تحتاج نماذج اللغة الكبيرة (LLMs) إلى كميات هائلة من البيانات أكثر من الأطفال لتعلم اللغة. فهم السبب قد يساعدنا في إنشاء نماذج أكثر كفاءة وكشف المزيد عن العقول النامية.

لقد كان البشر يتحدثون مع بعضهم البعض لمدة لا تقل عن 100,000 سنة، كما يمكننا أن نحدد. وخلال كل ذلك الوقت، لم يكن هناك شيء في العالم قادر على تعلم لغة بشرية إلى طلاقة تامة إلا طفل بشري. الآن هناك اثنان. بعد أربع سنوات قصيرة من إصدار [ADDRESS], أصبح العديد منا الآن يعتبر من البديهيات أننا نستطيع التحدث بشكل طبيعي مع هواتفنا أو حواسيبنا.

نماذج LLMs مثل [PERSON_NAME], [PERSON_NAME]، ونماذج GPT من Open AI هي كافية السلاسة والمرونة لتمثيل البشر بشكل مقنع. لكن إذا نظرنا خلف الستار الحاسوبي، فهناك صيد: تعليم الحاسوب لاستخدام اللغة البشرية لا يزال يتطلب كمية لا إنسانية من البيانات. يمكن لنموذج LLM معالجة بسهولة مائة ألف مرة أكثر من الكلمات التي سيواجهها شخص ما أثناء إتقان لغته الأم، وأكثر بكثير مما قد يسمعه الأطفال بحلول عيد ميلادهم الأول، عندما يبدأون عادةً في الإمساك باللغة.

التقدم الأخير كان مذهلاً، كما يقول [PERSON_NAME], عالم إدراكي في جامعة ستانفورد، حول LLMs. لكننا ما زلنا بحاجة إلى حرق غابة وكشط مجموع كل المعرفة البشرية لإعادة إنشاء هذا الإنجاز الذي يحدث في غرف معيشتنا خلال سنة. هذه الفجوة الواسعة بين الأطفال والآلات تُسمى فجوة كفاءة البيانات.

الكيانات الرئيسية: الشركات: Open AI, Meta | الأشخاص: [PERSON_NAME], [PERSON_NAME], [PERSON_NAME] | المواقع: جامعة ستانفورد، جامعة جورجتاون

الأسئلة الشائعة: كيف لا يزال الأطفال يتفوقون على أكثر الآلات لغوية تطورًا jamás مبنية؟

الفرق يكمن في كفاءة البيانات. يتعلم الأطفال اللغة من حوالي 100 مليون كلمة بحلول سن ما قبل المراهقة، بينما تتعامل LLMs مع تريليونات من الرموز. تشير فجوة كفاءة البيانات إلى أن الأطفال يستخدمون هياكل إدراكية فطرية أو آليات تعلم أكثر كفاءة لم تتمكن الذكاء الاصطناعي من تقليدها بعد.

السؤال الشائع: كيف لا يزال الأطفال يتفوقون على أكثر الآلات لغوية تطورًا jamás مبنية؟

الإجابة الشائعة: الفرق يكمن في كفاءة البيانات. يتعلم الأطفال اللغة من حوالي 100 مليون كلمة بحلول سن ما قبل المراهقة، بينما تتعامل LLMs مع تريليونات من الرموز. تشير فجوة كفاءة البيانات إلى أن الأطفال يستخدمون هياكل إدراكية فطرية أو آليات تعلم أكثر كفاءة لم تتمكن الذكاء الاصطناعي من تقليدها بعد.