VSearcher: Long-Horizon Multimodal Search Agent via Reinforcement Learning
تقدم هذه الورقة البحثية VSearcher، وهو وكيل بحث متعدد الوسائط يعتمد على التعلم التعزيزي يحول النماذج الساكنة إلى متصفحات ويب قادرة على تنفيذ مهام طويلة المدى من خلال خط إنتاج تكراري لتخليق البيانات واستراتيجية تدريب تعتمد على الضبط الدقيق الموجه (SFT) ثم التعلم التعزيزي (RL)، محققاً أداءً فائقاً في معيار MM-SearchExam المقترح.
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 أن لديك أمين مكتبة ذكي جداً ومطلع، يدعى VSearcher.
في الماضي، كان هذا الأمين مثل موسوعة متنقلة. كان يعرف كل ما كُتب في الكتب حتى تاريخ معين. إذا سألته: "من فاز بكأس العالم عام 1998؟" يمكنه الإجابة فوراً. لكن إذا سألته: "ما هي حالة الطقس في طوكيو الآن؟" أو "أرني صورة لذلك الطائر الغريب الذي رأيته للتو"، فسيكون عاجزاً. لم يكن بإمكانه مغادرة المكتبة، ولم يكن بإمكانه استخدام الإنترنت، ولم يكن بإمكانه رؤية العالم خارج كتبه.
VSearcher هو النسخة المطورة التي تحول هذا الأمين الساكن إلى محقق بارع يمكنه بالفعل الخروج إلى العالم الحقيقي، واستخدام الأدوات، وحل الألغاز المعقدة.
إليك كيف يشرح البحث هذا التحول، مقسماً إلى خطوات بسيطة:
1. المشكلة: الأمين "الساكن"
معظم نماذج الذكاء الاصطنا-الحالية تشبه ذلك الأمين الموسوعي. إنها بارعة في القراءة والتحدث، لكنها "عمياء" عن العالم الحقيقي. لا يمكنها النظر إلى صورة التقطتها والقول: "أوه، هذه زهرة أوركيد نادرة!" ثم البحث عنها. كما لا يمكنها تصفح الويب للعثور على آخر الأخبار. إنها عالقة بما حفظته أثناء التدريب.
2. الحل: تعليم المحقق كيف يصطاد
ابتكر المؤلفون VSearcher، وهو نموذج لا يكتفي بـ "معرفة" الأشياء، بل يعرف كيف "يجدها". يمكنه:
- قراءة النصوص (مثل البحث العادي).
- النظر إلى الصور (مثل البحث العكسي عن الصور).
- زيارة المواقع الإلكترونية (مثل النقر على رابط وقراءة الصفحة).
- القيام بكل هذا في سلسلة طويلة من الخطوات (على سبيل المثال: "ابحث عن الطائر في الصورة" "ابحث عن اسمه" "ابحث عن موطنه" "تحقق مما إذا كان مهدداً بالانقراض").
3. كيف دربوه: "معسكر التدريب المحاكي"
لا يمكنك فقط أن تقول للروبوت "اذهب وتعلم". عليك أن تعلمه. يصف البحث عملية تدريب مكونة من ثلاث خطوات تبدو وكأنها تصميم مستويات في لعبة فيديو:
الخطوة أ: بناء "مضمار العقبات" (تخليق البيانات)
لتعليم المحقق، تحتاج إلى ألغاز صعبة. قام المؤلفون ببناء آلة تنشئ أحاجي فائقة الصًعوبة تلقائياً.
- التشبيه: تخيل أخذ سؤال بسيط مثل "من هو الرئيس؟" وتحويله ببطء إلى لغز غامض.
- الجولة الأولى: "من هو رئيس الدولة التي فازت بكأس العالم 1998؟"
- الجولة الثانية: "من هو رئيس الدولة التي تضم عاصمتها تمثالاً لرجل اخترع المصباح الكهربائي؟"
- الجولة الثالثة (اللمسة متعددة الوسائط): يأخذون صورة لشيء محدد وغريب ويطرحون سؤالاً: "من هو رئيس الدولة حيث يعتبر هذا الشيء (الموضح في الصورة) رمزاً وطنياً؟"
- لقد أنشأوا آلاف هذه الألغاز، مع التأكد من أنها صعبة للغاية بحيث يجب على الذكاء الاصطنا-الاصطناعي استخدام الإنترنت لحلها.
الخطوة ب: مرحلة "الملازمة" (أخذ العينات بالرفض)
الآن، يحتاجون إلى معلم. استخدموا ذكاءً اصطناعياً قوياً جداً ومكلفاً (مثل "محقق خبير" أو Grandmaster) لحل هذه الألغاز أولاً.
- التشبيه: يقوم الخبير بحل اللغز خطوة بخطوة. إذا أخطأ الخبير في الإجابة، يتم رمي تلك المحاولة في القمامة. إذا أصاب، يقوم طالب الذكاء الاصطنا-الاصطناعي (VSearcher) بدراسة ذلك الحل المثالي.
- هذا يعلم VSearcher "عادة" استخدام الأدوات بشكل صحيح قبل أن يحاول التعلم بمفرده.
الخطوة ج: "صالة الألعاب الرياضية الواقعية" (التعلم المعزز)
هذا هو المكون السحري. يتم الآن إرسال الذكاء الاصطنا-الاصطناعي إلى بيئة إنترنت محاكية للممارسة بمفرده.
- التشبيه: تخيل أن الذكاء الاصطنا-الاصطناعي يلعب لعبة حيث يحصل على نقطة فقط إذا وجد الإجابة الصحيحة. إذا خمن بشكل خاطئ أو تعثر، يحصل على صفر نقاط.
- يحاول، يفشل، يحاول مرة أخرى، وفي النهاية يتعلم: "مهلاً، عندما أرى صورة غريبة، يجب أن أستخدم أداة 'البحث عن الصور' أولاً، وليس مجرد التخمين". عبر ملايين المحاولات، يصبح بارعاً في التنقل عبر الويب.
4. النتيجة: البطل الجديد
اختبر المؤلفون VSearcher ضد نماذج ذكاء اصطناعي أخرى وحتى بعض النماذج المملوكة والمكلفة (مثل تلك التابعة لشركات التقنية الكبرى).
- النتيجة: لم يكتفِ VSearcher بمواكبتهم فح، بل هزمهم. لقد حل ألغازاً بصرية ونصية معقدة ومتعددة الخطوات حيرت النماذج الأخرى.
- لماذا؟ لأنه لم يكن مجرد حفظ للحقائق؛ بل تعلم مهارة البحث، تماماً كما يتعلم المحقق البشري تتبع الأدلة.
تلخيص التشبيه
فكر في نماذج الذكاء الاصطنا-الاصطنا-الآلية الأخرى كـ سياح يحملون دليل إرشادي. يمكنهم إخبارك عن برج إيفل لأنهم قرأوا عنه.
أما VSearcher فهو الدليل المحلي الذي يمتلك خريطة، وكاميرا، وهاتفاً. إذا أريته صورة لافتة شارع غريبة، فلن يخمن فحسب؛ بل سيلتقط صورة، ويبحث عن اللغة، ويجد اسم الشارع، ويبحث عن تاريخ ذلك المبنى، ويخبرك بالضبط أين أنت.
يثبت البحث أنه من خلال تدريب الذكاء الاصطنا-الاصطنا-الآلي على العمل والبحث في العالم الحقيقي، بدلاً من مجرد التفكير في فراغ، يمكننا بناء وكلاء مفيدين حقاً للمشكلات المعقدة في الحياة الواقعية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.