ما هو الذكاء الاصطناعي حقًا؟ كيف يتعلم ويولد ويخطئ

ربما تكون قد استخدمت الذكاء الاصطناعي عدة مرات قبل الانتهاء من وجبة الإفطار. قامت إحدى خدمات البريد الإلكتروني بنقل رسالة مشبوهة بعيدًا عن الأنظار. خريطة تقارن الطرق الممكنة. عثرت كاميرا الهاتف على وجه أو نبات. أعادت خدمة الموسيقى ترتيب القائمة. لم تكن أي من تلك اللحظات تبدو وكأنها آلة خيال علمي. لقد بدوا وكأنهم برنامج عادي يصدر حكمًا بسيطًا نيابةً عنك.

هذا هو أحد الأسباب التي تجعل الذكاء الاصطناعي يبدو أكثر صعوبة في الفهم مما ينبغي. تعرض الواجهة الإجابة ولكنها تخفي الآلية: الهدف الذي اختاره شخص ما، والأمثلة المستخدمة لبناء النموذج، والإشارات المقدمة كمدخلات، والاختبارات التي تحدد ما إذا كانت النتيجة جيدة بما فيه الكفاية. يضيف الذكاء الاصطناعي التوليدي طبقة أخرى من الارتباك لأنه يمكن أن يفسر نفسه بلغة مصقولة، حتى عندما يكون التفسير غير كامل أو خاطئ.

يفتح هذا الدليل هذه الآلات دون التظاهر بأن كل نظام ذكاء اصطناعي يعمل بنفس الطريقة. ويتبع ذلك سؤالًا عمليًا واحدًا من البداية إلى النهاية: ما الذي يجب أن يحدث قبل أن تتمكن الآلة من تحويل المدخلات إلى مخرجات، وما الذي يجب عليك التحقق منه قبل الوثوق بالنتيجة؟

تعريف مفيد للذكاء الاصطناعي

التعريف المحدث لمنظمة التعاون الاقتصادي والتنمية نظام الذكاء الاصطناعي بأنه نظام قائم على الآلة يستنتج من مدخلاته كيفية إنشاء مخرجات، مثل التنبؤات أو المحتوى أو التوصيات أو القرارات، التي يمكن أن تؤثر على البيئات المادية أو الافتراضية. تختلف الأنظمة المختلفة من حيث الاستقلالية وما إذا كانت ستستمر في التكيف بعد النشر.

الفعل المهم هو الاستدلال. تتبع الآلة الحاسبة التقليدية القواعد التي تحدد بشكل كامل كيفية تحويل الأرقام إلى إجابة. غالبًا ما يتعامل نموذج الذكاء الاصطناعي مع موقف تكون فيه كتابة كل قاعدة يدويًا غير عملية. يقوم بتقدير مخرجات مفيدة من الأنماط أو القيود أو العلاقات المستفادة. يمكن أن يكون هذا الناتج ممتازًا أو متوسطًا أو مضللاً بشكل خطير اعتمادًا على المهمة والظروف.

وبالتالي فإن الذكاء الاصطناعي ليس منتجًا واحدًا، أو خوارزمية واحدة، أو عقلًا رقميًا. إنها مظلة تغطي العديد من الأنظمة. يمكن لمصنف البريد العشوائي، وأداة التعرف على الكلام، وأداة التنبؤ ببنية البروتين، ونموذج اللغة أن تناسب التعريف بينما لا تشارك سوى القليل فيما يتجاوز نمط الإدخال والنموذج والمخرجات الواسع.

كل نظام ذكاء اصطناعي هو أكثر من مجرد نموذج

غالبًا ما تتعامل المناقشة العامة مع النموذج باعتباره الآلة بأكملها. في الممارسة العملية، النموذج هو أحد مكونات النظام. خمسة أجزاء تستحق الفصل:

• الهدف: ما يتم تحسين النظام للتنبؤ به أو ترتيبه أو إنشاؤه أو تحديده.
• الإدخال: المعلومات المتاحة لحظة الاستخدام مثل البكسل أو الكلمات أو قراءات المستشعر أو الموقع أو السلوك السابق.
• النموذج: الآلية المستفادة أو الهندسية التي تقوم بتعيين المدخلات إلى النتيجة.
• الإخراج والواجهة: التسمية أو النتيجة أو المسار أو الصورة أو الجملة أو الإجراء الذي يظهر لشخص ما أو يتم تمريره إلى نظام آخر.
• التقييم والتغذية الراجعة: الاختبارات والمراقبة والتصحيحات والقرارات البشرية المستخدمة للحكم على ما إذا كان النظام يعمل في ظل ظروف حقيقية.

ضع في اعتبارك تخطيط الطريق. قد يكون الهدف هو تقليل وقت السفر المقدر. تشمل المدخلات شبكة الطرق والموقع الحالي والإغلاقات وإشارات المرور. يقوم النموذج بتقدير تكلفة الطرق المحتملة. تقدم الواجهة خيارًا واحدًا أو أكثر. تصل التعليقات مع تغيرات حركة المرور واكتمال الرحلات. النتيجة المفيدة تأتي من السلسلة بأكملها، وليس من خوارزمية معزولة.

الهدف أيضًا يستحق التدقيق. يمكن للنظام تحسين الهدف المخصص له مع الاستمرار في إنتاج نتائج لا يحبها الناس. قد يتضمن المسار الأسرع في المتوسط ​​منعطفًا مرهقًا. قد لا تكون التوصية المحسّنة للنقرات هي التوصية التي تجعل الشخص على دراية أفضل. لا تكتشف أجهزة الكمبيوتر الهدف البشري الصحيح تلقائيًا. يحدد الناس الهدف، ويختارون ما يمكن قياسه، ويقبلون المقايضات.

كيف تتعلم الآلة من الأمثلة

لنفترض أن أحد موزعي التفاح يريد التعرف على الفاكهة المكسورة من صور الكاميرا. قد يتحقق البرنامج القائم على القواعد من اللون والشكل باستخدام الحدود التي يكتبها المهندس. يمكن أن ينجح ذلك في بيئة خاضعة للرقابة، لكن التفاح الحقيقي يختلف من حيث التنوع والنضج والإضاءة والزاوية وملمس السطح. يستخدم نهج التعلم الآلي العديد من الأمثلة ويعدل النموذج بحيث تتطابق تنبؤاته بشكل متزايد مع النتائج المعروفة.

أثناء التدريب، يقوم النموذج بعمل تنبؤات على الأمثلة، ويقيس مدى بعد هذه التنبؤات عن النتيجة المطلوبة، ويقوم بتحديث المعلمات الرقمية لتقليل هذا الخطأ. تختلف التفاصيل عبر الخوارزميات، ولكن يمكن التعرف على الحلقة: التنبؤ، والقياس، والضبط، والتكرار. لا يخزن النموذج قاعدة لفظية مثل أن كل رقعة داكنة هي كدمة. إنها علاقة رياضية يمكن أن تجمع بين العديد من الإشارات البصرية.

التدريب والتحقق والاختبار والاستدلال

تصف هذه المصطلحات لحظات مختلفة ولا ينبغي دمجها في لحظة واحدة:

• يتم استخدام بيانات التدريب لضبط معلمات النموذج.
• تساعد بيانات التحقق في اختيار الإعدادات ومقارنة الإصدارات بينما لا يزال التطوير قيد التنفيذ.
• يتم فصل بيانات الاختبار لتقدير كيفية تعامل النموذج المختار مع الأمثلة التي لم يتعلم منها بشكل مباشر.
• الاستدلال هو اللحظة التي يتلقى فيها النموذج المدرب مدخلات جديدة وينتج مخرجات.

النموذج الذي يؤدي أداءً رائعًا في الأمثلة المألوفة ولكن بشكل سيئ في الأمثلة الجديدة لم يتعلم النمط المقصود جيدًا بما فيه الكفاية. قد يكون لديه تفاصيل عرضية زائدة في مجموعة التدريب الخاصة به. جوجل دورة تدريبية مكثفة حول التعلم الآلي يتعامل مع مجموعات البيانات، والتعميم، والتجهيز الزائد، والتقييم، وأنظمة الإنتاج، والإنصاف كأجزاء منفصلة من التعلم الآلي العملي لهذا السبب بالضبط. إن نتيجة التدريب وحدها ليست وصفًا موثوقًا للسلوك في العالم الحقيقي.

حتى الاختبار الجيد يمكن أن يكون ضيقًا جدًا. قد يفشل مصنف Apple الذي تم اختباره تحت كاميرا واحدة ومصباح مستودع واحد بعد نشره تحت كاميرا أخرى. هذا هو تحول التوزيع: الظروف المحيطة بالمدخلات الجديدة لم تعد تشبه الظروف الممثلة أثناء التطوير. تحتاج الأنظمة الحقيقية إلى المراقبة لأن العالم لا يعد بالبقاء مثل مجموعة الاختبار.

الشبكات العصبية والتعلم العميق، بدون الأساطير

الشبكة العصبية هي نموذج مبني من طبقات متصلة من العمليات العددية. تقوم كل طبقة بتحويل تمثيل إلى تمثيل آخر. قد تستجيب الطبقات المبكرة في نموذج الصورة للبنية المرئية البسيطة؛ يمكن للطبقات اللاحقة دمج تلك الإشارات في أنماط أكثر تحديدًا للمهمة. يشير التعلم العميق إلى الشبكات العصبية التي تحتوي على العديد من هذه الطبقات، والتي تم تدريبها لتعلم تمثيلات مفيدة من البيانات.

إن المفردات البيولوجية هي إلهام تاريخي، وليست دليلاً على أن النموذج يفكر مثل الدماغ البشري. يمكن أن تحتوي الشبكة على ملايين أو مليارات من المعلمات القابلة للتعديل ولا تزال ليس لديها خبرة شخصية أو نية أو فهم بالمعنى الإنساني العادي. فهو يقوم بإجراء حسابات تتشكل حسب بنيته وهدفه التدريبي وبياناته والمدخلات الحالية.

لقد كان التعلم العميق فعالاً بشكل خاص عندما تكون المدخلات الأولية معقدة، بما في ذلك الصور والصوت واللغة والهياكل العلمية. قوتها تأتي مع تكلفة: قد يكون من الصعب تفسير أي مجموعة من الإشارات المستفادة تنتج مخرجات معينة، ويمكن أن يعتمد الأداء على مجموعات البيانات الكبيرة، والحسابات واسعة النطاق، والتقييم الدقيق.

ما الذي يتغير في الذكاء الاصطناعي التوليدي؟

يختار المصنف من بين الفئات المحددة. النموذج التوليدي ينتج مادة جديدة تشبه الأنماط في توزيع التدريب الخاص به. اعتمادًا على النموذج، قد تكون هذه المادة نصًا أو صورة أو صوتًا أو فيديو أو رمزًا أو بنية علمية. إن الجيل يجعل الذكاء الاصطناعي يبدو أكثر إبداعًا وتحادثًا، لكنه لا يزيل الآلية الإحصائية الأساسية.

يقوم نموذج اللغة الكبير، أو LLM، بمعالجة النص كرموز مميزة. يمكن أن يكون الرمز المميز كلمة، أو جزءًا من كلمة، أو علامات ترقيم، أو وحدة صغيرة أخرى. بالنظر إلى الرموز المميزة الموجودة بالفعل في السياق، يقوم النموذج بتقدير التوزيع على الرموز المميزة التالية المحتملة، ويختار واحدًا وفقًا لإعدادات فك التشفير الخاصة بالنظام، ويلحقه، ويكرره. جوجل مقدمة لنماذج اللغات الكبيرة يصف هذا التنبؤ بالتسلسل مباشرة.

عادة ما يستخدم حاملو شهادات LLM الحديثة بنية المحولات التي تم تقديمها في ورقة 2017 الانتباه هو كل ما تحتاجه. تتيح آلية الانتباه الخاصة بها للنموذج تقييم العلاقات بين الرموز المميزة في السياق بدلاً من معالجة كل كلمة كعنصر معزول. يتيح التدريب عبر مجموعات نصية كبيرة للنموذج التقاط القواعد والأسلوب والحقائق المتكررة وأنماط التفكير والعلاقات بين المفاهيم في معلماته.

هذا لا يحول النموذج إلى قاعدة بيانات تقليدية. تعمل معلماته على تشفير العلاقات الإحصائية الموزعة، وليس مكتبة أنيقة من المستندات المصدرية التي يمكنه دائمًا اقتباسها بدقة. يصبح النص الموجود في الموجه وأي مستندات يتم تقديمها في وقت التشغيل سياقًا، لكن السياق له حدود. تضيف بعض التطبيقات البحث أو الأدوات أو الآلات الحاسبة أو استرجاع المستندات حول النموذج. يمكن لهذه الإضافات أن تحسن الأساس، ومع ذلك فإن الإجابة النهائية قد لا تزال تجمع بين الأدلة المسترجعة والصياغة المولدة والاستدلال غير المدعوم.

غالبًا ما يكون الذكاء الاصطناعي الأكثر إثارة للإعجاب متخصصًا للغاية

تحظى نماذج المحادثة بالاهتمام لأنه يمكن لأي شخص اختبارها في ثوانٍ. لكن قيمة الذكاء الاصطناعي لا تقتصر على المحادثة. يمكن للأنظمة ذات الإطارات الضيقة أن تحل المشكلات باستخدام مدخلات ومخرجات ومعايير تقييم أكثر وضوحًا:

• يقوم جهاز التعرف البصري على الأحرف بتعيين وحدات البكسل الموجودة في صورة المستند إلى أحرف قابلة للتحرير.
• يقوم نموذج الاحتيال بتصنيف المعاملات لمزيد من المراجعة بدلاً من إعلان كل حالة تم الإبلاغ عنها جنائية.
• يقدر نموذج الطقس حالات الغلاف الجوي المستقبلية من خلال الملاحظات والبنية الفيزيائية.
• يتنبأ النموذج العلمي بخاصية أو بنية جزيئية يمكن للباحثين مقارنتها بالتجارب.

PetexSpace أداة تحويل الصورة إلى نص يوضح النوع الأول من المهام المركزة. الإدخال عبارة عن صورة، والإخراج المطلوب هو نص قابل للتحرير، ويمكن التحقق من النتيجة مباشرة مقابل المصدر. لا يزال من الممكن أن تؤدي الصور الفوتوغرافية غير الواضحة والتخطيطات غير العادية والكتابة اليدوية وإعدادات اللغة غير الصحيحة إلى تقليل الدقة. المهمة مفيدة جزئيًا لأن النجاح والفشل واضحان.

مثال علمي ملموس: AlphaFold

تطوى البروتينات إلى هياكل ثلاثية الأبعاد تساعد في تحديد كيفية عملها. يعد تحديد البنية التجريبية أمرًا ضروريًا ولكنه قد يكون بطيئًا وصعبًا. في تقييم أعمى يُعرف باسم CASP14، تنبأ نظام AlphaFold بالعديد من هياكل البروتين بدقة تنافس الهياكل التجريبية وتفوق بشكل كبير على الأساليب الحسابية الأخرى. مراجعة الأقران ورقة AlphaFold في الطبيعة يشرح النموذج والتقييم وتقديرات الثقة الخاصة به.

المثال مهم لسببين. أولاً، يوضح أن الذكاء الاصطناعي يمكن أن يساهم في حل مشكلة علمية صعبة دون تقليد برنامج الدردشة الآلي. ثانيًا، يقوم النظام بالإبلاغ عن الأماكن التي يكون تنبؤه فيها أكثر أو أقل موثوقية. النموذج العلمي المفيد لا ينتج فقط بنية جميلة. فهو يعطي الباحثين أدلة حول عدم اليقين والنتيجة التي يمكن اختبارها ضمن عملية تجريبية أكبر.

لماذا لا تزال أنظمة الذكاء الاصطناعي القادرة تفشل

الفشل ليس عيبًا غامضًا يُضاف بعد الذكاء الحقيقي. ويترتب على ذلك كيفية بناء النظام واستخدامه. يمكن أن توجد عدة أوضاع فشل في نفس الوقت.

1. الهدف غير مكتمل

عادةً ما يكون الهدف القابل للقياس بمثابة وكيل للنتيجة التي يريدها الأشخاص بالفعل. يمكن أن يؤدي تحسين الوكيل إلى إنشاء سلوك غريب عند الحواف. قد يقوم النموذج بتحسين درجاته بشكل صحيح بينما يفتقد الصفات التي لم يتم تمثيلها مطلقًا في تلك النتيجة. الحكم البشري يدخل قبل التدريب من خلال اختيار الهدف، وليس فقط بعد حدوث الخطأ.

2. البيانات تترك شيئًا ما

تعكس الأمثلة التدريبية قرارات التحصيل والظروف التاريخية. قد يتم تمثيل بعض المجموعات أو البيئات أو اللغات أو الأجهزة أو الحالات النادرة بشكل سيئ. تشير NIST إلى أن التحيز الضار يمكن أن يصبح جزءًا لا يتجزأ من الأنظمة الآلية ويمكن زيادة سرعته أو نطاقه. لها العمل على تحديد وإدارة التحيز في الذكاء الاصطناعي يؤكد على أن التحيز أوسع من مجرد مشكلة بيانات تقنية بحتة ويجب أخذه في الاعتبار عبر النظام.

3. يمكن للنموذج التوليدي أن ينتج أكاذيب مقنعة

يستخدم NIST مصطلح Confabulation للمحتوى التوليدي الكاذب أو الخاطئ المقدم بثقة. لها ملف تعريف الذكاء الاصطناعي التوليدي أن هذا السلوك يتبع بشكل طبيعي النماذج التي تولد مخرجات تقارب الأنماط في بيانات التدريب الخاصة بها. يمكن أن تكون الجملة معقولة إحصائيًا دون أن تكون مدعومة بالواقع. تعتبر الاستشهادات الملفقة خطيرة بشكل خاص لأنها تجعل الإجابات غير المدعومة تبدو موضع بحث.

4. العالم يتغير

قد يواجه النموذج الذي تم تقييمه بالأمس منتجات جديدة أو لغة جديدة أو سلوكًا جديدًا أو تكتيكات عدائية جديدة غدًا. الدقة ليست خاصية دائمة مطبوعة على النموذج. وهو قياس يتم إجراؤه على بيانات معينة، في وقت معين، وتحت ظروف معينة.

5. يمكن للناس أن يثقوا بالواجهة أكثر من الأدلة

الإجابة بطلاقة، أو النبرة الواثقة، أو النسبة المئوية الدقيقة يمكن أن تخلق سلطة لا يستحقها الدليل الأساسي. يمكن لتصميم الواجهة إخفاء عدم اليقين أو جعل التوصية تبدو إلزامية. وبالتالي فإن الخطر النهائي يعتمد على سلوك النموذج والطريقة التي يُطلب من الأشخاص استخدام المخرجات بها.

ما مقدار الفحص الذي يحتاجه مخرج الذكاء الاصطناعي؟

يجب أن تعتمد الإجابة على تكلفة الخطأ. إن التعامل مع كل استخدام على أنه خطير بنفس القدر هو أمر غير عملي. إن التعامل مع كل مخرجات على أنها جديرة بالثقة بنفس القدر هو أمر أسوأ. يساعد نموذج بسيط من ثلاث مناطق.

استكشاف منخفض المخاطر

إن تبادل الأفكار بشأن الأسماء، أو تغيير أسلوب المسودة، أو إنشاء أسئلة تدريبية، أو استكشاف عدة طرق لتنظيم الملاحظات عادة ما يكون له تكلفة منخفضة من الأخطاء. يمكنك فحص النتيجة مباشرة وتجاهل الاقتراحات الضعيفة. النموذج مفيد كمصدر للخيارات، وليس كسلطة.

العمل الذي يتطلب التحقق

يمكن أن توفر ملخصات الأبحاث والترجمات والتعليمات البرمجية والحسابات ومقارنات المنتجات والتفسيرات الواقعية الوقت، إلا أن الأخطاء قد تنجو من القراءة السريعة. تحقق من الادعاءات مقابل المصادر الأولية، وقم بتشغيل التعليمات البرمجية، وأعد إنتاج الحساب، وقارن الترجمة بالسياق، وتأكد من أن المادة المذكورة تقول ما تدعي الإجابة.

القرارات اللاحقة

تتطلب القرارات الطبية والقانونية والمالية والتوظيفية والسلامة والهوية والوصول مراجعة مؤهلة وعملية خاضعة للمساءلة. ولا ينبغي لاستجابة الذكاء الاصطناعي للأغراض العامة أن تصبح الأساس الوحيد للعمل لمجرد أنها سريعة أو واضحة. في هذه الأوضاع، يكون عدم اليقين، والاستئناف، والتوثيق، والخصوصية، والعواقب المترتبة على الشخص المتضرر، مهمًا بقدر أهمية الأداء التنبؤي الأولي.

سير عمل التحقق يستغرق دقائق

1. افصل الحقائق عن الاقتراحات. المخطط المقترح يحتاج إلى حكم؛ فالادعاء بشأن قانون أو دراسة أو سعر أو حدث يحتاج إلى دليل.
2. اسأل من أين جاء كل ادعاء مهم. ثم افتح المصدر بدلاً من الوثوق بنص الاقتباس.
3. فضل المواد الأولية عندما يكون ذلك ممكنًا: ورقة البحث، أو الوثائق الرسمية، أو مجموعة البيانات الأصلية، أو المنظم، أو المعيار، أو السجل المباشر.
4. تحقق مما إذا كان المصدر حديثًا وما إذا كان يدعم المطالبة الدقيقة، وليس مجرد نفس الموضوع العام.
5. إعادة إنتاج الحسابات وتشغيل التعليمات البرمجية التي تم إنشاؤها في بيئة آمنة من خلال اختبارات تمثيلية.
6. مقارنة الاستنتاج التبعي بمصدر مستقل أو شخص مؤهل مسؤول عن هذا المجال.
7. إذا تعذر التحقق من الدليل، فقم بتخفيض ثقتك أو لا تستخدم النتيجة لهذا القرار.

يمكن أن يساعدك التوثيق حتى قبل أن تبدأ. الورقة البحثية حول بطاقات نموذجية لإعداد التقارير النموذجية يقترح تسجيل الاستخدامات المقصودة وإجراءات التقييم والقيود والأداء عبر الشروط ذات الصلة. يخبرك العرض التوضيحي المصقول بما يمكن أن يفعله النموذج مرة واحدة. يساعد التوثيق الجيد في الكشف عن مكان اختباره وأين لا ينبغي استخدامه.

سبعة أسئلة يجب طرحها حول أي نظام للذكاء الاصطناعي

1. ما هي المخرجات المحددة التي ينتجها هذا النظام؟
2. ما الهدف الذي تم إنشاؤه أو ضبطه لتحسينه؟
3. ما هي المعلومات التي تتلقاها الآن، وما هي المعلومات المفقودة؟
4. كيف تم اختباره على حالات تختلف عن الأمثلة التدريبية الخاصة به؟
5. هل يكشف عدم اليقين أو المصادر أو القيود أو وسيلة للطعن في النتيجة؟
6. هل يمكنني التحقق بشكل مستقل من الإخراج قبل التصرف عليه؟
7. من يتحمل التكلفة إذا أخطأ النظام؟

هذه الأسئلة كاشفة أكثر من التساؤل عما إذا كانت الأداة ذكية أم لا. إنها تنقل الانتباه من التسمية التسويقية إلى النظام الفعلي: مهمته، وأدلته، وحدوده، وعواقبه.

النموذج العقلي الذي يستحق الحفاظ عليه

الذكاء الاصطناعي هو طريقة لتحويل المدخلات إلى مخرجات مستنبطة ضمن الهدف. يبني التعلم الآلي تلك الخرائط من الأمثلة. يستخدم التعلم العميق الشبكات العصبية ذات الطبقات لتعلم التمثيلات المعقدة. يقوم الذكاء الاصطناعي التوليدي بإنشاء مواد جديدة، وتقوم النماذج اللغوية بذلك من خلال التنبؤ المتكرر بالرموز المميزة من السياق. ولا تضمن أي من هذه الآليات الحقيقة أو العدالة أو الملاءمة أو الحكم الجيد.

الجزء الرائع ليس أن الآلة أصبحت شخصًا. إن الأنظمة الرياضية المصممة بعناية يمكنها اكتشاف أنماط مفيدة على نطاق لا يمكن لأي شخص فحصه يدويًا. الرد المسؤول ليس عبادة ولا فصل. إنه الفضول مع المعايير: فهم المهمة، والبحث عن الأدلة، واحترام عدم اليقين، والحفاظ على المسؤولية الإنسانية حيث تكون العواقب حقيقية.

المراجع الأولية والتقنية

• منظمة التعاون الاقتصادي والتنمية، مذكرة توضيحية حول التعريف المحدث لنظام الذكاء الاصطناعي، 2024.
• NIST، إطار إدارة مخاطر الذكاء الاصطناعي: ملف تعريف الذكاء الاصطناعي التوليدي، 2024.
• فاسواني وآخرون، الانتباه هو كل ما تحتاجه، 2017.
• Jumper et al.، تنبؤ دقيق للغاية ببنية البروتين باستخدام AlphaFold، Nature، 2021.
• ميتشل وآخرون، بطاقات نموذجية لإعداد التقارير النموذجية، 2019.
• Google للمطورين، الدورة التدريبية المكثفة للتعلم الآلي ومقدمة لنماذج اللغات الكبيرة.