Lark: Biologically Inspired Neuroevolution for Multi-Stakeholder LLM Agents
إن Lark هو إطار عمل للتطور العصبي المستوحى بيولوجياً يعزز وكلاء النماذج اللغوية الكبيرة متعددي أصحاب المصلحة من خلال دمج اللدونة، والتضاعف/النضج، وتجميع الخيارات المرتبة، وعقوبات مراعاة الحوسبة لتوليد استراتيجيات موجزة وعالية الأداء بكفاءة مع إدارة المقايضات بشفافية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الذكاء الاصطناعي المتوسع بسرعة، ظهر تحدٍ جديد يتجاوز مجرد جعل الآلات أكثر ذكاءً. الأمر يتعلق بتعليمها كيفية العمل معاً في مجموعات، تماماً مثل فريق من البشر يحاول حل مشكلة معقدة حيث يمتلك كل فرد منهم آراءً وأهدافاً مختلفة. هذا المجال، المعروف باسم الأنظمة متعددة الوكلاء، يعد أمراً حيوياً لمهام تتراوح من تنسيق المركبات ذاتية القيادة إلى تخطيط استراتيجيات الرعاية الصحية. ومع ذلك، عندما يتم تشغيل هؤلاء الوكلاء الرقميين بواسطة النماذج اللغوية الكبيرة — وهي نفس التكنولوجيا التي تقف وراء روبوتات الدردشة الحديثة — فإنهم غالباً ما يعانون من مشكلتين رئيسيتين. أولاً، يميلون إلى الإسهاب المفرط، حيث يولدون تفسيرات طويلة ومكررة تهدر قدرة الحوسبة والمال. ثانياً، غالباً ما يفشلون في موازنة احتياجات الأشخاص المختلفين المشاركين في القرار، مثل صاحب عمل يريد الربح ومجموعة مجتمعية تريد السلامة. تعتمد الطرق التقليدية لتدريب هذه الأنظمة غالباً على التعلم خطوة بخطوة، بشكل يشبه كيف يتعلم الطالب الرياضيات عبر حل مسألة تلو الأخرى. ولكن بالنسبة لتخطيط الاستراتيجيات الإبداعي والمعقد، يمكن أن يكون هذا النهج غير فعال ومتصلباً.
ولمعالجة هذه العقبات، طور فريق من الباحثين إطار عمل جديد يسمى "لارك" (Lark)، والذي يستمد إلهامه من الطريقة التي تتطور بها الكائنات الحية. فبدلاً من إجبار الوكلاء الاصطناعيين على التعلم من خلال تسلسل صارم من الخطوات، يعامل "لارك" عملية إنشاء الاستراتيجيات كأنها مجتمع بيولوجي. تخيل مجموعة من الوكلاء الرقميين يقترحون حلولاً مختلفة لمشكلة ما. في كل جولة، يقوم النظام بتقييم هذه المقترحات ليس فقط بناءً على ما إذا كانت ناجحة أم لا، بل أيضاً على مدى قدرتها على تلبية احتياجات مجموعة متنوعة من أصحاب المصلحة. يقوم النظام بعد ذلك باختيار أفضل الأفكار، وإجراء تحسينات صغيرة ومستهدفة عليها، ويقوم أحياناً بنسخ الأفكار الأقوى لإنشاء نسخ متخصصة جديدة منها. تتكرر هذه العملية عبر عدة أجيال، حيث يصبح النظام أفضل في موازنة الاحتياجات المتضاربة وتقليص الكلمات غير الضرورية مع كل دورة. والنتيال هو طريقة تنتج استراتيجيات عالية الجودة وموجزة دون التكلفة الحوسبية العالية المرتبطة عادةً بمثل هذا الاستنتاج المعقد.
اختبر الباحثون هذا النهج من خلال إنشاء ثلاثين سيناريو محاكى مختلفاً، تتراوح من مقترحات السياسات وخرائط طريق المنتجات إلى اتخاذ القرارات السريرية. وفي كل سيناريو، طلبوا من "لارك" ومن أربعة عشر نظاماً منافساً آخر توليد حلول لمشكلات تتضمن أصحاب مصلحة متعددين ذوي مصالح متضاربة. ولضمان العدالة، استخدموا نظام تحكيم مستقل لتسجيل الإجابات بناءً على خمسة معايير: مدى اكتمال الحل، وما إذا كان واقعياً، وما إذا كان يتضمن تفاصيل محددة، وما إذا كان يتبع القواعد، ومدى وضوح كتابته. أظهرت النتائج أن النسخة الكاملة من "لارك" تفوقت باستمرار على الأنظمة الأخرى. ففي المتوسط، احتل المركز الثاني كأفضل نظام من بين أربعة عشر، محققاً درجة عالية تقترب من ثلاثين من خمسين. كما أنه أنهى في المراكز الثلاثة الأولى في ثمانين بالمائة من الجولات. وبينما اقتربت أنظمة قوية أخرى منه، تمكن "لارك" من الحفاظ على هذا المستوى العالي من الأداء مع تكلفة تبلغ حوالي ستة عشر سنتاً للمهمة الواحدة، وهو ما يعادل تكلفة النماذج التجارية الرائدة تقريباً.
إن ما يجعل "لارك" يعمل بشكل جيد هو مزيج من أربع آليات محددة مستوحاة من البيولوجيا. الأولى هي عملية تسمى "اللدونة" (plasticity)، والتي تسمح للنظام بإجراء تعديلات سريعة وحساسة للسياق على الاستراتيجية دون البدء من جديد. فإذا كان الحل جيداً في مجمله ولكن به خلل صغير، يقوم النظام بتعديله لإصلاح تلك المشكلة المحددة. الآلية الثانية هي "النسخ والنضج"؛ فعندما تؤدي استراتيجية ما أداءً جيداً، يقوم النظام بنسخها ثم تخصيص النسخة للتركيز على مجموعة معينة من الناس أو هدف معين، تماماً كما قد يتضاعف جين في الطبيعة ويتطور لأداء وظيفة مختلفة قليلاً. الآلية الثالثة تتضمن نظام تصويت حيث يتم دمج تفضيلات مختلف أصحاب المصلحة؛ فبدلاً من مجرد حساب متوسط آرائهم، يستخدم النظام طريقة تزن مدى اهتمام كل شخص بالنتيجة، مما يضمن أن القرار النهائي يحترم المخاوف الأكثر أهمية. أما الآلية الأخيرة فهي عقوبة الإسهاب؛ حيث صُمم النظام لمكافأة الإيجاز، حيث يقلل تلقائياً من درجة أي حل يستخدم كلمات أكثر مما ينبغي، مما يحافظ على انخفاض تكاليف الحوسبة وحدة الاستنتاج.
عندما قام الباحثون بإزالة أي آلية من هذه الآليات الأربع لمعرفة مدى أهميتها، انخفض أداء النظام بشكل ملحوظ. حدثت أكبر خسلة في الأداء عند إيقاف عملية النسخ والتخصص، مما تسبب في انخفاض جودة الحلول بهامش ملحوظ. كما أدى إزالة القدرة على إجراء التعديلات السريعة إلى الإضرار بالأداء، يليه نظام التصويت وعقوبة عدد الكلمات. وهذا يشير إلى أن جميع الأجز الأربعة ضرورية ليعمل النظام بفعالية. تشير الدراسة إلى أنه من خلال محاكاة هذه العمليات التطورية الطبيعية، يمكن للذكاء الاصطناعي أن يصبح أفضل بكثير في التعامل مع الواقع المعقد والمتضارب لصنع القرار البشري. ويؤكد الباحثون أنه بينما تعد هذه النتائج واعدة، إلا أنها تستند إلى عمليات محاكاة محكومة. وهم يخططون لاختبار النظام في مواقف من العالم الحقيقي، مثل صنع السياسات الفعلية أو تخطيط المستشفيات، لمعرفة ما إذا كان بإمكانه التعامل مع عدم القدرة على التنبؤ في العالم الحقيقي. وفي الوقت الحالي، يقدم هذا العمل دليلاً على المفهوم بأن النهج المستوحى من البيولوجيا يمكن أن يجعل الوكلاء الاصطناعيين أكثر كفاءة وعدالة وقدرة على إيجاد أرضية مشتركة بين المجموعات المتنوعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.