💻 computer science

Prism: An Evolutionary Memory Substrate for Multi-Agent Open-Ended Discovery

تقدم الورقة البحثية Prism، وهو ركيزة ذاكرة تطورية توحد الاستمرارية الطبقية، والذاكرة القائمة على المتجهات والرسوم البيانية، والبحث متعدد الوكلاء تحت إطار عمل نظري قراري لتعزيز أداء الاكتشاف مفتوح النهاية بشكل كبير من خلال التدرج ذي البوابة الإنتروبية، ورسوم الذاكرة البيانية السببية، وديناميكيات التضاعف والتحلل.

المؤلفون الأصليون: Suyash Mishra

نُشر 2026-04-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Suyash Mishra

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 ضخم ولا ينتهي. لديك فريق من المحققين العباقرة (وكلاء الذكاء الاصطناعي) يعملون معاً. في الماضي، كان لدى هؤلاء المحققين مشكلتان كبيرتان:

كانوا ينسون الأشياء: لم يكن بإمكانهم تذكر ما تعلموه بالأمس، أو كانوا يتذكرون الكثير من الهراء غير المفيد.
كانوا يعملون في صوامع منعزلة: تعلم المحقق (أ) شيئاً ما، لكن المحقق (ب) لم يعرف عنه شيئاً، لذا استمروا في ارتكاب نفس الأخطاء.

Prism هو "عقل" جديد لهذه الفرق من الذكاء الاصطناعي. إنه ليس مجرد خزانة ملفات؛ بل هو نظام بيئي حي يتنفس، يساعد الفريق على التعلم، والتطور، والذكاء معاً.

إليك كيف يعمل Prism، مشروحاً عبر تشبيهات بسيطة:

1. نظام ملفات "الأدراج الثلاثة" (تصنيف الإنتروبيا)

تخيل أن عقلك يحتوي على ثلاثة أدراج محددة لملاحظاتك. يجبر Prism كل قطعة من المعلومات على الدخول في أحد هذه الأدراج الثلاثة بناءً على مدى "أهميتها" و"تعقيدها":

الدرج 1: "المهارات" (إنتروبيا منخفضة): هذه هي الأشياء السهلة والمتكررة التي تفعلها كل يوم، مثل "كيفية ربط حذاء" أو "كيفية خبز كعكة". يحافظ Prism على هذه المهارات مفتوحة دائماً وجاهزة للاستخدام. إنها قصيرة، بسيطة، وعالية التكرار.
الدرج 2: "الملاحظات" (إنتروبيا متوسطة): هذه ملاحظات مثيرة للاهتمام، مثل "أمطرت بالأمس" أو "أعجب العميل باللون الأزرق". لا تحتاج إليها طوال الوقت، لكنك تحتاج للعثور عليها بسرعة عندما يستدعي الموقف ذلك. يخزنها Prism في فهرس ذكي وقابل للبحث.
الدرج 3: "المحاولات" (إنتروبيا عالية): هذه هي التجارب الفاشلة، المعقدة، والفوضوية. "حاولنا 500 طريقة لإصلاح المحرك وانفجر". عادة لا تريد قراءة هذه الأمور، ولكن إذا احتجت لمعرفة لماذا فشل شيء ما، يمكن لـ Prism البحث عنها واستخراجها.

السحر: يقوم Prism تلقائياً بفرز كل فكرة جديدة في الدرج المناسب باستخدام معادلة رياضية (إنتروبيا شانون). هذا يمنع ازدحام درج "المهارات" بالهراء، مما يضمن أن لدى الذكاء الاصطناعي دائماً الأدوات الأكثر فائدة جاهزة للاستخدام.

2. خريطة "من قال ماذا؟" (المخطط السببي)

في الفريق العادي، إذا قال أحدهم: "فشل المشروع"، فأنت لا تعرف من قاله أو لماذا. يبني Prism شجرة عائلة للأفكار.

إنه يرسم خريطة حيث ترتبط كل قطعة من المعرفة بـ:

من اكتشفها (الوكيل أ أم الوكيل ب).
لماذا حدث ذلك (السبب والنتيجة).

إذا جرب الوكيل (أ) استراتيجية وفشل، تسجل الخريطة: "الوكيد (أ) جرب (س)، مما تسبب في فشل (ص)". هذا يسمح للفريق بأكمله بالتعلم من خطأ شخص واحد دون أن يضطر ذلك الشخص لشرح الأمر في اجتماع. إنه يحول الخبرة الفردية إلى حكمة مشتركة.

3. "البقاء للأصلح" للذاكرة (الديناميكيات التطورية)

هذا هو الجزء الأكثر روعة. يعامل Prism الذكريات كأنها كائنات حية.

اللياقة: إذا ساعدت الذاكرة (حقيقة أو استراتيجية) الذكاء الاصطناعي في حل مشكلة، فإن "درجة لياقتها" ترتفع.
الاضمحلال: إذا لم تُستخدم الذاكرة أبداً، فإن درجتها تنخفض ببطء، مثل نبات بدون ماء.
التطور: بمرال الوقت، تبقى الذكريات "الأكثر لياقة" (التي تعمل بالفعل) وتتكاثر. أما الذكريات غير المفيدة فتموت.

تثبت الورقة البحثية رياضياً أن هذا النظام سيستقر في النهاية في "مجموعة ذاكرة مثالية" حيث تتبقى فقط أفضل وأكثر المعارف فائدة. إنه يشبه الانتقاء الطبيعي، ولكن بالنسبة للحقائق والاستراتيجيات.

4. مدير "نبض القلب"

تخيل قائداً للفريق يراقب الساعة. يمتلك Prism متحكم نبض القلب (Heartbeat Controller) الذي يتحقق من الفريق بانتظام.

التأمل: كل ساعة، يجبر الوكلاء على التوقف وكتابة ما تعلموه للتو.
الدمج: إذا امتلأ درج "الملاحظات" أكثر من اللازم، فإنه يحول تلك الملاحظات تلقائياً إلى "مهارات" (عن طريق تبسيطها).
إعادة التوجيه: إذا تعثر الفريق (الركود)، يكتشف "نبض القلب" ذلك. وبدلاً من تركهم يدورون في حلقات مفرغة، يقول لهم: "مهلاً، لقد كنت تحاول هذا لفترة طويلة جداً. لنغير الاستراتيجية إلى مسار جديد!"

5. دفعة "العمل الجماعي"

اختبرت الورقة البحثية Prism مع فريق مكون من 4 وكلاء مقابل وكيل واحد.

النتيجة: كان فريق الـ 4 أسرع بمقدار 2.8 مرة في حل المشكلات المعقدة.
لماذا؟ لأنهم شاركوا "عقلاً جماعياً". عندما وجد وكيل واحد حلاً، تعلم الآخرون منه فوراً. تسمي الورقة البحثية هذا "إعادة استخدام المعرفة". إنه يشبه وجود أربعة طهاة في مطبخ حيث يتشاركون جميعاً كتاب الوصفات نفسه، بدلاً من أربعة طهاة يحاول كل منهم ابتكار وصفة جديدة من الصفر.

الخلاصة

Prism هو نظام يمنع الذكاء الاصطناعي من أن يكون "عبقرياً نسيّاً". إنه يمنح وكلاء الذكاء الاصطناعي:

نظام ملفات ذكي لتنظيم ما يعرفونه.
خريطة لرؤية كيفية اتصال الأفكار ببعضها.
آلية بقاء للاحتفاظ بأفضل الأفكار فقط.
مدير فريق لإبقائهم في تقدم مستمر.

من خلال الجمع بين هذه العناصر، يسمح Prism لفرق الذكاء الاصطناعي بمعالجة مشكلات مفتوحة وصعبة (مثل تصميم أدوية جديدة أو تحسين الأنظمة المعقدة) بشكل أسرع وأكثر فعالية من ذي قبل. إنه يحول مجموعة من الحواسيب إلى فريق حقيقي ومتطور من المستكشفين.

إليك ملخص تقني مفصل لورقة البحث "Prism: الذاكرة التطورية للاكتشاف متعدد الوكلاء" للباحث سوياش ميشرا (2026).

1. بيان المشكلة

تعالج الورقة تحدي الاكتشاف مفتوح النهايات في أنظمة الذكاء الاصطğı المستقلة: وهو البحث المستدام والمتكرر عن حلول مبتكرة حيث يكون التقدم طويل الأمد وغير بديهي. بينما تظهر الأعمال الحديثة أن وكلاء النماذج اللغوية الكبيرة (LLMs) يمكنهم تحقيق نتائج فائقة للبشر في مجالات محددة (مثل الحدسيات الرياضية، أو تحسين النواة/Kernel)، إلا أن بنيات الذاكرة الحالية تفشل في دعم ذلك على نطاق واسع بسبب ثلاث فجوات رئيسية:

نقص الاستمرارية: تفتقر الأنظمة الحالية غالبًا إلى الذاكرة المستمرة عبر الجلسات أو تعتمد على هياكل أحادية الوكيل جامدة.
التعاون غير الفعال: تفتقر الأنظمة متعددة الوكلاء غالبًا إلى هياكل معرفية مشتركة تسمح للوكلاء بالبناء على اكتشافات بعضهم البعض.
غياب الديناميكيات التطورية: تتعامل أنظمة الذاكرة الحالية مع البيانات كبيانات ثابتة أو محدثة خطيًا، وتفتقر إلى آليات "تطوير" الذاكرة بناءً على المنفعة، أو اللياقة، أو الاختيار التطوري.

تعالج الحلول الموجودة (مثل نظام حفظ الملفات في Claude Code، أو الرسوم البيانية المتجهة في Mem0، أو التنسيق متعدد الوكلاء في Coral) هذه المشكلات جزئيًا ولكن بشكل منعزل. لا يوجد إطار عمل موحد يجمع بين الطبقية المعلوماتية النظرية، والاستدلال السببي، ونظرية الألعاب التطورية في ركيزة ذاكرة واحدة.

2. المنهجية: بنية Prism

توحد Prism (الاسترجاع الاحتمالي مع الذاكرة ذات الطبقات المعلوماتية) أربعة نماذج (الاستمرارية الطبقية، الذاكرة المتجهة، الذاكرة الرسومية، والبحث التطوري) في إطار عمل واحد لاتخاذ القرار يتكون من ثمانية أنظمة فرعية مترابطة:

أ. مركز الذاكرة الأساسي (S1 و S2)

محرك الاستخراج (S1): يعالج أدوار الوكيل ويطبق بروتوكول تحديث رباعي العمليات (إضافة، تحديث، حذف، لا شيء) على مخزن مشترك. ومن الأهمية بمكان أن كل ذاكرة موسومة بـ أصل الوكيل ( $\alpha(m)$ ) لتتبع مصدر المعرفة.
المركز الثلاثي المحكوم بالاعتلاج (S2): يتم تصنيف الذاكرات إلى ثلاث طبقات بناءً على اعتلاج شانون ( $H$ $H$ ) والتكرار:
1. المهارات (الطبقة 1): اعتلاج منخفض، تكرار عالٍ. يتم تحميلها دائمًا.
2. الملاحظات (الطبقة 2): اعتلاج متوسط. يتم استرجاعها عبر البحث عن أقرب جار تقريبي (ANN).
3. المحاولات (الطبقة 3): اعتلاج عالٍ (سجلات خام). لا يتم الوصول إليها إلا عندما يتطلب تحليل "قيمة المعلومات" (VoI) ذلك.
- الضمان النظري: يثبت المبرهنة 3.1 أن هذا التصنيف يضع حدودًا لتكاليف استخدام نافذة السياق.

ب. الديناميكيات السببية والتطورية (S3 و S4)

الرسم البياني للذاكرة السببية (S3): رسم بياني $G=(V, E_r, E_c)$ حيث تتضمن الحواف روابط علاقات وحواف سببية مشروحة بعمليات حساب do-calculus ( $do(\cdot)$ ). وهذا يتيح تتبع المعرفة متعدد الوكلاء وقياس تباعد الاستكشاف ( $D_{KL}$ ) بين الوكلاء لضمان تنوع البحث.
ديناميكيات التكاثر والاضمحلال (S4): هي أعمق مساهمة نظرية في الورقة. فهي تعيد تفسير الثقة البايزية باعتبارها لياقة تطورية.
- تُعرف اللياقة بمعدل نجاح الذاكرة في المهام اللاحقة.
- تتطور الثقة عبر معادلة تفاضلية تجمع بين الاختيار التكاثري (اللياقة العالية تنمو)، والاضمحلال الزمني (التقادم)، والطفرة (الاستكشاف).
- الضمان النظري: تثبت المبرهنة 3.3 أن النظام يتقارب نحو مجموعة ذاكرة مستقرة تطوريًا (ESMS)، حيث لا يمكن لأي ذاكرة جديدة أن تغزو وتحسن متوسط لياقة المجموعة.

ج. الاسترجاع والتحكم (S5، S6، S7)

استرجاع القيمة المعلوماتية (VoI) التطوري (S5): يستخدم محدد استراتيجية قائم على "العصابات" (Bandit-based) لتعلم تكوينات الاسترجاع المثلى (الميزانية، الحساسية للتكلفة، التنوع). وهو يعظم قيمة المعلومات مع تقليل التكلفة.
توطيد الأحلام التلقائي (AutoDream) (S6): خط إنتاج مكون من خمس مراحل (التفرع، التقطير، حل النزاعات، التقليم، المزامنة) يحول "الملاحظات" إلى "مهارات" عن طريق إزالة التكرار باستخدام المعلومات المتبادلة.
متحكم نبض القلب (S7): يراقب ركود النظام باستخدام نظرية التوقف الأمثل. إذا استقرت الثقة، فإنه يطلق:
1. التأمل: تسجيل الملاحظات الهيكلية.
2. التوطيد: تقطير الملاحظات إلى مهارات.
3. إعادة التوجيه: توجيه الوكلاء إلى مناطق غير مستكشفة في فضاء الحلول (لتعظيم مخاطر عدم التحرك).

3. المساهمات الرئيسية

تقدم الورقة خمس مساهمات رئيسية:

الطبقية المحكومة بالاعتلاج: آلية رسمية لتخصيص الذاكرات إلى مركز ثلاثي (مهارات/ملاحظات/محاولات) بناءً على المحتوى المعلوماتي، مع حدود مثبتة لاستخدام نافذة السياق.
الرسم البياني السببي المنسوب للأصل: بنية رسوم بيانية مع حواف تدخلية وإسناد للوكيل، مما يتيح قياس تباعد الاستكشاف وتتبع المعرفة متعدد الوكلاء.
الاسترجاع ذاتي التطور: سياسة استرجاع قائمة على "قيمة المعلومات" (VoI) مع محدد استراتيجية قائم على العصابات يتعلم استراتيجيات الاسترجاع المثلى، مع حدود مثبتة للندم (Regret bounds).
التوطيد المدفوع بنبض القلب: نظام كشف عن الركود يعتمد على نظرية التوقف الأمثل والذي يطلق ديناميكيًا عمليات التأمل، أو التوطيد، أو إعادة التوجيه الاستراتيجي.
ديناميكيات التكاثر والاضمحلال: إطار عمل يفسر الثقة في الذاكرة كلياقة تطورية، مع إثبات رياضي للتقارب نحو مجموعة ذاكرة مستقرة تطوريًا (ESMS).

4. النتائج التجريبية

تم تقييم Prism باستخدام مجموعتين من الاختبارات المعيارية:

أ. ذاكرة المحادثة (معيار LOCOMO)

الأداء: حققت Prism درجة 88.1 في تقييم LLM-as-a-Judge، وهو تحسن بنسبة 31.2% عن أفضل حالة سابقة (Mem0، التي سجلت 67.2).
الدوافع الرئيسية: جاءت أكبر المكاسب من الاستعلامات الزمنية (+26.6 عن Mem0g)، ويُعزى ذلك إلى الحواف التدخلية في الرسم البياني السببي.
الكفاءة: قللت Prism من زمن انتقال الاستدلال (p95) إلى 0.89 ثانية مع الحفاظ على دقة عالية، متفوقة على النماذج ذات السياق الكامل.

ب. التحسين التطوري (مهام متعددة الوكلاء)

المهام: مسألة البائع المتجول (TSP) لـ 100 مدينة، وتعبئة الدوائر (Circle Packing)، وهندسة النواة (Kernel Engineering).
الأداء: حقق نظام Prism المكون من 4 وكلاء معدل تحسن أعلى بـ 2.8 مرة مقارنة بالنماذج أحادية الوكيل.
إعادة استخدام المعرفة: كان هناك ارتباط قوي ( $r=0.89$ ) بين معدل إعادة استخدام المعرفة (نسبة الذاكرات المستمدة من وكلاء آخرين) ومعدلات التحسن، مما يؤكد أن مكاسب تعدد الوكلاء تنبع من التعلم التطوري المشترك.
دراسة الاستبعاد (Ablation): أدى حذف الرسم البياني السببي أو استرجاع VoI التطوري إلى انخفاض كبير في الأداء، مما يؤكد ضرورتهما للاكتشاف مفتوح النهايات.

5. الأهمية والأثر

التوحيد النظري: تربط Prism بين نظرية المعلومات (اعتلاج شانون)، والاستدلال البايزي (اضمحلال الثقة)، ونظرية الألعاب التطورية (ديناميكيات التكاثر) في صياغة واحدة لذاكرة الذكاء الاصطناعي.
من الذاكرة السلبية إلى النشطة: إنها تنقل نموذج ذاكرة الذكاء الاصطناعي من مجرد مخزن بيانات سلبي إلى نظام معرفي متطور ينمو ويتكيف ويحسن نفسه ذاتيًا.
الاكتشاف متعدد الوكلاء القابل للتوسع: من خلال توفير ركيزة رسمية للذاكرة المشتركة، تمكن Prism الوكلاء من التعاون بفعالية، وتجنب الاستكشاف المكرر، وتسريع التقارب في المشكلات المعقدة.
التطبيقات العملية: تعتبر بنية Prism ذات أهمية خاصة في المجالات عالية المخاطر مثل صنع القرار في مجال الأدوية، حيث يعد الاستدلال السببي (دواء-دلالة-آلية) وإعادة التوجيه الاستراتيجي (عند الركود) أمرًا بالغ الأهمية.

في الختام، تمثل Prism خطوة تأسيسية نحو وكلاء ذكاء اصطناعي مستقلين قادرين على الاكتشاف المستدام ومفتوح النهايات، مما يثبت أن المبادئ التطورية المطبقة على إدارة الذاكرة يمكن أن تتفوق بشكل كبير على بنيات الذاكرة الإحصائية أو الثابتة البسيطة.