Benchmarking In-context Experiential Learning Through Repeated Product Recommendations
تقدم هذه الورقة البحثية BELA، وهو معيار للتعلم التجريبي في سيناريوهات توصية المنتجات المتكررة باستخدام منتجات واقعية وشخصيات عملاء اصطناعية، والتي تكشف أنه بينما تستطيع الوكلاء الحاليون القائمون على النماذج اللغوية الكبيرة التكيف ضمن التفاعلات الفردية، إلا أنهم يواجهون صعوبة في تحسين استراتيجياتهم عبر حلقات متعددة من خلال استنتاج البنى الكامنة المشتركة.
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
تخيل أنك محقق يحاول حل لغز ما، لكن الأدلة مخبأة داخل محادثة. في عالم الذكاء الاصطناعي، هناك فرق شاسع بين حل لغز واحد وبين تعلم كيفية حل الألغاز بشكل أفضل بمرور الوقت. معظم اختبارات الذكاء الاصطناعي اليوم تشبه إعطاء طالب مسألة رياضية واحدة حيث جميع الأرقام مكتوبة بالفعل؛ والهدف هو مجرد الحصول على الإجابة الصحيحة في اللحظة الراهنة. لكن الحياة الواقعية أكثر تعقيدًا وفوضوية. إنها تشبه إلى حد كبير المحقق الذي يتحدث إلى شاهد، ويطرح بضعة أسئلة، ويحصل على إجابة، ثم يتعين عليه استخدام تلك التجربة لإجراء مقابلة مع الشاهد التالي بشكل أكثر فعالية. يغوص هذا البحث في زاوية محددة من أبحاث الذكاء الاصطناعي تسمى "التعلم التجريبي". وهو يطرح سؤالاً بسيطاً ولكنه صعب: هل يمكن للذكاء الاصطناعي أن يصبح أكثر ذكاءً في اكتشاف ما يريده الناس بمجرد التحدث إليهم مراراً وتكراراً؟ يختبر الباحثون ما إذا كان بإمكان هذه الوكلاء الرقميين التعلم من محادثاتهم الماضية ليصبحوا محققين أفضل في المستقبل، بدلاً من مجرد كونهم بارعين في حل قضية واحدة معزولة.
قرر مؤلفو هذه الورقة، وهم فريق من كلية كولومبيا للأعمال وجامعة صن يات سين، اختبار هذه الفكرة باستخدام سيناريو نعرفه جميعاً: التسوق لشراء المنتجات. لقد بنوا ساحة لعب افتراضية ضخمة تسمى BELA (معيار التعلم التجريبي والاستكشاف النشط). فكر في BELA كمركز تسوق ضخم ولا نهائي حيث يلعب الذكاء الاصطناعي دور بائع مبيعات. في هذا المركز، يتعين على الذكاء الاصطناعي التحدث إلى آلاف "الزبائن" المختلفين (الذين هم في الواقع عمليات محاكاة حاسوبية لأشخاص لديهم أذواق محددة) لمعرفة المنتج الذي يجب أن يشترونه. والتحول المثير هنا هو أن الذكاء الاصطناعي لا يحصل على فرصة واحدة فقط؛ بل يتحدث إلى زبون، ويقدم توصية، ويتلقى تعليقات، ثم ينتقل إلى زبون جديد. الاختبار الكبير هو ما إذا كان الذكاء الاصطناعي سيتذكر ما تعلمه من الزبون الأول ويستخدم تلك المعرفة لطرح أسئلة أفضل على الزبون الثاني والثالث والعاشر.
ولجعل هذا الاختبار عادلاً وضخماً، لم يكتفِ الباحثون بابتكار بعض الأشخاص الوهميين، بل أنشأوا نظاماً يضم 71,000 منتج حقيقي من أمازون و2,000 مجموعة مختلفة من المنتجات (مثل مجموعة من أنواع جل الشعر أو مجموعة من أطباق الأرز). ثم قاموا بربط هذه المجموعات بـ مليون شخصية زبون مختلفة (يتم محاكاتها بواسطة ذكاء اصطناعي آخر) ممن لديهم أذواق محددة وثابتة. وهذا يخلق مليارين من التوليفات المذهلة من "الزبون + مجموعة المنتجات". الأمر يشبه امتلاك مكتبة لكل رحلة تسوق ممكنة قد تتخيلها، مما يسمح للباحثين بمعرفة ما إذا كان بإمكان الذكاء الاصطناعي رصد الأنماط عبر الحشود.
أجرى الباحثون تجاربهم باستخدام أذكى نماذج الذكاء الاصطناً المتاحة اليوم، بما في ذلك عمالقة مثل GPT-5.4 وGemini-3.1 وClaude-Opus. وراقبوا هذه النماذج وهي تحاول بيع المنتجات عبر سلسلة من 10 رحلات تسوق (تسمى حلقات). أرادوا رؤية شيئين: أولاً، هل يمكن للذكاء الاصطناعي أن يتعلم أثناء محادثة واحدة (طرح الأسئلة المتابعة الصحيحة)؟ وثانياً، هل يمكن للذكاء الاصطناعي أن يتعلم عبر المحادثات (أن يصبح أفضل في الوظيفة مع اكتسابه المزيد من الخبرة)؟
إليك النتيجة المفاجئة: كانت نماذج الذكاء الاصطناعي جيدة جداً في الجزء الأول. فعند التحدث إلى زبون واحد، استطاعت التعلم من المحادثة وطرح أسئلة أفضل مع استمرار الدردشة. ومع ذلك، فقد فشلت تماماً في الجزء الثاني. فبعد التحدث إلى تسعة زبائن مختلفين، لم يكن الذكاء الاصطناعي أفضل في تخمين ما يريده الزبون العاشر مما كان عليه مع الزبون الأول. كان الأمر أشبه ببائع مبيعات بارع في معرفة ما يحبه شخص واحد، ولكن في كل مرة يدخل فيها شخص جديد، يبدأ من الصفر، ناسياً كل ما تعلمه من الأشخاص التسعة السابقين.
تشير الورقة البحثية إلى أن هذه "النماذج الرائدة" الحالية تفتقر إلى مهارة حاسمة: فهي لا تستطيع النظر إلى تجاربها الماضية والقول: "أوه، أرى نمطاً هنا؛ يجب أن أطرح هذا النوع من الأسئلة في المرة القادمة". بدلاً من ذلك، يبدو أنها تعامل كل زبون جديد كأنه لغز جديد تماماً، حتى لو قابلت شخصاً ذا أذواق مشابهة جداً قبل خمس دقائق فقط. كما وجد الباحثون أن الذكاء الاصطناعي لم يتحسن في تخمين مدى ثقته، بل استمر في طرح نفس عدد الأسئلة، حتى عندما كان ينبغي له أن يتعلم طرح أسئلة أقل.
ولإثبات أن المهمة لم تكن مجرد صعبة للغاية، أنشأ الباحثون "مساراً مثالياً". لقد قاموا بتوجيه الذكاء الاصطناعي يدوياً عبر أفضل الأسئلة الممكنة وأظهروا أنه لو استخدم الذكاء الاصطناعي تجاربه الماضية بشكل صحيح، لكان بإمكانه تحسين توصياته بشكل جذري وطرح أسئلة أقل. وهذا يثبت أن المعلومات كانت موجودة للتعلم منها، لكن النماذج الحالية لم تكن تلتقطها فحسب.
باختصار، تشير هذه الورقة إلى أنه بينما أصبح ذكاؤنا الاصطناعي الحالي جيداً جداً في إجراء محادثة واحدة ذكية، إلا أنه لم يتقن بعد كيف يكون "آلة تعلم" تصبح أكثر ذكاءً طوال مسيرتها المهنية. الأمر يشبه إلى حد كبير طالباً يمكنه التفوق في اختبار إذا درس في الليلة التي تسبقه، لكنه ينسى كل شيء بمجرد قرع الجرس، غير قادر على استخدام ما تعلمه يوم الاثنين لمساعدته يوم الثلاثاء. ويخلص المؤلفون إلى أنه لكي يتمكن الذكاء الاصطناعي حقاً من التعامل مع العالم الحقيقي المتغير والمربك، فإنه يحتاج إلى تطوير هذه القدرة على التعلم من الخبرة عبر حلقات متعددة، وهي مهارة لا تزال أكثر النماذج تقدماً اليوم تكافح لإتقانها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.