🤖 AI

12 Angry AI Agents: Evaluating Multi-Agent LLM Decision-Making Through Cinematic Jury Deliberation

تقيم هذه الورقة المداولة بين النماذج اللغوية الكبيرة متعددة الوكلاء من خلال محاكاة فيلم "12 رجلًا غاضبًا" باثني عشر محلفًا من الذكاء الاصطناعي، كاشفةً أن التوافق الشديد مع التعلم المعزز من التغذية الراجعة البشرية (RLHF) في نماذج مثل GPT-4o يحد بشدة من مرونة المداولة وبناء الإجماع مقارنة بالنماذج الأقل توافقًا مثل Llama-4-Scout، والتي تُظهر ديناميكيات إقناع أكثر شبهاً بالبشر.

المؤلفون الأصليون: Ahmet Bahaddin Ersoz

نُشر 2026-05-06

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ahmet Bahaddin Ersoz

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 تشاهد فيلماً عن هيئة محلفين تحاول تقرير ما إذا كان شاب ما مذنباً بجريمة قتل. في الفيلم الكلاسيكي "12 رجل غاضب" (12 Angry Men)، يبدأ أحد المحلفين العنيدين وحيداً ضد أحد عشر آخرين. ومع مرور الوقت، ومن خلال نقاشات حادة، وانهيارات عاطفية، واستماع دقيق، ينجح ببطء في إقناع الجميع بتغيير آرائهم حتى يتفقوا جميعاً على "غير مذنب".

هذه الورقة البحثية تطرح سؤالاً بسيطاً ولكنه عميق: ماذا سيحدث لو استبدلت هؤلاء الممثلين البشر الاثني عشر بروبوتات ذكاء اصطناعي؟

قام الباحثون بإعداد قاعة محكمة رقمية تضم 12 وكيل ذكاء اصطناعي، تم برمجة كل منها لتمثيل شخصية محددة من الفيلم. وقد وضعوا نوعين مختلفين من الذكاء الاصطناعي في مواجهة بعضهما البعض:

الذكاء الاصطناعي "الصارم" (GPT-4o): وهو نموذج مصقول للغاية، مدرب على معاي السلامة، وحريص جداً على أن يكون متسقاً ومهذباً.
الذكاء الاصطناعي "المرن" (Llama-4-Scout): وهو نموذج مفتوح المصدر، أقل صرامة في التدريب، وأكثر استعداداً للتفاعل مع التعليمات المختلفة.

إليك ما حدث، مشروحاً عبر تشبيهات بسيطة:

1. مشكلة "الأسطوانة المشروخة"

في الفيلم، يغير المحلفون آراءهم. أما في محاكاة الذكاء الاصطناعي، فإنهم لم يفعلوا ذلك تقريباً.
من بين 18 محاولة مختلفة، انتهت 17 منها بـ "هيئة محلفين معلقة" (حالة تعادل حيث لا يتفق أحد). لم يتناظر الذكاء الاصطناعي حقاً؛ بل اتخذ كل منهم موقفه الأولي وتمسك به مثل أسطوانة عالقة على نغمة واحدة. وحتى عندما قيل للذكاء الاصطناعي "الصارم": "مهلاً، كن منفتح الذهن واستمع إلى الأفكما الجديدة"، فقد تجاهل التعليمات وظل عنيداً.

2. فخ "السلامة"

تشير الورقة البحثية إلى سبب مفاجئ لهذا العناد. فقد تم تدريب الذكاء الاصطناعي "الصارم" (GPT-4o) بكثافة ليكون "آمناً" و"متسقاً". فكر في الأمر كطفل مهذب للغاية تعلم أن تغيير رأيه هو "سلوك سيئ" أو "عدم اتساق". لذا، بمجرد أن يقرر حكماً ما، يشعر أنه يجب أن يتمسك به ليبقى "جيداً".

أما الذكاء الاصطناعي "المرن" (Llama)، الذي كان لديه تدريب أقل صرامة، فكان أشبه بطفل مستعد لقول: "أوه، لقد فهمت وجهة نظرك، ربما كنت مخطئاً". وكان هو الوحيد الذي تمكن بالفعل من تغيير رأيه والوصول إلى حكم.

3. "النص" مقابل "المسرحية"

وجد الباحثون أن نماذج الذكاء الاصطناعي كانت بارعة في تقليد الزي ولكنها سيئة جداً في تمثيل المسرحية.

ما أتقنوه: استخدموا الكلمات الصحيحة، وتذكروا الأدلة (مثل السكين أو جدول مواعيد القطارات)، وحتى أنهم بدوا غاضبين أو متحيزين تماماً مثل شخصيات الفيلم.
ما أخفقوا فيه: لم يشعروا فعلياً بالشك. في الفيلم، يغير أحد المحلفين رأيه لأنه يتأثر عاطفياً أو يرى ثغرة في المنطق. في نسخة الذكاء الاصطناعي، كان "الشك" مجرد ضوضاء عشوائية ناتجة عن إعدادات درجة الحرارة (temperature settings) في الحاسوب. لم يقنعوا بعضهم البعض؛ بل كانوا فقط يتحدثون دون تفاعل، كأن كل واحد منهم يلقي مونولوجاً موازياً للآخر.

4. "النهاية المزيفة"

بسبب برمجة الذكاء الاصطناعي لإنهاء المشهد، بدأ بعضهم (خاصة المرنين منهم) يهلوس بنتيجة. فحتى عندما لم يتفقوا فعلياً، كانوا يكتبون فجأة في حوارهم: (يقف ويغادر الغرفة) أو النهاية، متظاهرين بأن هيئة المحلفين قد توصلت إلى قرار بالإجماع فقط لإنهاء القصة. لقد عاملوا المداولة كأنها نص سينمائي يجب أن يكون له نهاية، وليس كمحادثة حقيقية قد تستمر للأبد.

الخلاصة الكبرى

تقلب هذه الورقة القاعدة المعتادة للذكاء الاصطناعي رأساً على عقب. عادة، يعتقد الناس أن الذكاء الاصطناعي "الأكبر والأذكى" هو الأفضل دائماً. لكن هنا، كان الذكاء الاصطناعي "الأذكى" والأكثر تدريباً هو الأسوأ في المداولة لأنه كان شديد الصلابة. أما الذكاء الاصطناعي "الأقل تدريباً" والأكثر مرونة، فقد كان الأفضل في ذلك لأنه كان مستعداً لتغيير رأيه.

باخت-اختصار: إذا كنت تريد من الذكاء الاصطناعي أن يتصرف كبشر في مناظرة، فأنت لا تريد النموذج المدرب ليكون متسقاً وآمناً بشكل مثالي. بل تريد النموذج المرن بما يكفي للاعتراف بأنه قد يكون مخطئاً. حالياً، نماذج الذكاء الاصطناعي "الأكثر تقدماً" مهذبة وعنيدة للغاية لدرجة تمنعها من تغيير آرائها حقاً.

ملخص تقني: 12 عميل ذكاء اصطناعي غاضب

بيان المشكلة
تتناول الورقة البحثية فجوة حرجة في تقييم أنظمة النماذج اللغوية الكبيرة (LLM) متعددة الوكلاء. فبينما تُستخدم أطر العمل متعددة الوكلاء بشكل متزايد لمهام تتطلب المداولة، والمناظرة، والتوافق (مثل هيئات المحلفين، مراجعة الأكواد، مجالس السياسات)، إلا أنه لا يوجد دليل تجريبي كافٍ على أن هؤلاء الوكلاء يتداولون فعلياً. ويفترض المؤلفون أن النماذج اللغوية الكبيرة الحالية قد تكتفي بمجرد "الارتكاز" (anchoring) على مواقفها الأولية، واسترجاع الحجج دون دمج الحجج المضادة، مما ينتج مظهراً للمداولة دون جوهر تغيير القناعات. ولاختبار ذلك، تتطلب الدراسة معياراً (benchmark) ذا مسار حقيقي معروف للإقناع ومشاركين مشخصين، وهو ما استخدم فيه المؤلفون فيلم سيدني لوميت "12 رجلاً غاضباً" (1957).

المنهجية
تجسد الدراسة سيناريو الفيلم كمعيار متعدد الوكلاء باستخدام نمط SelectorGroupChat من Microsoft AutoGen.

الوكلاء: اثنا عشر وكيلاً، كل منهم مهيأ بناءً على شخصية مطابقة للفيلم (المهنة، التحيزات، أسلوب التحدث، التصويت الأولي، والحجج الرئيسية). تعكس الحالة الأولية الفيلم: 11 محلفاً يصوتون بـ "مذنب"، وواحد (المحلف رقم 8) يصوت بـ "غير مذنب".
النماذج: تم اختبار نموذجين يمثلان طرفي نقيض في طيف التعلم المعزز من التغذية الراجعة البشرية (RLHF):
- GPT-4o: نموذج مغلق المصدر مع محاذاة (RLHF) قوية (تركز على السلامة أولاً والاتساق).
- Llama-4-Scout: نموذج مفتوح الأوزان مع حزمة (RLHF) أخف وأكثر توثيقاً للعموم (تركز على المرونة أولاً).
التصميم التجريبي: تصميم عاملي $2 \times 3$ $2 \times 3$ مع $N=3$ $N = 3$ تكرارات لكل خلية (إجمالي 18 تشغيلاً).
- النماذج: GPT-4o مقابل Llama-4-Scout.
- الحالات:
  1. الأساس (Baseline): مطالبات الشخصية القياسية مع تصويت أولي ثابت.
  2. بدون تصويت أولي: إزالة شرط التصويت الأولي؛ حيث يقرر المحلفون من الصفر.
  3. مطالبة الانفتاح الذهني: إضافة تعليمات لـ "وزن جميع الأدلة بإنصاف" وتحديث المواقف إذا كانت الحجج المضادة سليمة.
الإنهاء: تستمر المداولات لمدة أقصاها 150 دورة ولكنها تستخدم آلية توقف مبكر: إذا أسفرت ثلاث جولات تصويت متتالية عن صفر تغيير في الأصوات، تنتهي العملية باعتبارها "هيئة محلفين عالقة" (HUNG_JURY).
المقاييس: نتيجة الحكم، إجمالي الدورات، عدد تغييرات الأصوات، سرعة التتابع (cascade velocity)، وتسلسل أول عمليات تغيير الموقف (مقارنة بالترتيب القانوني للفيلم عبر معامل سبيرمان $\rho$ ).

المساهمات الرئيسية

معيار قائم على فيلم: تقديم إطار تقييم جديد للمداولة متعددة الوكلاء باستخدام "12 رجلاً غاضباً"، مما يوفر مسار تتابع معروف جيداً واثني عشر شخصية قانونية.
مقارنة نموذج RLHF: تقديم مقارنة محكومة بين كثافة المحاذاة العالية مقابل الخفيفة، مما يقدم دليلاً على أن كثافة المحاذاة، وليس حجم النموذج أو قدرته، هي التي تحكم الجمود المداولي.
تحديد نمط الفشل: تحديد "الارتكاز" (anchoring) كنمط الفشل المهيمن في بيئات الوكلاء المتعددة، وإثبات أن تدخلات "فك الارتكاز" (عبر المطالبات أو إزالة الشروط الأولية) تعمل بشكل غير متماثل عبر أنظمة المحاذاة المختلفة.
تحليل التباين النوعي: التمييز بين السمات السطحية التي تعيد النماذج إنتاجها (الشخصيات، الاستشهاد بالأدلة) والآليات التي تفشل في إعادة إنتاجها (الانكسار العاطفي، تشكيل التحالفات، الإقناع الحقيقي).

النتائج

انتشار هيئات المحلفين العالقة: انتهت 17 من أصل 18 عملية بـ "هيئة محلفين عالقة". الحدث المركزي في الفيلم — وهو تحول الأغلبية التدريجي من الأقلية — لم يحدث تقريباً.
تباين النماذج (الجمود مقابل المرونة):
- GPT-4o: أظهر جموداً شديداً في جميع الحالات. بلغ متوسط تغييرات الأصوات لكل تشغيل 1.0 (الأساس)، و0.7 (بدون تصويت أولي)، و1.0 (مطالبة الانفتاح الذهني). أنتج هيئات محلفين عالقة في جميع الحالات التسع، متجاهلاً التعليمات الصريحة بالبقاء منفتح الذهن.
- Llama-4-Scout: أظهر مرونة كبيرة. بلغ متوسط تغييرات الأصوات 2.0 (الأساس)، و3.3 (بدون تصويت أولي)، و6.0 (مطالبة الانفتاح الذهني). كان النموذج الوحيد الذي وصل إلى حكم بالإجماع بـ "غير مذنب" (1 من أصل 3 تشغيلات في حالة عدم وجود تصويت أولي).
حساسية المطالبة غير المتماثلة: ضاعفت تعليمات "الانفتاح الذهني" معدل تغيير الأصوات في Llama بمقدار ثلاثة أضعاف، لكنها لم تؤثر بتاتاً على GPT-4o.
التوقف المبكر: كانت مداولات GPT-4o أقصر (متوسط 44-64 دورة) بسبب الركود السريع، بينما كانت مداولات Llama أطول (متوسط 60-72 دورة) بسبب استمرار حركة الأصوات.

الأهمية والادعاءات
تدعي الورقة أنه في المداولة متعددة الوكلاء، المرونة، وليس القدرة، هي المحدد الرئيسي لديناميكيات الإقناع الشبيهة بالبشر.

فرضية جمود RLHF: يجادل المؤلفون بأن نمط الفشل المهيمن (الارتكاز) مدفوع بكثافة تدريب RLHF. فالنماذج المحاذات بشدة لـ "السلامة" و"الاتساق" (مثل GPT-4o) تتعلم أن التخلي عن موقف مؤكد هو سلوك غير مرغوب فيه، مما يجعلها مداولين جامدين. وعلى العكس من ذلك، فإن النماذج ذات حزم المحاذاة الأخف (مثل Llama-4-Scout) تحتفظ بالقدرة على تحديث المواقف تحت الضغط الاجتماعي.
قلب مقولة "الأكبر هو الأفضل": تتحدى الدراسة الافتراض بأن النماذج الأكبر أو الأعلى تصنيفاً تتنبأ دائماً بأداء أفضل في المهام. في هذا المجال، أدى النموذج "الأكثر قدرة" (GPT-4o) أداءً أسوأ في المداولة من النموذج الأكثر مرونة (Llama-4-Scout).
استبدال الآليات: تخلص الورقة إلى أن النماذج اللغوية الكبيرة تعيد إنتاج مظهر المداولة (الشخصيات، الأدلة، الاختلاف) ولكن ليس جوهرها (آلية تغيير العقل). فهي تستبدل الانكسار العاطفي بالمدنية المسطحة، والإقناع الوسيط اجتماعياً بتعليمات نظام المطالبة (system-prompt)، والشك القائم على الحجج بدرجة أخذ العينات (sampling temperature).
الآثار العملية: بالنسبة للممارسين الذين يستخدمون لجان النماذج اللغوية الكبيرة (مثل التقييم أو المناظرة)، تشير النتائج إلى أن أحكام اللجان قد تكون مجرد نسخ مشوشة من الانطباعات الأولية إذا ارتكز الأعضاء على أصواتهم الأولى. علاوة على ذلك، قد تكون أطر عمل المناظرة متعددة الوكلاء هشة تجاه اختيار النموذج، مما ينتج مونولوجات على النماذج ذات المحاذاة القوية بدلاً من ظهور خلاف حقيقي.

تُصنف هذه الدراسة كدراسة استكشافية، مع الإقرار بوجود قيود مثل صغر حجم العينة ( $N=3$ )، واستخدام نموذجين فقط، وعدم شفافية إجراءات RLHF المحددة للنماذج مغلقة المصدر. ويقترح المؤلفون أن العمل المستقبلي يجب أن يبحث فيما إذا كان تأثير الجمود هو أثر جانبي حتمي للمحاذاة أم خيار تصميمي يمكن معالجته.