← أحدث الأبحاث
💬 NLP

AdaptEvolve: Improving Efficiency of Evolutionary AI Agents through Adaptive Model Selection

تقدم الورقة البحثية AdaptEvolve، وهو إطار عمل يعمل على تحسين كفاءة وكلاء الذكاء الاصطناعي التطوري من خلال الاختيار الديناميكي لأنسب نموذج لغوي كبير لكل خطوة صقل بناءً على ثقة التوليد الجوهرية، مما يقلل تكاليف الاستدلال بنسبة تقارب 38% مع الحفاظ على دقة عالية.

المؤلفون الأصليون: Pretam Ray, Pratik Prabhanjan Brahma, Zicheng Liu, Emad Barsoum

نُشر 2026-04-27
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Pretam Ray, Pratik Prabhanjan Brahma, Zicheng Liu, Emad Barsoum

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 تدير مسابقة برمجة عالية المخاطر، حيث الهدف هو حل ألغاز برمجية معقدة. لديك نوعان من المراجعين المتاحين لمساعدتك:

  1. المتدرب المبتدئ (نموذج صغير): سريع، رخيص، وممتاز في التعامل مع المهام الروتينية. ومع ذلك، قد يتعثر أو يرتكب أخطاء في المشكلات الصعبة حقاً أو الملتوية.
  2. الخبير المحترف (نموذج كبير): ذكي للغاية وقادر على حل أصعب الألغاز، ولكنه بطيء، وتكلفة توظيفه باهظة، ويستغرق وقتاً طويلاً لتقديم الإجابة.

المشكلة:
في الأنظمة "التطورية" التقليدية للذكاء الاصطناعي (حيث يحاول الذكاء الاصطناعي، ويفشل، ويتعلم، ثم يحاول مرة أخرى)، عادة ما يختار النظام مراجعاً واحداً ويلتزم به طوال العملية.

  • إذا استخدمت المتدرب فقط، فستوفر المال ولكنك قد لا تتمكن أبداً من حل أكثر الألغاز صعوبة.
  • إذا استخدمت الخبير فقط، فستحل كل شيء، ولكن ذلك سيكلف ثروة ويستغرق وقتاً طويلاً جداً.
  • تحاول بعض الأنظمة استخدام "كتيب قواعد" (توجيه ثابت) لتقرير من يجب استشارته، لكن هذه القواعد جامدة؛ فهي لا تعرف متى يشعر المتدرب بالثقة فعلياً، أو متى تصبح المشكلة فجأة شديدة الصعوبة.

الحل: AdaptEvolve
لقد طور المؤلفون نظاماً جديداً يسمى AdaptEvolve. تخيل هذا النظام كمدير ذكي يراقب كيفية عمل المتدرب، ويقرر في اللحظة ذاتها، ما إذا كان سيترك المتدرب ينهي المهمة أم سيستدعي الخبير المحترف.

إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. الاستماع إلى "نبض الثقة"

بدلاً من سؤال خبير خارجي لتخمين مدى صعوبة المشكلة، يستمع AdaptEvoid إلى "مزاج" المتدرب نفسه.

  • عندما يكتب المتدرب الكود، يتحقق النظام من ثقته.
  • ثقة عالية: يكتب المتدرب بسلاسة، ويكون متأكداً من إجاباته، ويبدو الكود متماسكاً. يقول النظام: "رائع! استمر يا متدرب، أنت قادر على فعلها".
  • ثقة منخفضة: يتردد المتدرب، أو يتراجع، أو يبدو الكود مهتزاً (ارتفاع في "الاعتلاج/الإنتروبيا" أو عدم اليقين). يقول النظام: "أوه لا، هذا يبدو خطيراً. توقف! دعنا نستدعي الخبير المحترف لتولي هذا الجزء تحديداً".

2. "الإحماء" و"المدير التكيفي"

لكي يتعلم كيفية اتخاذ هذه القرارات، يقوم النظام بـ جولة إحماء سريعة (مثل جولة تدريبية مع 50 مشكلة).

  • يراقب كيف يحل المتدرب هذه المشكلات الخمسين ويدون ملاحظاته: "عندما تردد المتدرب هنا، فقد فشل. وعندما كان واثقاً هناك، فقد نجح".
  • يقوم ببناء شجرة قرار بسيطة (مخطط انسيابي) بناءً على هذه البيانات.
  • والأهم من ذلك، أن هذا المدير تكيّفي. إذا أصبحت المنافسة أكثر صعوبة (بينما يتطور الذكاء الاصطناعي لحل مشكلات أصعب)، يقوم المدير بتحديث قواعده فوراً. إذا أصبحت المشكلات أكثر تعقيداً، يتعلم المدير استدعاء الخبير في وقت مبكر. إنه لا يعتمد على كتيب قواعد ثابت يصبح قديماً وغير صالح.

3. النتائج: أفضل ما في العالمين

اختبر الباحثون هذا النظام على معايير مرجعية للبرمجة (مثل LiveCodeBench و MBPP). وهذا ما وجدوه:

  • توفير التكاليف: من خلال ترك المتدب الرخيص يتولى العمل السهل واستدعاء الخبير المكلف فقط عند الضرورة القصوى، خفضوا إجمالي التكاليف الحسابية بنحو 38%.
  • الأداء: لم يفقدوا الكثير من الجودة. لا يزال النظام يحل 97.5% من المشكلات التي كان بإمكان نظام "الخبير فقط" حلها.
  • الكفاءة: لقد خلقوا "جبهة باريتو" (Pareto frontier)، وهي طريقة أنيقة للقول بأنهم وجدوا التوازن المثالي حيث تحصل على أكبر قيمة مقابل مالك.

تلخيص التشبيه

تخيل أنك تقود سيارة.

  • الطريقة القديمة: إما أن تقود المسافة بأكملها في سيارة صغيرة اقتصادية في استهلاك الوقود ولكنها بطيئة (فلا تحل أي شيء ثقيل)، أو في سيارة سباق تستهلك الكثير من الوقود (تحل كل شيء، ولكنها تكلف ثروة).
  • AdaptEvolve: تقود السيارة الصغيرة على الطريق السريع. ولكن في اللحظة التي ترى فيها طريقاً جبلياً وعراً وصخرياً أمامك (مشكلة صعبة)، يقوم نظامك الذكي باستبدالك فوراً بسيارة السباق. وبمجرد تجاوز الجبل، يعيدك إلى السيارة الصغيرة. أنت توفر الوقود، ولكنك لا تزال تغزو الجبل.

ما لا يدعيه البحث:

  • لا يدعي أن هذا يعمل في المهام غير البرمجية، مثل كتابة القصائد أو البراهين الرياضية، حيث لا تكون "الإجابة" عبارة عن كود برمجي يمكن اختباره تلقائياً.
  • لا يدعي أنه سيحل محل المبرمجين البشر تماماً، بل يهدف لجعل عملية برمجة الذكاء الاصطناعي أرخص وأسرع.
  • يركز تحديداً على الأنظمة "التطورية" حيث يقوم الذكاء الاصطناعي بتوليد الكود، واختباره، وتحسينه بمرور الوقت.

باخت-ة، AdaptEvolve هو مفتاح ذكي يستخدم "الشعور الداخلي" للذكاء الاصطناعي (الثقة) ليقرر متى يستخدم أداة رخيصة ومتى يستدعي الخبير المكلف، مما يوفر المال دون التضحية بالكثير من الجودة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💬 cs.CL →