الأطفال يتفوقون على نماذج اللغة الكبيرة في تعلم اللغة رغم فجوة البيانات الهائلة

في عصر تُدرَّب فيه نماذج اللغة الكبيرة على كميات من البيانات تفوق ما قرأه البشر في كل التاريخ المكتوب، يبقى الطفل البشري اللغز الذي يُحيّر باحثي الذكاء الاصطناعي: كيف يُتقن الطفل لغته الأم بعد سماع عشرة إلى ثلاثين مليون كلمة فقط، في حين يحتاج نموذج كـLlama 3.1 من Meta إلى خمسة عشر تريليون رمز مميز - ما يُعادل مئة ألف ضعف من البيانات - لتحقيق مستوى مقارب من الطلاقة اللغوية؟

هذه هي قضية «فجوة كفاءة البيانات»، وهي إحدى أعمق الأسئلة في الذكاء الاصطناعي المعاصر، وموضوع مقالة نشرتها مجلة MIT Technology Review في الرابع والعشرين من أغسطس 2026.

سباق BabyLM

عام 2022، أطلق أليكس ووردستات وزملاؤه مسابقة BabyLM السنوية، التي تُدرِّب نماذج لغوية على مجموعات بيانات «مناسبة للتطور البشري» لا تتجاوز مئة مليون كلمة مستقاة من كتب الأطفال والحوارات اليومية ونصوص المسلسلات. الهدف: استكشاف ما إذا كان التدريب المسبق بالبيانات المحدودة قادراً على إنتاج نماذج أكثر كفاءةً تُحاكي التعلم البشري.

النتيجة مُدهشة: في مسابقة 2024، تمكّن الفائز GPT-BERT من التفوق على نموذج Llama 2 الضخم ذي السبعين مليار معامل في عدة معايير مرجعية، رغم استخدامه خمسة عشر ألف مرة أقل من البيانات في مرحلة التدريب المسبق.

دور التعلم متعدد الوسائط

يُشير الباحثون إلى أن الطفل لا يتعلم اللغة من النص وحده. إنه يسمع ويرى ويلمس ويتفاعل مع بيئته، ويُولّد خبرات تعليمية بنفسه عبر الإشارة والحركة والتواصل الاجتماعي. هذا التعلم المتعدد الوسائط والتفاعلي يمنح الدماغ البشري ميزة هائلة يفتقر إليها نموذج اللغة الكبير التقليدي الذي يتعلم من نص جامد.

أجرى برندان ليك وأوري هاسون تجارب بتدريب نماذج ذكاء اصطناعي على مقاطع فيديو مصوّرة من منظور الأطفال الرضّع خلال ساعات يقظتهم اليومية. النتائج الأولية مشجعة: النماذج الصغيرة المدرَّبة على هذه البيانات الغنية بالسياق أبدت فهماً أعمق لمعاني الكلمات مقارنةً بنماذج أكبر مُدرَّبة على نص صرف.

نماذج اللغة المُقنَّعة وأسلوب التعلم التدريجي

من الأساليب التي استُكشفت في هذا الإطار نموذج اللغة بالإخفاء، الذي يتعلم التنبؤ بكلمات محجوبة من النص، مما يجبر النموذج على فهم السياق من الاتجاهين. كما استُكشف أسلوب التعلم المنهجي التدريجي الذي يبدأ بأمثلة بسيطة ثم يتصاعد تدريجياً في التعقيد، محاكياً المناهج الطبيعية للتعلم البشري. غير أن الدراسات تُشير إلى أن هذا الترتيب وحده لا يكفي لردم الفجوة.

الأفق المستقبلي

فهم الكفاءة البيولوجية البشرية له تداعيات عملية بالغة: نماذج أكثر كفاءةً في استخدام البيانات تعني إمكانية بناء ذكاء اصطناعي قوي للغات الأقل حضوراً على الإنترنت، من اللغات الأصيلة والإقليمية حول العالم - بما في ذلك العربية بلهجاتها المتعددة وسياقاتها الثقافية الثرية. كما تعني تخفيض الكلفة الحسابية الهائلة لتدريب النماذج الحالية.

الأطفال، مرةً أخرى، يُعلّمون الآلة - لا باستخدامها، بل بكونهم نموذجاً يستحق الدراسة العميقة.