🤖 machine learning

AgentStop: Terminating Local AI Agents Early to Save Energy in Consumer Devices

تقدم هذه الورقة AgentStop، وهو مشرف خفيف الوزن يتنبأ بمسارات وكلاء الذكاء الاصطناğı المحلية الفاشلة ويوقفها استباقيًا باستخدام إشارات منخفضة التكلفة، مما يقلل من الطاقة المهدرة بنسبة 15-20% على الأجهزة الاستهلاكية مع تأثير ضئيل على أداء المهام.

المؤلفون الأصليون: Dzung Pham, Kleomenis Katevas, Ali Shahin Shamsabadi, Hamed Haddadi

نُشر 2026-05-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dzung Pham, Kleomenis Katevas, Ali Shahin Shamsabadi, Hamed Haddadi

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

إليك شرح لورقة بحث "AgentStop" بلغة بسيطة ويومية، باستخدام التشبيهات لتوضيح المفاهيم.

المشكلة: الروبوت "المُفرط في التفكير"

تخيل أنك وظفت مساعداً شخصياً ذكياً جداً، ولكنه مهووس قليلاً، للقيام بمهمة لك، مثل إصلاح كود برمجي معطل على حاسوبك أو العثور على حقيقة محددة على الإنترنت.

في الماضي، كان هؤلاء المساعدون يعيشون في "السحابة" (على خوادم ضخمة بعيدة). ولكن الآن، يريد الناس أن يعيشوا مباشرة على أجهزة اللابتوب أو الهواتف الخاصة بهم للحفاظ على خصوصية بياناتهم. هذا أمر رائع للخصوصية، ولكن هناك مشكلة: هؤلاء المساعدون المحليون يستهلكون الطاقة بشراهة.

فكر في بطارية اللابتوب الخاص بك مثل خزان الوقود. عندما يعمل تطبيق عادي، فإنه يرتشف القليل من الوقود. ولكن عندما يحاول وكيل الذكاء الاصطناعي (AI Agent) حل مشكلة صعبة، فإنه لا يكتفي بمجرد تخمين واحد. إنه يفكر، يجرب أداة، يفشل، يفكر مجدداً، يجرب أداة أخرى، يفشل مجدداً، ويستمر في الدوران في حلقة مفرغة.

وجدت الورقة البحثية أنه على جهاز لابتوب قياسي، يمكن لهذه "الحلقات" أن تجعل معالج الكمبيوتر (المحرك) يغلي من الحرارة (تصل إلى 95 درجة مئوية، وهي تشبه الحمى بالنسبة للكمبيوتر) وتستنزف البطارية بسرعة هائلة.

الجزء المخيف: غالباً ما يكون الوكيل عالقاً في حلقة من الفشل. إنه يحرق بطاريتك ويسخن جهازك، لكنه لن يحل المشكلة أبداً في الواقع. الأمر يشبه سيارة تقود في دوائر داخل موقف للسيارات، تحرق الوقود، لكنها لا تغادر الموقف أبداً.

الحل: AgentStop (المكبح الذكي)

بنى الباحثون أداة تسمى AgentStop.

تخيل أن مساعد الذكاء الاصطناعي الخاص بك هو من يقود تلك السيارة. AgentStop هو مساعد طيار يجلس في مقعد الركب. هذا المساعد لا يقوم بالقيادة؛ هو فقط يراقب لوحة القيادة.

بدلاً من الانتظار حتى تنفد طاقة السيارة أو ينصهر المحرك، يراقب المساعد إشارات دقيقة وخفية أثناء تحرك السيارة:

مقياس "الثقة": هل يبدو الذكاء الاصطناعي غير واثق؟ (من الناحية التقنية، ينظر إلى "الاحتمالات اللوغاريتمية" - أي مدى تأكد الذكاء الاصطناعي من الكلمة التالية التي سيقولها).
كاشف "التعليق": هل يكرر الذكاء الاصطناعي نفس الكلمات أو الأفعال مراراً وتكراراً؟
فحص "الطول": هل يتحدث الذكاء الاصطناعي كثيراً جداً بالنسبة لسؤال بسيط؟

إذا رأى المساعد أن الذكاء الاصطناعي يفقد الثقة أو يعلق في حلقة مفرغة، فإن AgentStop يضغط على المكابح. إنه يخبر الذكاء الاصطناعي: "توقف! هذا المسار لا يعمل. لن نصل إلى وجهتنا".

كيف يعمل (الخدعة السحرية)

أفضل ما في الأمر هو أن AgentStop خفيف الوزن.

لا يحتاج إلى كمبيوتر خارق ليعمل.
لا يطلب من الذكاء الاصطناعي أن "يفكر" فيما إذا كان يجب عليه التوقف (لأن ذلك سيهدر المزيد من الطاقة).
هو فقط يلقي نظرة خاطفة على البيانات التي ينتجها الذكاء الاصطناعي بالفعل أثناء عمله.

الأمر يشبه معلماً ينظر إلى ورقة اختبار طالب أثناء الكتابة. إذا رأى المعلم أن الطالب يكتب كلاماً غير مفهوم ويزداد ارتباكاً مع كل جملة، فإن المعلم يوقف الطالب فوراً. هكذا يوفر الطالب الوقت والحبر، ولا يضطر المعلم للانتظد حتى ينهي الطالب إجابة خاطئة.

النتائج: توفير البطارية

اختبر الباحثون هذه الأداة في مهمتين صعبتين:

البرمجة: إصلاح الأخطاء البرمجية.
الإجابة على الأسئلة: العثور على حقائق معقدة على الويب.

كانت النتائج مبهرة:

الطاقة الموفرة: وفروا ما بين 15% إلى 20% من الطاقة الضائعة. هذا يشبه الحصول على ساعة إضافية من عمر بطارية هاتفك بمجرد منع الذكاء الاصطناني من الدوران حول نفسه بلا فائدة.
الأداء: لم يفقدوا الكثير من الجودة. معدل نجاح المهام انخفض بأقل من 5% فقط.
الحرارة: لم يسخن الكمبيوتر كثيراً لأنه لم يكن يعمل في حلقات الفشل اللانهائية تلك.

لماذا يهم هذا الأمر؟

حالياً، أصبح تشغيل الذكاء الاصطناعي على هاتفك أو اللابتوب الخاص بك أمراً شائعاً لأن الخصوصية فيه عالية. ولكن إذا استنزف بطاريتك في 20 دقيقة، فلن تستخدمه.

AgentStop هو المفتاح لجعل الذكاء الاصطناعي المحلي أمراً عملياً. فهو يضمن ألا يسخن جهازك أو تنفد بطاريتك بينما يحاول الذكاء الاصطناعي حل مشكلة هو في الواقع سيء في حلها. إنه يحول الذكاء الاصطناعي "الأعمى" الذي يستمر في المحاولة حتى يتعطل، إلى ذكاء اصطناعي "ذكي" يعرف متى يتوقف أو يحاول شيئاً آخر (أو يعترف بالهزيمة ببساطة) لتوفير طاقتك.

باختصار: AgentStop هو زر "توقف بينما لا تزال في وضع جيد" للذكاء الاصطناعي، مما يوفر بطاريتك ويحافظ على برودة جهازك دون إفساد النتائج.

ملخص تقني: AgentStop

بيان المشكلة

تتناول الورقة البحثية مشكلة عدم كفاءة الموارد المتزايدة عند تشغيل الوكلاء المستقلين القائمين على النماذج اللغوية الكبيرة (LLM) على الأجهزة الاستهلاكية. وبينما يوفر النشر المحلي مزايا كبيرة من حيث الخصوصية والتكلفة عبر إلغاء رسوم واجهة برمجة تطبيقات السحابة ونقل البيانات، إلا أنه يفرض قيوداً صارمة على عمر بطارية الجهاز وإدارة الحرارة. وخلافاً لتفاعلات النماذج اللغوية الكبيرة ذات الخطوة الواحدة، تتضمن سير عمل الوكلاء (agentic workflows) عمليات استدلال تكرارية، واستخدام الأدوات، ومحاولات إعادة التجربة عند الفشل، مما قد يؤدي إلى توليد آلاف الرموز (tokens) وقضاء وقت حوسبة كبير في مسارات تنتهي في النهاية بالفشل في إكمال المهمة. ويشير المؤلفون إلى أن عمليات التشغيل الفاشلة هذه تستهلك طاقة كبيرة دون تقديم أي فائدة، مما قد يؤدي إلى استنزاف جزء كبير من بطارية الكمبيوتر المحمول (على سبيل المثال، 3-7% لمهمة معقدة واحدة فاشلة) ويتسبب في إجهاد حراري (وصول درجة حرارة وحدة معالجة الرسومات إلى حوالي 95 درجة مئوية). وتعتمد المقاييس الحالية للكفاءة غالباً على عدد الرموز أو زمن الاستجاق، وهي مقاييس تفشل في رصد تكلفة الطاقة الفعلية واستغلال الأجهزة خلال هذه العمليات المستمرة ومتعددة الخطوات.

المنهجية

يقترح المؤلفون AgentStop، وهو مشرف كفاءة خفيف الوزن يعتمد على تعلم الآلة، مصمم للتنبؤ بمسارات الوكيل التي من غير المرجح نجاحها وإنهائها استباقياً.

جمع البيانات: يقوم النظام بجمع آثار التنفيذ (execution traces) من الوكلاء الذين يعملون على اختبارات معيارية (مهام الأسئلة والأجوبة القائمة على الويب والبرمجة). تتضمن هذه الآثار الرموز المولدة، واحتمالاتها اللوغاريتمية المرتبطة بها (logprobs)، ومخرجات استدعاء الأدوات، وعلامات النجاح أو الفشل النهائية.
هندسة الميزات: يستخرج AgentStop إشارات منخفضة التكلفة متاحة مباشرة أثناء الاستدلال القياسي، متجنباً الحاجة إلى أي عمليات حسابية ثقيلة إضافية. وتشمل الميزات الرئيسية ما يلي:
- أصغر $k$ من الاحتمالات اللوغاريتمية للمخرجات عند كل خطوة للوكيل (مما يشير إلى عدم اليقين في النموذج).
- عدد رموز المخرجات لكل خطوة (طول سلسلة التفكير - chain-of-thought).
- نسبة تداخل الرموز بين الخطوات المتتالية (للكشف عن الحلقات التكرارية).
بنية النموذج: تم تنفيذ المشرف باستخدام نموذج الأشجار القرارية المعززة بالتدرج (GBDT) (وتحديداً XGBoost). اختار المؤلفون نموذج GBDT نظراً لزمن استدلال منخفض للغاية، وبصمة طاقة ضئيلة (أقل من 0.01 مللي واط ساعة لكل عملية استدلال)، وأدائه القوي على البيانات الجدولية المهيكلة.
التدريب والنشر: يتم تدريب النموذج لتصنيف ما إذا كان مسار الوكيل سينجح في النهاية أم سيفشل. ويتم نشره كـ "مشرف" يتحقق من حالة الوكيل بعد خطوات محددة. وإذا انخفض احتمال النجاح المتوقع عن عتبة معايرة، يتم إنهاء الوكيل مبكراً.

المساهمات الرئيسية

التوصيف التجريبي لتكاليف طاقة الوكيل: تقدم الورقة أول قياسات مفصلة للوقت، والرموز، وتكاليف الطاقة للوكلاء المنشورين محلياً على الأجهزة الاستهلاكية (Apple M1 Max). وتثبت أن عمليات تشغيل الوكيل الفاشلة تستهلك طاقة أكبر بكثير من العمليات الناجحة، وأن سحب طاقة وحدة معالجة الرسومات ودرجة الحرارة يرتفعان خلال هذه الحلقات غير الفعالة.
إطار عمل AgentStop: تقديم آلية عملية وخفيفة الوزن للتنبؤ بفشل الوكيل باستخدام إشارات موجودة بالفعل في تدفق الاستدلال (logprobs). لا يتطلب هذا النهج أي تعديل على النموذج اللغوي الكبير الأساسي ويؤدي إلى عبء إضافي ضئيل جداً.
تحليل المقايضة بين الكفاءة والمنفعة: يرسخ هذا العمل أن الإنهاء المبكر التنبئي يمكن أن يقلل بشكل كبير من هدر الطاقة مع حد أدنى من التأثير على معدلات نجاح المهام، مما يعيد صياغة الإشراف على الكفاءة كممكن حاسم للاستدامة في الذكاء الاصطناعي على الأجهزة.

النتائج التجريبية

قام المؤلفون بتقييم AgentStop على اختبارين معياريين:

الأسئلة والأجوبة القائمة على الويب: باستخدام مجموعات بيانات FRAMES وSimpleQA مع نماذج Qwen3-30B-A3B وQwen3-1.7B.
البرمجة: باستخدام مجموعة بيانات SWE-Bench Verified مع نموذج Qwen3-Coder-30B.

النتائج الرئيسية:

توفير الطاقة: قلل AgentStop من هدر الطاقة بنسبة 15-20% في الاختبارات المعيارية الصعبة. على سبيل المثال، في مجموعة بيانات FRAMES، حقق خفضاً في الطاقة بنسبة تزيد عن 20% بحلول الخطوة الخامسة مع انخفاض أقل من 5% في منفعة المهمة.
الأداء: حقق النظام AUC-ROC يتراوح بين 0.6 و0.7 خلال الخطوات القليلة الأولى من التنفيذ، مما يشير إلى أن إشارات الفشل يمكن اكتشافها مبكراً.
المقارنة: تفوق AgentStop على استراتيجيات الأساس مثل التوقف العشوائي، أو التوقف بناءً على الحد الأدنى للاحتمال اللوغاريتمي، أو التوقف بناءً على متوسط الاحتمال اللوغاريتمي.
الاعتماد على النموذج: كان المشرف فعالاً لنموذج Qwen3-30B-A3B الأكبر، والذي أظهر إشارات ثقة (logprobs) أكثر وضوحاً في عمليات التشغيل الفاشلة مقارنة بنموذج 1.7B الأصغر.

الأهمية والادعاءات

تدعي الورقة أن AgentStop يوفر آلية عملية لتمكين وكلاء النماذج اللغوية الكبيرة المستدامين والمحافظين على الخصوصية على أجهزة المستخدمين. ومن خلال التخفيف من استنزاف البطارية غير الضروري ووقت التنفيذ، يعالج الإنهاء المبئي التنبئي المخاوف البشرية المركزية مثل طول عمر الجهاز، وسهولة الاستخدام، والقلق المرتبط بانخفاض مستويات البطارية (nomophobia). ويجادل المؤلفون بأن الإشراف على الكفاءة ليس مجرد عملية تحسين، بل هو مكون ضروري لاعتماد الوكلاء المحليين في العالم الحقيقي، مما يسمح لهم بالعمل دون المساس بتوفر جهاز المستخدم أو الراحة الحرارية. وتضع هذه الدراسة الإنهاء المبكر كاستراتيجية قابلة للتطبيق لسد الفجوة بين المتطلبات العالية للموارد في سير عمل الوكلاء وبين ميزانيات الطاقة المحدودة للأجهزة الاستهلاكية.