Improving Coherence and Persistence in Agentic AI for System Optimization
تقدم الورقة البحثية "Engram"، وهي بنية باحثة وكيلة تتغلب على قيود الانحياز التطوري وتدهور السياق في تحسين الأنظمة من خلال فصل الاستكشاف طويل الأمد إلى عمليات وكيلة تكرارية تستمر عبر معرفة مستمرة من خلال "أرشيف" مهيكل و"ملخص بحثي" مكثف، محققة بذلك أداءً فائقاً عبر مجالات متنوعة.
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 تحاول حل لغز معقد للغاية، مثل تصميم المسار الأكثر كفاءة لشركة شحن عالمية أو إيجاد الطريقة المثالية لتنظيم مكتبة ضخمة. لديك مساعد ذكي للغاية (ذكاء اصطناعي) يمكنه قراءة ملايين الكتب وكتابة الأكواد البرمجية، ولكن هذا المساعد لديه بعض السمات الشخصية المحددة التي تجعل حل المشكلات الجديدة أمراً صعباً.
تقدم هذه الورقة طريقة جديدة للعمل مع هذا الذكاء الاصطناعي، تسمى Engram، لإصلاح تلك السمات.
إليك قصة كيف يعمل Engram، باستخدام بعض التشبيهات البسيطة.
المشكلة: طريقتان يقع فيهما الذكاء الاصطناعي في الفخ
لاحظ المؤلفون أنه عندما يطلبون من أنظمة الذكاء الاصطناعي القياسية تصميم أنظمة حاسوبية معقدة، فإنها تفشل بطريقتين محددتين:
1. فخ "المطرقة والمسمار" (انحياز الجوار التطوري)
تخيل أنك تحاول إصلاح ساعة مكسورة.
- الطريقة القديمة: لديك روبوت يحاول إصلاح الساعة عن طريق تدوير برغي صغير واحد، ثم يتحقق مما إذا كانت تعمل بشكل أسرع، ثم يدور برغياً آخر. إنه يستمر في إجراء تعديلات صغيرة.
- المشكلة: أحياناً، لا تحتاج الساعة إلى تدوير برغي؛ بل تحتاج إلى استبدال الآلية بأكملها. ولكن لأن الروبوت يراقب فقط تدوير البراغي الصغيرة، فإنه لا يدرك أبداً أنه بحاجة إلى تغيير التصميم بالكامل. إنه يعلق في "أمثلية محلية" (local optimum)—يعتقد أنه يبلي بلاءً حسناً لأنه يقوم بتحسينات صغيرة، لكنه يفتقد الصورة الكبيرة. الأمر يشبه محاولة إصلاح إطار مثقوب عن طريق تلميع الجنط؛ يبدو لامعاً، لكن السيارة لن تسير في النهاية.
2. "العبقري النساي" (سقف التماسك)
تخيل أنك وظفت مهندساً معمارياً عبقرياً لتصميم ناطحة سحاب.
- الطريقة القديمة: يبدأ المهندس المعماري العمل. يقضي أسابيع في رسم المخططات، واختبار المواد، والفشل. ولكن بما أنه يعمل في محادثة واحدة طويلة معك، فإنه ينتهي به الأمر بـ "ضبابية في الدماغ". ينسى ما تعلمه في الأسبوع الأول بحلول الأسبوع العاشر.
- المشكلة: إذا وظفت مهندساً معمارياً جديداً لإنهاء المهمة، فإنه لا يعرف شيئاً عما تعلمه الأول. يتعين عليه إعادة اكتشاف كل شيء من الصفر. المعرفة لا تلتصق.
الحل: Engram (فريق البحث)
ابتكر المؤلفون Engram، وهو يشبه توظيف فريق من الباحثين بدلاً من موظف واحد طويل الأمد. بدلاً من ذكاء اصطناعي واحد يعمل للأبد، يستخدم Engram سلسلة من الوكلاء (agents) قصيري المدى الذين يسلمون المهمة لبعضهم البعض.
إليك كيف تسير العملية، خطوة بخطوة:
1. قاعدة "البداية الجديدة"
بدلاً من ذكاء اصطناعي واحد يحاول تذكر كل شيء لشهور، يستخدم Engram وكيل ذكاء اصطناعي جديد لكل "نوبة عمل".
- التشبيه: فكر في سباق التتابع. العداء (أ) يركض لفترة، ثم يسلم العصا للعداء (ب). العداء (ب) ليس بحاجة لتذكر السباق بأكره؛ يحتاج فقط لمعرفة أين توقف العداء (أ).
- لماذا يساعد هذا: كل وكيل جديد يبدأ بعقل صافٍ وجديد. هم لا يعانون من "ضبابية الدماغ" أو النسيان لأن "نافذة السياق" (context window) الخاصة بهم (ذاكرتهم قصيرة المدى) تكون دائماً متجددة.
2. "ملخص البحث" (الخلطة السرية)
هذا هو الجزء الأهم. عندما ينهي الوكيل نوبة عمله، فإنه لا يرحل فحسب. بل يكتب ملخص بحث.
- التشبيه: تخيل محققاً يكتب ملف قضية قبل تسليم القضية للمحقق التالي. الملف لا يقول فقط "لقد حاولت إغلاق الباب، وفشلت". بل يقول: "لقد حاولت إغلاق الباب، لكن اللص تسلل من النافذة. لذا، في المرة القادمة، لا تكتفِ بقفل الباب؛ بل افحص النوافذ أيضاً. وأيضاً، اللص يخاف من الضوضاء العالية."
- ماذا يوجد في الملخص: يحتوي على رؤى عالية المستوى، ما الذي نجح، وما الذي فشل، ولماذا فشل. إنه يجرد البيانات من الأكواد والتقارات الفوضوية، ويبقي فقط على "الحكمة".
- التسليم: يقرأ الوكيل التالي هذا الملخص قبل البدء. هو يعرف فوراً: "حسناً، لا يجب أن أجرب قفل الباب مجدداً؛ يجب أن أركز على النوافذ".
3. "الأرشيف" (المكتبة)
إلى جانب الملخص، يحفظ الوكيل جميع البيانات الخام (الأكواد، التقارير، نتائج الاختبارات) في أرشيف ضخم.
- التشبيه: هذا يشبه المكتبة. إذا أراد الوكيل التالي رؤية المخطط الدقيق الذي رسمه الوكيل السابق، يمكنه الذهاب إلى المكتبة وسحبه. ليس بحاجة لحمل المكتبة بأكملها في رأسه؛ هو فقط يسحب ما يحتاجه عندما يحتاجه.
لماذا يعد هذا أمراً هاماً
اختبر المؤلفون Engram على ثلاث مشكلات صعبة جداً:
- البث السحابي المتعدد (Cloud Multicast): تحديد أرخص طريقة لإرسال البيانات إلى أجهزة كمبيوتر عديدة عبر العالم.
- توجيه طلبات النماذج اللغوية الكبيرة (LLM Request Routing): اتخاذ قرار بشأن أي خادم ذكاء اصطناعي يجب أن يتعامل مع طلب المستخدم ليكون سريعاً.
- تحسين قواعد البيانات (Database Optimization): تنظيم البيانات بحيث يمكن للذكاء الاصطناعي قراءتها بشكل أسرع.
النتائج:
- التفوق على البشر: في مشكلة السحابة، وجد Engam حلاً كان في الواقع أفضل من أفضل الحلول التي ابتكرها الخبراء البشريون.
- التفوق على أنظمة الذكاء الاصطناعي الأخرى: لقد تفوق على طرق الذكاء الاصطناعي الأخرى التي إما علقت في التعديلات الصغيرة (فخ المطرقة والمسمار) أو نسيت ما تعلمته (العبقري النساي).
- تحمل الفشل: لأن الوكلاء يقرؤون الملخص، فهم لا يخشون تجربة شيء قد يبدو فاشلاً في البداية. هم يعرفون أن الفشل المؤقت قد يعلم درساً قيماً يؤدي إلى فوز كبير لاحقاً.
الخلاصة
Engram هو نظام يعامل أبحاث الذكاء الاصطناعي كفريق علمي وليس كعمل فردي. من خلال تقسيم العمل إلى نوبات عمل قصيرة وجعل كل باحث يكتب ملخصاً واضحاً للدروس المستفادة، يمكن للنظام حل مشكلات قد تكون معقدة للغاية لدرجة يصعب على ذكاء اصطناعي واحد التعامل معها بمفرده. إنه يجمع بين إبداع الباحث البشري وإصرار الفريق الذي لا ينسى درساً أبداً.
باخت-القول: لا تدع الذكاء الاصطناعي ينسى ما تعلمه. اكتبه، مرره للآخرين، واستمر في المضي قدماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.