طور الباحثون جيلاً جديداً من نماذج الذكاء الاصطناعي القادرة على تعديل جهدها الحاسوبي بشكل ديناميكي بناءً على مدى تعقيد المشكلة، ما يمثل تحولاً كبيراً في طريقة تعامل الذكاء الاصطناعي مع المهام الصعبة.
تُجسد هذه التقنية من خلال نماذج مثل DeepSeek-R1 وسلسلة o من OpenAI، حيث يعتمد المطورون ما يُسمى "منهجية الاستدلال أولاً" التي تعطي الأولوية للتحليل المتعمق بدلاً من الاكتفاء بمطابقة الأنماط السريعة. تم بناء DeepSeek-R1 بهذه المنهجية، ما يجعله مناسباً بشكل خاص لمعالجة المهام المعقدة في مجالات مثل العلوم، البرمجة، والرياضيات من خلال الاستدلال المنطقي المتقدم وحل المشكلات. ويجعل التركيز على "التفكير قبل الإجابة" هذا النموذج ذا قيمة عالية في التطبيقات التقنية.
وعلى عكس أنظمة الذكاء الاصطناعي التقليدية، يتم تدريب هذه النماذج الجديدة على "التفكير لفترة أطول" قبل الرد. فعلى سبيل المثال، يستطيع نموذج o3 من OpenAI تقسيم الأسئلة الصعبة إلى خطوات منطقية، وإجراء حسابات وسيطة أو استدعاء أدوات، ثم إنتاج إجابات مدعومة بالأدلة. وباعتبارها نماذج استدلالية، فهي تقوم بالتحقق من صحة نتائجها ذاتياً، ما يساعد على تجنب الأخطاء التي غالباً ما تقع فيها النماذج التقليدية. ورغم أن هذه النماذج تستغرق ثوانٍ إلى دقائق أطول للوصول إلى الحلول مقارنة بالنماذج غير الاستدلالية، إلا أنها عادةً ما تكون أكثر موثوقية في مجالات مثل الفيزياء والعلوم والرياضيات.
وقد لاحظت OpenAI أن التعلم المعزز واسع النطاق يُظهر نفس الاتجاه "كلما زادت القدرة الحاسوبية = زاد الأداء" الذي لوحظ في تدريب النماذج السابقة. ومن خلال إعادة تتبع مسار التوسع هذه المرة في التعلم المعزز، تمكنوا من رفع مستوى التدريب والاستدلال بمقدار كبير، مع تحقيق مكاسب واضحة في الأداء تؤكد أن أداء النماذج يتحسن كلما أُتيح لها وقت أطول للتفكير.
تقوم هذه النماذج بتوليد عدة مسارات للحل أثناء الاستدلال، وتقييم كل منها بمساعدة نماذج تقييم مدمجة لتحديد الخيار الأكثر وعداً. ومن خلال تدريب المقيم على بيانات مصنفة من قبل خبراء، يضمن المطورون أن النماذج تطور قدرة قوية على الاستدلال في المشكلات المعقدة متعددة الخطوات. وتتيح هذه الميزة للنموذج أن يكون حكماً على استدلاله الخاص، ما يقرب نماذج اللغة الكبيرة من القدرة على "التفكير" بدلاً من مجرد الاستجابة.
يجمع نهج DeepSeek بين الاستدلال المتسلسل والتعلم المعزز، حيث يتعلم وكيل مستقل أداء مهمة من خلال التجربة والخطأ دون تعليمات بشرية. ويطرح هذا النهج تساؤلات حول الافتراض القائل بأن النماذج ستطور قدرتها على الاستدلال فقط من خلال التدريب على أمثلة مصنفة للسلوك الصحيح. كما عبر أحد الباحثين: "هل يمكننا فقط مكافأة النموذج على صحة النتائج وتركه يكتشف أفضل طريقة للتفكير بنفسه؟"
وتحمل هذه التطورات آثاراً عميقة على التطبيقات الواقعية. فقد تُحدث هذه النماذج تحولاً في طريقة تعامل الذكاء الاصطناعي مع المشكلات المعقدة في مجالات مثل البحث العلمي والهندسة واستراتيجيات الأعمال وحل المشكلات الإبداعية. ومن خلال تخصيص الموارد الحاسوبية بما يتناسب مع صعوبة المهمة – تماماً كما يقضي البشر وقتاً أطول في المشكلات الأصعب – تعد هذه الأنظمة بأداء أكثر موثوقية في مواجهة أصعب التحديات الفكرية التي تواجه البشرية.