اسأل روبوت دردشة ذكياً سؤالاً وقد يُجيب بنفس نبرة الثقة سواء كانت الحقيقة التي يُقدّمها صحيحة أو مُختلَقة تماماً — إحصائية مُلفَّقة، قضية محكمة لم تحدث أبداً، فصل من كتاب لا وجود له في الكتاب المُستشهَد به. يُطلق الباحثون على هذا اسم 'الهلوسة'، وهي واحدة من أكثر القيود ثباتاً وتوثيقاً في نماذج اللغة الكبيرة اليوم، حاضرة بدرجة ما في كل نظام رئيسي من كل مطوّر رئيسي. فهم سبب حدوثها يتطلب النظر في كيفية توليد هذه النماذج للنص فعلياً، وهو ما يكشف أن الهلوسة ليست خللاً نادراً بانتظار الإصلاح، بل نتيجة بنيوية لتصميم التقنية الأساسي يعمل الباحثون على تقليلها لا إلغائها بالكامل.

ماذا يعني 'الهلوسة' فعلياً في الذكاء الاصطناعي

في أبحاث الذكاء الاصطناعي، تشير 'الهلوسة' إلى مُخرَج طليق ومتماسك نحوياً ومذكور بثقة، لكنه غير صحيح واقعياً أو مُختلَق بالكامل، يتراوح من أخطاء صغيرة كتاريخ خاطئ إلى أخرى كبيرة كالاستشهاد بدراسة علمية لم تُنشَر قط.

هذا يختلف عن قول النموذج ببساطة 'لا أعرف'، وهي إجابة دقيقة على عدم اليقين؛ الهلوسة تصف تحديداً الحالات التي يُولّد فيها النموذج إجابة تبدو معقولة لكنها خاطئة بدلاً من الاعتراف بحدود ما يعرفه فعلياً.

وثّق باحثون في جهات منها OpenAI وAnthropic ومعهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان الهلوسة عبر تقريباً كل نموذج لغوي كبير اختُبر، واصفينها كخاصية عامة للتقنية لا عيباً معزولاً بمنتجات محددة.

كيف تُولّد نماذج اللغة الكبيرة النص فعلياً

تُولّد نماذج اللغة الكبيرة النص عبر التنبؤ، رمزاً واحداً في كل مرة، بالكلمة أو جزء الكلمة الأكثر احتمالاً إحصائياً بناءً على كل ما كُتب حتى الآن، اعتماداً على أنماط متعلَّمة من كميات هائلة من نصوص التدريب المُستخرَجة من الكتب والمواقع ومصادر أخرى.

لا تملك هذه العملية آلية مدمجة للتحقق مما إذا كانت العبارة المُولَّدة صحيحة؛ النموذج يُحسِّن أساساً من أجل نص يبدو كتابة بشرية معقولة وحسنة التركيب، لا نصاً تم التحقق منه مقابل قاعدة بيانات حقائق.

هذا تمييز حاسم عن كيفية عمل محرك بحث أو استعلام قاعدة بيانات: تلك الأنظمة تسترجع معلومات مخزَّنة محددة، بينما يُولّد نموذج اللغة نصاً جديداً بناءً على أنماط إحصائية متعلَّمة، وهذا سبب إمكانية وجود إجابات خاطئة تبدو طليقة بطريقة لا يمكن أن توجد بها في جدول بحث.

لماذا ليس التنبؤ مثل استرجاع الحقائق

لأن النموذج يتنبأ بالكلمات التالية المعقولة بدلاً من استرجاع حقائق موثّقة، يمكنه إنتاج تفصيل مُختلَق بالكامل — استشهاد مزيف، تاريخ غير موجود، اقتباس مُختلَق — يتسق إحصائياً مع كيفية صياغة الحقائق الحقيقية من ذلك النوع عادة، دون أن يمتلك النموذج أي تمثيل داخلي لصحة ذلك التفصيل المحدد.

هذا يفسر لماذا يبدو المحتوى المُهلوَس مقنعاً جداً غالباً: النموذج لا يُولّد هراءً عشوائياً، بل نصاً يطابق الشكل الإحصائي المتعلَّم للمعلومات الدقيقة، وهذا بالضبط ما يجعل تمييزه عن الحقائق الحقيقية صعباً على النموذج والقارئ معاً.

يصف بعض الباحثين هذا بالإشارة إلى أن هذه النماذج هي أساساً 'مولّدات نص واثقة' لا 'أنظمة تحقق من الحقائق'، وهو تمييز يفسر كثيراً من الالتباس عندما يفترض المستخدمون أن الطلاقة تعني الدقة.

مشكلة بيانات التدريب: امتصاص الحقيقة والخطأ معاً

تُدرَّب نماذج اللغة الكبيرة على مجموعات بيانات ضخمة مُستخرَجة من الإنترنت والكتب ومصادر نصية أخرى، وتحتوي حتماً مزيجاً من معلومات دقيقة، ومعلومات قديمة، وسخرية، ورأي مُقدَّم كحقيقة، وأخطاء صريحة، كلها مُمتَصَّة في أنماط النموذج المتعلَّمة دون آلية مدمجة لفصلها حسب الموثوقية.

إذا ظهرت معلومة مضلِّلة بتكرار كافٍ عبر بيانات التدريب، أو في مصادر رجّحتها عملية التدريب بشدة، يمكن للنموذج أن يتعلّم إعادة إنتاجها وكأنها حقيقة راسخة، لأن النموذج لا يملك طريقة مستقلة للتحقق من الادعاءات مقابل الحقيقة الأرضية أثناء التدريب.

هذا يعني أن مبدأ الحوسبة القديم 'قمامة تدخل، قمامة تخرج' ينطبق مباشرة على نماذج اللغة: دقة مُخرجات النموذج محدودة أساساً بدقة النص الذي تعلّم منه، لا بتعقيد الخوارزمية الأساسية وحدها.

لماذا لا يعني النص الواثق أنه نص موثّق

تُدرَّب نماذج اللغة لإنتاج نص طليق يبدو واثقاً نحوياً بغض النظر عما إذا كان الادعاء الأساسي مدعوماً جيداً، لأن الطلاقة والثقة في الصياغة جزء مما تُحسِّنه عملية التدريب عند تعلّم محاكاة أنماط الكتابة البشرية.

هذا يخلق عدم تطابق لا يتوقعه المستخدمون غالباً: نبرة يقين النموذج ليست إشارة موثوقة للدقة الواقعية، لأن نفس أسلوب الكتابة الواثق والحازم يُطبَّق سواء كان النموذج يذكر حقيقة راسخة أو يختلق تفصيلاً بالكامل.

وجد الباحثون الذين يدرسون معايرة النموذج — مدى تطابق ثقة النموذج المُعبَّر عنها مع دقته الفعلية — أن كثيراً من النماذج معايرة بشكل ضعيف، ما يعني أن 'ثقتها' الداخلية في عبارة ما لا ترتبط غالباً بقوة بصحة تلك العبارة فعلياً.

لماذا تعاني النماذج مع الأسئلة خارج بيانات تدريبها

تنحصر معرفة النموذج أساساً في الأنماط الموجودة في بيانات تدريبه حتى تاريخ قطع محدد، والأسئلة عن أحداث حديثة جداً، أو مواضيع متخصصة للغاية، أو مواضيع بتغطية كتابية قليلة تمنح النموذج أنماطاً إحصائية أقل موثوقية للاستناد إليها.

في هذه المواقف قليلة البيانات، تكون النماذج عرضة للهلوسة بشكل خاص لأن الضغط لإنتاج إجابة طليقة تبدو كاملة يبقى كما هو، رغم أن الأساس الإحصائي الكامن لتلك الإجابة ضعيف أو غير موجود فعلياً.

هذا سبب ارتفاع معدلات الهلوسة بشكل ملحوظ للأسئلة عن شخصيات تاريخية غامضة، أو منتجات متخصصة صغيرة، أو أخبار حديثة جداً، أو تفاصيل تقنية محددة للغاية كان من غير المرجح ظهورها كثيراً، أو أصلاً، في بيانات التدريب.

الاستشهادات المُلفَّقة: نمط فشل شائع بشكل خاص

من أكثر أنماط الهلوسة توثيقاً باستمرار الاستشهادات الأكاديمية أو القانونية المُلفَّقة، حيث يُولّد النموذج مرجعاً يبدو معقولاً جداً — بمؤلف يبدو حقيقياً واسم مجلة وسنة نشر — لدراسة أو قضية لا وجود لها فعلياً.

يحدث هذا لأن تنسيق الاستشهاد يتبع نمطاً قابلاً للتعلّم جداً ويمكن للنموذج إعادة إنتاجه بطلاقة، حتى عندما لا يملك معرفة أساسية موثوقة بورقة بحثية محددة تطابق الموضوع المطروح، ما يجعل الاستشهادات المُلفَّقة تبدو مطابقة بنيوياً للحقيقية.

سبّب نمط الفشل هذا تحديداً عواقب مهنية واقعية، بما فيها حالات مُوثَّقة على نطاق واسع لمحامين قدّموا مذكرات قانونية تحتوي استشهادات قضايا مُلفَّقة ولّدتها أدوات ذكاء اصطناعي، اكتشفتها المحاكم فقط بعد محاولة التحقق من القضايا المُستشهَد بها.

كيف يُشكِّل الضبط الدقيق وRLHF المشكلة (ويُفاقمانها أحياناً)

بعد التدريب الأولي على النص الخام، تمر معظم روبوتات الدردشة الحديثة بضبط دقيق إضافي، غالباً باستخدام تقنية تُسمى التعلّم المُعزَّز من التغذية الراجعة البشرية (RLHF)، حيث يُقيِّم مراجعون بشريون مُخرجات النموذج لتشجيع إجابات أكثر فائدة وحسنة التنسيق وتبدو واثقة.

قد تكافئ هذه العملية دون قصد الإجابات الطليقة والحاسمة على الإجابات المُتحفِّظة أو غير المتيقنة بشكل مناسب، لأن المُقيِّمين البشريين يفضلون أحياناً إجابة واثقة تبدو كاملة حتى عندما تكون إجابة أدق قد عبّرت عن عدم يقين.

حدّد بعض الباحثين هذه الديناميكية تحديداً كعامل مُساهم في الهلوسة، لأنها يمكن أن تُدرِّب النماذج على تجنّب قول 'لا أعرف' حتى في المواقف التي ستكون فيها تلك الإجابة الأصدق والأدق.

لماذا تختلف معدلات الهلوسة بين النماذج والمهام

تتفاوت معدلات الهلوسة بشكل كبير بين نماذج ومهام مختلفة، حيث تُظهر عمليات البحث الواقعية المُنظَّمة كالتواريخ التاريخية الموثّقة جيداً عموماً معدلات خطأ أقل من المهام المفتوحة كتلخيص وثيقة غير مألوفة أو الإجابة عن أسئلة تقنية أو قانونية محددة للغاية.

وجدت معايير مستقلة، بما فيها تلك التي تُجريها جهات مثل مركز ستانفورد لأبحاث النماذج الأساسية، فروقات ملموسة في معدلات الهلوسة عبر النماذج التجارية الكبرى، مُظهرة أن بنية النموذج وجودة بيانات التدريب وخيارات الضبط الدقيق كلها تؤثر بشكل قابل للقياس على مدى تلفيق نظام معين للمعلومات.

المهام التي تتطلب من النموذج تجميع معلومات عبر مصادر متعددة أو الاستدلال حول تفاصيل غير مذكورة صراحة تميل لإظهار معدلات هلوسة أعلى من المهام التي تتضمن استرجاعاً مباشراً لحقائق مكررة بشكل شائع جداً، ما يعكس نفس نمط كثافة البيانات الموصوف سابقاً.

التوليد المُعزَّز بالاسترجاع كحل جزئي

التوليد المُعزَّز بالاسترجاع (RAG) تقنية معتمدة على نطاق واسع، حيث يُمنح النموذج وصولاً لمجموعة محددة وموثّقة من الوثائق أو أداة بحث حية وقت الإجابة، ويُطلَب منه بناء ردّه على ذلك المحتوى المُسترجَع بدلاً من الأنماط المحفوظة من التدريب فقط.

يُقلل هذا النهج الهلوسة بشكل قابل للقياس لكثير من المهام، لأن النموذج يمكنه اقتباس أو إعادة صياغة مصدر مُسترجَع فعلي بدلاً من توليد تفصيل يبدو معقولاً لكن غير موثّق من الذاكرة وحدها، وتستخدم كثير من مساعدي الذكاء الاصطناعي التجاريين الحاليين نسخة ما من هذه التقنية عند الاتصال بالبحث.

هذا جزء من سبب ميل أنظمة الذكاء الاصطناعي ذات وصول البحث الحي للويب لأن تكون أكثر موثوقية للأحداث الجارية والبحث الواقعي المحدد من نفس النموذج الأساسي وهو يُجيب فقط من بيانات تدريبه دون أي خطوة استرجاع.

لماذا لا يحل التأصيل المشكلة بالكامل أيضاً

حتى مع التوليد المُعزَّز بالاسترجاع، لا تُلغى الهلوسة بالكامل، لأن النموذج لا يزال قادراً على إساءة قراءة أو اقتباس أو تجميع مادة المصدر المُسترجَعة بشكل غير صحيح، أو مزج معلومات مُسترجَعة دقيقة بتفاصيل مُلفَّقة بطرق يصعب اكتشافها دون فحص المصدر الأصلي.

وجد الباحثون أن النماذج تستشهد أحياناً بمصدر حقيقي مُسترجَع لكنها تنسب له ادعاءً لا يحتويه فعلياً، وهو نمط فشل أدق وربما أخطر من تلفيق استشهاد بالكامل، لأن المصدر نفسه حقيقي رغم أن الادعاء المحدد غير مُمثَّل بدقة.

هذا سبب وصف مختبرات الذكاء الاصطناعي الرائدة للاسترجاع عموماً كتخفيف كبير لا حل كامل، واستمرارها بالتوصية بالتحقق المستقل من أي ادعاء واقعي مهم يُنتجه روبوت دردشة، حتى عندما يستشهد بمصدر.

كيف يقيس الباحثون الهلوسة ويُقيّمونها معيارياً

يقيس الباحثون الهلوسة باستخدام مجموعات بيانات معيارية تحتوي أسئلة بإجابات صحيحة معروفة وقابلة للتحقق، ثم فحص مُخرجات النموذج مقابل تلك الحقيقة الأرضية، غالباً بمزيج من أدوات تحقق آلية من الحقائق ومراجعة بشرية لتقييم الدقة.

معايير مثل TruthfulQA، التي طوّرها باحثون خصيصاً لسبر الإجابات الخاطئة لكن المعقولة، ولوحات ترتيب مستمرة تُحافظ عليها جهات مثل مشروع HELM من ستانفورد، تُتيح مقارنة مباشرة لمعدلات الهلوسة عبر نماذج مختلفة وعبر الزمن مع صدور إصدارات جديدة.

كان هذا النوع من القياس الموحّد مهماً لتتبع التقدم الحقيقي، لأنه يسمح بفحص ادعاءات التحسّن مقابل اختبار متسق وقابل للتكرار بدلاً من الاعتماد فقط على انطباعات قصصية من مستخدمين أفراد.

المقايضة بين الإبداع والموثوقية الواقعية

تُستخدم نماذج اللغة أيضاً لمهام كالكتابة القصصية والعصف الذهني والابتكار الإبداعي، حيث تكون بيت القصيد كله توليد محتوى جديد ومعقول غير واقعي بشكل صارم، ونفس المرونة التوليدية التي تُتيح الكتابة الإبداعية مرتبطة آلياً بالمرونة التي تُتيح الهلوسة في السياقات الواقعية.

هذا يخلق توتراً تصميمياً حقيقياً: جعل النموذج أكثر تحفظاً بصرامة وأقل عرضة لتوليد أي شيء غير موثّق سيُقلل أيضاً فائدته للمهام الإبداعية والاستكشافية المشروعة، لذا يهدف المطورون عموماً لتقليل الهلوسة تحديداً في السياقات الواقعية بدلاً من إلغاء المرونة التوليدية كلياً.

تستخدم بعض أنظمة الذكاء الاصطناعي الآن إعدادات أو أوضاعاً داخلية مختلفة حسب نوع المهمة، مُطبِّقة متطلبات تأصيل واستشهاد أكثر صرامة للاستفسارات الواقعية بينما تسمح بمساحة إبداعية أكبر لمهام كالمساعدة في الكتابة أو العصف الذهني.

لماذا يواجه المستخدمون صعوبة في اكتشاف الهلوسات

وجدت دراسات حول ثقة المستخدم بالمحتوى المُولَّد بالذكاء الاصطناعي أن الناس يواجهون صعوبة متكررة في تمييز مُخرجات الذكاء الاصطناعي الدقيقة عن المُهلوَسة، خاصة لأن كلتيهما تُقدَّمان بنفس أسلوب الكتابة الطليق والواثق دون أي إشارة بصرية أو نصية مدمجة تُعلِّم عدم اليقين.

تتفاقم هذه المشكلة للمواضيع التي لا يمتلك المستخدمون معرفة مسبقة بها، لأن اكتشاف الهلوسة يتطلب عادة معرفة كافية ومستقلة بالموضوع لملاحظة عدم تطابق ادعاء النموذج مع الواقع، وهذا بالضبط الموقف الذي يوجد فيه كثير من المستخدمين عندما يلجؤون لروبوت الدردشة للمعلومات.

أثار الباحثون الذين يدرسون هذه الديناميكية قلقاً خاصاً بشأن خطر الهلوسة في مجالات كالمعلومات الطبية أو القانونية، حيث يمكن لخطأ غير موثّق لكن مذكور بثقة أن يؤدي لقرارات واقعية ضارة فعلياً إذا أُخذ على ظاهره.

ماذا تفعل شركات الذكاء الاصطناعي فعلياً حيال ذلك

نشر مطورون رئيسيون للذكاء الاصطناعي، منهم OpenAI وAnthropic وGoogle، أبحاثاً تستهدف تحديداً تقليل الهلوسة، وتتضمن معظمها الآن مزيجاً ما من التأصيل بالاسترجاع، وتدريب التعبير عن عدم اليقين، وأنظمة تحقق من الحقائق بعد التوليد في منتجات روبوتات الدردشة الإنتاجية.

تعرض بعض الأنظمة الآن استشهادات مصادر مباشرة بجانب الادعاءات الواقعية تحديداً ليتمكن المستخدمون من التحقق من المعلومات بأنفسهم، وهو نهج يُؤطّره المطورون صراحة كجعل استدلال النموذج أكثر قابلية للفحص لا كحل كامل لمشكلة الهلوسة الأساسية.

يواصل الباحثون المستقلون نشر تقنيات جديدة لتقليل الهلوسة، بما فيها طرق تجعل النموذج يُدقق إجاباته بنفسه أو يُشير لعبارات ثقته الداخلية بها أقل، رغم أن أياً من هذه المناهج لم يُثبَت أنه يُلغي المشكلة بالكامل عبر كل حالات الاستخدام.

طرق عملية لتقليل خطر الهلوسة على مستخدمك أنت

التحقق المستقل من أي حقيقة أو تاريخ أو إحصائية أو استشهاد محدد يُقدّمه روبوت دردشة قبل الاعتماد عليه لأي أمر مهم يبقى الضمانة الأوحد الأكثر موثوقية، لأن أي تقنية تخفيف حالية لم تُلغِ الهلوسة بالكامل عبر كل النماذج والمهام.

الحذر بشكل خاص مع المعلومات المتخصصة أو المحددة جداً أو الحديثة جداً — بالضبط الظروف التي تكون فيها معدلات الهلوسة أعلى ما يمكن — ومعاملة إجابات روبوت الدردشة كنقطة بداية مفيدة للبحث لا كمصدر نهائي موثوق، يُقلل الخطر العملي بشكل ملموس.

استخدام أنظمة ذكاء اصطناعي بقدرة استرجاع أو بحث حي للاستفسارات الحساسة واقعياً، وطلب استشهاد النموذج بمصادره تحديداً ليتم فحص تلك المصادر، يُنتج عموماً نتائج أكثر موثوقية من الاعتماد على ذاكرة النموذج غير المُساعَدة وحدها.

تُهلوس روبوتات الدردشة الذكية لأنها مبنية أساساً للتنبؤ بالكلمات التالية المعقولة إحصائياً بناءً على أنماط متعلَّمة، لا لاسترجاع الحقائق والتحقق منها من قاعدة بيانات موثوقة، ما يعني أن نصاً طليقاً وواثقاً يمكن إنتاجه سواء كان الادعاء الأساسي صحيحاً فعلياً أم لا. هذه خاصية بنيوية لكيفية عمل نماذج اللغة الكبيرة لا خللاً عرضياً، تسوء في المواقف قليلة البيانات، وفي المهام التي تتطلب تجميعاً عبر مصادر، وبعمليات ضبط دقيق قد تكافئ دون قصد الإجابات الواثقة على عدم اليقين الصادق. قلّلت تقنيات مثل التوليد المُعزَّز بالاسترجاع والضبط الدقيق الأكثر حذراً معدلات الهلوسة بشكل قابل للقياس في السنوات الأخيرة، لكن التقييم المعياري المستقل والمستمر يُظهر باستمرار استمرار المشكلة بدرجة ما عبر كل نموذج رئيسي، ما يجعل التحقق المستقل من الادعاءات المهمة المُولَّدة بالذكاء الاصطناعي ضرورة عملية لا احتياطاً مفرطاً. مع استمرار تطوّر هذا المجال البحثي بوتيرة سريعة، من المرجح أن تستمر معدلات الهلوسة بالانخفاض تدريجياً في السنوات المقبلة، لكن معظم الباحثين يتوقعون أن يبقى التحقق البشري المستقل جزءاً ضرورياً من أي استخدام مهني أو مصيري لهذه الأدوات في المستقبل المنظور، لا مجرد إجراء انتقالي مؤقت.

المصادر

  1. معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان — معهد بحثي أكاديمي يدرس موثوقية نماذج اللغة الكبيرة، بما فيها الهلوسة.
  2. مركز ستانفورد لأبحاث النماذج الأساسية (HELM) — مشروع معياري مستمر يقارن الدقة ومعدلات الهلوسة عبر نماذج الذكاء الاصطناعي الكبرى.
  3. أبحاث OpenAI — أبحاث منشورة من مطوّر ذكاء اصطناعي رئيسي حول سلوك النماذج، بما فيه الموثوقية الواقعية.
  4. أبحاث Anthropic — أبحاث منشورة حول سلوك نماذج اللغة الكبيرة وسلامتها وموثوقيتها الواقعية.

الأسئلة الشائعة

لماذا لا تقول روبوتات الدردشة الذكية 'لا أعرف' بدلاً من الهلوسة؟

قد تُكافئ عمليات التدريب، بما فيها التعلّم المُعزَّز من التغذية الراجعة البشرية، دون قصد الإجابات الواثقة والتي تبدو كاملة على الإجابات المُتحفِّظة بشكل مناسب، لأن المُقيِّمين البشريين يفضلون أحياناً رداً حاسماً حتى عندما يكون عدم اليقين أدق.

هل تعني الهلوسة أن الذكاء الاصطناعي يكذب؟

لا، الكذب يتضمن نية الخداع. تحدث الهلوسة لأن النموذج يُولّد نصاً معقولاً إحصائياً دون آلية مدمجة للتحقق من صحة تفاصيل محددة، لا لأنه يحاول التضليل عمداً.

هل يمكن لشركات الذكاء الاصطناعي إصلاح الهلوسة بالكامل؟

ليس بالتقنية الحالية. طوّر الباحثون تخفيفات مثل التوليد المُعزَّز بالاسترجاع تُقلل معدلات الهلوسة بشكل قابل للقياس، لكن التقييم المعياري المستقل المستمر يُظهر استمرار المشكلة بدرجة ما عبر كل نموذج رئيسي.

هل بعض نماذج الذكاء الاصطناعي أكثر عرضة للهلوسة من غيرها؟

نعم، تُظهر المعايير المستقلة فروقات ملموسة في معدلات الهلوسة بين نماذج ومهام مختلفة، تتأثر بجودة بيانات التدريب وبنية النموذج وما إذا كان النظام يستخدم استرجاعاً أو تأصيلاً ببحث حي.

ما أفضل طريقة لاكتشاف هلوسة الذكاء الاصطناعي؟

تحقق بشكل مستقل من الحقائق والتواريخ والإحصائيات والاستشهادات المحددة، خاصة للمواضيع المتخصصة أو الحديثة جداً حيث تكون معدلات الهلوسة أعلى ما يمكن، واطلب من النموذج الاستشهاد بمصادره ليتم فحصها مباشرة.

عن الكاتب

نستند إلى معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان، ومشروع HELM المعياري من ستانفورد، وأبحاث OpenAI، وأبحاث Anthropic لشرح خلفية هذا الموضوع وفهمه الحالي.

هل أعجبك المقال؟

شاركه عبر واتساب ← شاركه عبر واتساب

احصل على المزيد من الأدلة في بريدك — اشترك في نشرتنا البريدية لقصص مفاجئة أسبوعية من مصر والسعودية ودبي وأكثر.