Nested Learning من جوجل لتطوير التعلم المستمر بالذكاء الصناعي

قدمت Google Research مفهومًا جديدًا في مجال تعلم الآلة يُعرف باسم Nested Learning، يهدف إلى تمكين النماذج من التعلم المستمر دون نسيان المهارات السابقة، مستوحى من آلية عمل الدماغ البشري.

تفاصيل البحث الجديد

أعلنت Google عن Nested Learning كمنهج جديد في التعلم الآلي المستمر (Continual Learning)، حيث يتم التعامل مع النموذج على أنه مجموعة من مشكلات التحسين المترابطة والمتداخلة بدلًا من عملية واحدة متصلة.

• الهدف الرئيسي:
  حل مشكلة “النسيان الكارثي” التي تواجه النماذج عند تعلم مهام جديدة تفقد معها كفاءتها في المهام القديمة.
• الفكرة الأساسية:
  يتم اعتبار بنية النموذج (Architecture) وخوارزمية التدريب (Optimizer) كعنصرين من نفس النظام، لكن يعملان على مستويات مختلفة من “تدفق السياق” ومعدلات تحديث منفصلة.
• التطبيق العملي:
  قدم الباحثون نموذجًا تجريبيًا يسمى Hope، يعتمد على مبدأ “الذاكرة المستمرة” (Continuum Memory System)، مما يسمح للنموذج بإدارة الذاكرة طويلة المدى والتكيف ذاتيًا مع المهام الجديدة.
• الأداء:
  تفوق نموذج Hope في مهام اللغة والتفكير المنطقي طويل المدى على نماذج مثل Transformers وTitans، محققًا دقة أعلى وانخفاضًا في معدلات الخطأ.
• الآلية الحيوية:
  يشبه النظام الجديد طريقة عمل الدماغ البشري في التعلّم عبر “ترددات تحديث متعددة” لكل مكون، مما يتيح للنموذج الاحتفاظ بالمعرفة السابقة أثناء اكتساب معرفة جديدة.

الأهداف المستقبلية

• بناء نماذج ذكاء اصطناعي قادرة على التعلم الذاتي المستمر.
• دمج مفهوم “الذاكرة المتدرجة” لتطوير أنظمة تحاكي المرونة العصبية للدماغ البشري.
• تمهيد الطريق نحو جيل جديد من النماذج القادرة على التعلم دون فقدان السياق أو المهارات السابقة.

يمثل مفهوم Nested Learning خطوة نوعية في تطوير الذكاء الاصطناعي، إذ يجمع بين البنية والخوارزمية في منظومة تعلم واحدة قادرة على النمو والتحسين الذاتي، مما يقربنا أكثر من ذكاء اصطناعي يفكر ويتطور مثل الإنسان.