لعبة الرقم 7
اطلب من ChatGPT أو Claude أو Gemini رقماً عشوائياً بين 1 و10، وستحصل غالباً على 7. هذه الحيلة يستخدمها بيب بينغمان، الشريك المؤسس والرئيس التنفيذي لـ Springboards، لعرض المشكلة: النماذج اللغوية أكثر قابلية للتوقع وأقل إبداعاً مما يُظن. وهذا مقبول في البرمجة والبحث، لكنه مشكلة في العصف الذهني. وعندما طلب شعاراً لحملة أحذية New Balance، أجاب Claude وChatGPT بالعبارة نفسها حرفياً.
عقل جمعي اصطناعي
نشر باحثون في نوفمبر ورقة بعنوان Artificial Hivemind فازت بجائزة أفضل ورقة في مؤتمر NeurIPS، وكشفت تكراراً لافتاً ليس داخل النموذج الواحد فحسب بل بين النماذج المختلفة. فعندما طُلب من 25 نموذجاً كتابة استعارة عن الزمن 50 مرة لكل منها، كانت معظم الإجابات الـ1250 صيغاً من الزمن نهر أو الزمن نسّاج. ورجّح الباحثون أن السبب هو تدريب النماذج بطرق متشابهة على بيانات متشابهة.
ومن جهتها، أعلنت OpenAI أن تدريب النماذج على الموثوقية يدفعها نحو الإجابات المألوفة عالية الاحتمال، وأن الدفع نحو الجدة قد يضعف موثوقيتها، لافتة إلى أن الورقة درست نماذج من 2024 جرى تحديثها.
كيف يعمل Flint؟
بنت Springboards نموذج Flint على Qwen 3 مفتوح المصدر من علي بابا، لأن تدريب نموذج أساسي مكلف جداً لفريق صغير. وجرّب الفريق رفع درجة الحرارة، وهي الإعداد المعتاد لزيادة العشوائية، لكنها جعلت النماذج غير مترابطة. لذلك دُرّب Flint على تحديد المواضع التي يمكن فيها التنويع، مثل لحظة تسمية وجهة سياحية، وملئها بخيارات أقل شيوعاً، دون المساس ببقية الإجابة.
من يستخدمه؟
يُعرض Flint خياراً ضمن أداة عصف ذهني تقدمها الشركة لمحترفي الإعلان والتسويق، تجمع نماذج عدة منها ChatGPT وClaude. ووصفت زوي سكامان، مؤسسة Bodacious، النموذج بأنه مفيد لدفعها في اتجاهات مختلفة تماماً، مع أنه لا يزال نموذجاً أولياً يتعثر أحياناً. أما ماكسيميليان فايغل من وكالة Uncommon فرأى أن متوسط الإجابات كافٍ في تسع حالات من عشر، ورفض اعتماد فريقه الكامل على مخرجات أي ذكاء اصطناعي.
