تُعرف نماذج اللغة الكبيرة (LLMs) مثل ChatGPT وClaude على نطاق واسع في جميع أنحاء العالم، مما يثير القلق حول احتمال استبدالها للوظائف. ومن المفارقات أن هذه الأنظمة المتقدمة تواجه صعوبة في المهام الأساسية، مثل عد الحروف 'r' في كلمة 'الفراولة'، وكذلك حروف أخرى في كلمات مثل 'الثدييات' و'الفرس النهر'. سنستعرض في هذه المقالة الأسباب وراء هذه المشكلات ونقدم حلاً بسيطًا. تُعد LLMs أنظمة ذكاء اصطناعي متقدمة تعمل على نصوص شاملة، مما يمكنها من فهم وإنشاء لغة بشرية بشكل شبيه. فهي تتفوق في مجموعة متنوعة من المهام اللغوية، بما في ذلك الإجابة على الأسئلة، والترجمة، وتلخيص النصوص، والكتابة الإبداعية؛ إلا أنها لا 'تفكر' مثل البشر. بدلاً من معالجة المعلومات بشكل بديهي، تقوم بترميز النص المدخل إلى تمثيلات عددية، وتقسمها إلى أجزاء قابلة للإدارة لأغراض التنبؤ. فعلى سبيل المثال، عند تحليل 'الفرس النهر'، يتعرف نموذج الذكاء الاصطناعي على الرموز مثل 'فرس' و'نهر'، بدلاً من التعرف على الحروف الفردية مباشرة. تفتقر الهياكل الهندسية الحالية القائمة على المحولات إلى القدرة على فحص الحروف الفردية دون ترميز، مما يجعل من الصعب عليها عد الشخصيات بشكل دقيق.

بالإضافة إلى ذلك، تُولد LLMs المخرجات عن طريق التنبؤ بالكلمة التالية بناءً على الرموز السابقة، وهو ما يقل فعالية في المهام البسيطة مثل عد الحروف. هناك حلاً عمليًا: يمكن أن تعالج LLMs النصوص المهيكلة، مثل أكواد البرمجة، بشكل فعال. من خلال طلب استخدام لغة برمجة—مثل بايثون—لعد الحروف، يمكن لها تقديم نتائج دقيقة. عندما تنطوي المهام على العد أو التفكير المنطقي، يمكن تصميم المطالبات لتحديد استخدام لغة البرمجة للحصول على نتائج أفضل. باختصار، يسلط تجربة بسيطة في عد الحروف الضوء على قيود رئيسية لنماذج LLMs مثل ChatGPT وClaude: في حين أنها بارعة في إنشاء النصوص والبرمجة، إلا أنها تفتقر إلى التفكير البشري. يعزز ذلك طبيعتها كخوارزميات لمطابقة الأنماط بدلاً من ذكاء حقيقي. فهم أنواع المطالبات التي تحقق نتائج فعالة يمكن أن يساعد في تقليل هذه التحديات. مع استمرار اندماج الذكاء الاصطناعي في الحياة اليومية، يعد التعرف على حدوده أمرًا ضروريًا للاستخدام المسؤول وإدارة التوقعات.