عنها، أو حتى “التفكير” بلا نهاية دون الوصول إلى أي حل. هذا يظهر أن النماذج بحاجة إلى تحسينات كبيرة فيما يخص القدرة على التعامل مع المشكلات التي تتطلب التفكير العميق والتحليل المنطقي.
على الرغم من هذه الصعوبات، فإن النموذج o1 من “OpenAI” يتصدر القائمة بأفضل أداء بنسبة 59%، متفوقًا بذلك على نموذج o3-mini الذي حقق 47%. بينما حصل نموذج R1 من “ديب سيك” على أقل نسبة أداء بلغت 35%. هذه النتائج توضح مدى الفجوة التي لا تزال قائمة بين قدرة البشر على التفكير المجرد وحلول الذكاء الاصطناعي.
لكن الباحثين في هذا المجال لا يزالون متفائلين، حيث يخططون لتوسيع نطاق التجربة عبر إضافة مزيد من النماذج المتقدمة لاختبار قدرتها على التفكير وحل المشكلات بشكل أكثر كفاءة. كما يأملون في أن يؤدي ذلك إلى تحسينات في نماذج الذكاء الاصطناعي على المدى الطويل، بحيث تكون قادرة على التعامل مع أنواع مختلفة من التحديات المعقدة والمتنوعة.