💬 NLP

Anticipate and Learn: Unleashing Idle-Time Compute in Proactive Agents

تقدم هذه الورقة ProAct، وهي بنية وكيل استباقي تستفيد من قدرات الحوسبة في أوقات الخمول لتوقع احتياجات المستخدم المستقبلية والتحضير لها، إلى جانب معيار ProActEval، مما يظهر تحسينات كبيرة في كفاءة المهام، وتقليل جهد المستخدم، والحد من الهلوسة مقارنة بالنماذج التفاعلية الأساسية.

المؤلفون الأصليون: Haoyi Hu, Qirong Lyu, Xianghan Kong, Weiwen Liu, Jianghao Lin, Zixuan Guo, Yan Xu, Yasheng Wang, Weinan Zhang, Yong Yu

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Haoyi Hu, Qirong Lyu, Xianghan Kong, Weiwen Liu, Jianghao Lin, Zixuan Guo, Yan Xu, Yasheng Wang, Weinan Zhang, Yong Yu

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 مساعداً شخصياً ذكياً للغاية، بارع جداً في الإجابة على الأسئلة، ولكن فقط بعد أن تطرحها عليه. إذا سألته: "ما هي حالة الطقس؟" سيخبرك بها. وإذا سألته بعد ذلك: "هل يجب أن أحضر مظلة؟" سيتحقق مجدداً. إنه كائن تفاعلي: ينتظر الأمر، ثم ينفذ.

تقدم الورقة البحثية ProAct، وهو نوع جديد من المساعدين الأذكياء يغير القواعد. فبدلاً من الجلوس خاملاً بانتظار أمرك التالي، يستخدم ProAct "وقت الفراغ" بين أسئلتك لـ التفكير مسبقاً والاستعداد.

إليك شرح لكيفية عمله، باستخدام تشبيهات بسيطة:

1. المشكلة: المساعد "الخامل"

المساعدون الأذكياء الحاليون يشبهون طباخاً لا يبدأ بتقطيع الخضروات إلا بعد أن تصرخ فيه: "اصنع لي سلطة!". فهو يجلس ساكناً ولا يفعل شيئاً بينما أنت تفكر فيما ستطلبه لاحقاً. هذا يسبب إضاعة للوقت.

2. الحل: المساعد "المبادر"

ProAct يشبه طباخاً يقوم، بينما أنت تقرر طبقك الرئيسي، بـ:

قراءة طلباتك السابقة (الذاكرة) لتخمين أنك قد ترغب في سلطة.
غسل الخس وتحضير التتبيلة (الحوسبة أثناء وقت الفراغ) لتكون جاهزة في اللحظة التي تطلبها.
تفقد الثلاجة للتأكد من وجود المكونات الصحيحة (التحقق من الحقائق).

عندما تقول أخيراً: "سآخذ سلطة"، لا يبدأ الطباخ بالتقطيع فحسب؛ بل يقدم لك وعاءً مُعداً بإتقان في الحال.

3. كيف يعمل: الرقصة ذات الخطوتين

تصف الورقة البحثية ProAct بأن لديه "عضلتين" رئيسيتين تعملان معاً خلال تلك اللحظات الهادئة:

الخطوة أ: البلورة السحرية (التنبؤ بالحالة المستقبلية)
ينظر الذكاء الاصطناعي إلى ما قلته للتو وإلى تاريخك طويل الأمد. ويسأل نفسه: "ما الذي من المرجح أن يسأل عنه هذا الشخص لاحقاً؟"
- مثال: إذا قمت للتو بجدولة اجتماع لغدٍ، فسيخمن الذكاء الاصطناعي أنك ستحتاج قريباً إلى ملخص للمشروع لمناقشته. هو لا ينتظر حتى تطلب ذلك؛ بل يتنبأ باحتياجك.
الخطوة ب: المنقّي الذكي (الاستحواذ أثناء وقت الفراغ)
بمجرد أن يكون لدى الذكاء الاصطناعي تخمين، فإنه لا يخمن بعشوائية. بل يتحقق: "هل هذا التخمين مفيد؟ هل أعرف الإجابة بالفعل؟ هل أحتاج للبحث عن حقائق جديدة؟"
- إذا كانت الإجابة "نعم، هذا مفيد"، فإنه يقضي "وقت فراغه" في جمع الحقائق، والتحقق من دقتها، وتنظيمها.
- إذا كانت الإجابة "لا، هذا على الأرجح مضيعة للوقت"، فإنه يدخر هذه الفكرة لوقت لاحق أو يتجاهلها.

4. "بوابة القيمة": لا تكن مزعجاً

هناك خوف كبير من أن يصبح الذكاء الاصطناعي المبادر مزعجاً عبر مقاطعتك بمعلومات عديمة الفائدة (مثل نادل يحضر لك الحلوى قبل أن تنهي حساءك).

يمتلك ProAct "بوابة قيمة" صارمة. فهو لا يدفع بالمعلومات إليك إلا إذا كانت:

ذات صلة وثيقة بما فعلته للتو.
توفر عليك الجهد.
صحيحة واقعياً.

إذا كانت المعلومة جيدة ولكنها ليست عاجلة، فإنه يخزنها بهدوء في "جيبه الخلفي" (الذاكرة) لاستخدامها في المرة القادمة التي تسأل فيها سؤالاً ذا صلة.

5. النتائج: اختبار "ProActEval"

لإثبات نجاح هذا الأسلوب، أنشأ المؤلفون اختباراً ضخماً يسمى ProActEval. تخيل لعبة فيديو تحتوي على 200 سيناريو مختلف (مثل التخطيط لرحلة، أو إدارة ميزانية، أو تنظيم مشروع) حيث تكون الإجابات "الصحيحة" معروفة مسبقاً.

لقد اختبروا ثلاثة أنواع من المساعدين:

المستجيب (The Reactor): ينتظر الأسئلة.
المتدخل (The Busybody): يعمل أثناء وقت الفراغ لكنه يخمن عشوائياً دون خطة.
ProAct: يعمل أثناء وقت الفراغ مع خطة ذكية.

الفائزون:

أسرع: أنهى ProAct المهام بسرعة أكبر بنسبة 14.8% (عدد أقل من عمليات الأخذ والرد).
أقل جهداً: اضطر المستخدمون لطرح أسئلة أقل (جهد أقل بنسبة 11.7%) لأن الذكاء الاصطناعي غالباً ما أجاب قبل أن يُسأل.
أخطاء أقل: ارتكب الذكاء الاصطناعي هلوسات أقل بنسبة 28.1% (حقائق مختلقة) لأنه حظي بالوقت للتحقق من عمله قبل التحدث.

6. العائق (القيود)

الورقة البحثية صريحة بشأن الحدود:

إنها محاكاة: أُجريت الاختبارات في بيئة اصطناعية محكومة (مثل محاكي الطيران)، وليس بالضرورة في العالم الحقيقي الفوضوي بعد.
التكلفة: القيام بهذا التفكير الإضافي يكلف قوة حوسبية. وجدت الورقة أن القيام بالكثير من التحضير يمكن أن يؤدي في الواقع إلى إبطاء العمل أو إزعاج المستخدم. إنها عملية توازن، وليست قاعدة "كلما زاد الأمر كان أفضل".
الخصوصية: بما أن الذكاء الاصطناعي يحلل تاريخك باستمرار لتخمين احتياجاتك، فإن الاستخدام في العالم الحقيقي سيتطلب ضوابط خصوصية صارمة لضمان عدم تجاوزه للحدود.

الملخص

يحول ProAct الذكاء الاصطناعي من نادل سلبي ينتظر طلبك، إلى مساعد طباخ نشط يتوقع احتياجاتك، ويجهز المكونات بينما أنت تقرر، ويقدم لك وجبة مثالية في اللحظة التي تكون فيها مستعداً. إنه يستخدم وقت الانتظار "الممل" للتعلم والاستعداد، مما يجعل المحادثة الفعلية أسرع، وأذكى، وأكثر دقة.

ملخص تقني: ProAct – التوقع والتعلم: إطلاق طاقة الحوسبة في أوقات الخمول للوكلاء الاستباقيين

1. بيان المشكلة

تعمل وكلاء الذكاء الاصطناعي الحالية، رغم التقدم في التفكير واستخدام الأدوات، كأنظمة تفاعلية (Reactive) بشكل أساسي؛ فهي تحسب الاستجابات فقط بعد مطالبات صريحة من المستخدم، مما يترك "وقت الخمول" بين التفاعلات دون استغلال. يفشل هذا النموذج في استغلال فرصة توقع احتياجات المستخدم المستقبلية، أو صقل فهم التفضيلات، أو إعداد الأدلة الداعمة قبل بدء الاستعلام.

يقارن المؤلفون هذا بالمفهوم النفسي لـ "المواجهة الاستباقية" (Proactive Coping)، حيث يتوقع الأفراد المتطلبات ويجمعون الموارد قبل ظهورها فعلياً. التحدي الجوهري المحدد هو كيفية تحويل وقت الخمول إلى تحضير مفيد ومستند إلى حقائق دون إغراق المستخدم باقتراحات غير ذات صلة، أو سابقة لأوانها، أو ضعيفة الدعم. تظل أنظمة الذاكرة المعززة (مثل MemGPT وMemoryBank) وأنظمة الحوار الاستباقية تفتقر إلى القدرة على التوقع المستقل للاحتياجات المستقبلية غير المعلنة، وتعتمد بدلاً من ذلك على طلبات المستخدم أو جداول زمنية محددة مسبقاً.

2. المنهجية: بنية ProAct

يقدم البحث بنية ProAct، وهي بنية موحدة للوكلاء مصممة لتحويل فترات الخمول إلى دورة منظمة من التوقع والتعلم. يعمل ProAct كمسألة قرار مغلقة الحلقة مدفوعة بوحدتين مترابطتين:

أ. التنبؤ بالحالة المستقبلية (Future-State Prediction)

تولد هذه الوحدة مجموعة مدمجة من الاحتياجات المستقبلية المرشحة ( $Z_t$ ) بناءً على تاريخ الحوار ( $H_t$ ) وحالة الذاكرة المستمرة ( $M_t$ ).

المصادر: تجمع بين التنبؤ بالسيناريو المحلي (الاستقراء من الدورات الأخيرة) والتوسع ذي الصلة (اقتراح مواضيع مجاورة بناءً على ملفات تعريف المستخدم والحقائق المخزنة).
سد فجوة الذاكرة: تعمل بنشاط على تحويل فجوات الذاكرة المحددة (المعلومات القديمة، أو الناقصة، أو المفقودة) إلى احتياجات مستقبلية مرشحة.
التصفية: يتم تصفية المرشحين عبر عتبات الثقة وإزالة التكرار مقابل آثار الذاكرة الموجودة.

ب. الاستحواذ في وقت الخمول (Idle-Time Acquisition)

تقيم هذه الوحدة المرشحات المتوقعة وتخصص ميزانية الحوسبة الخلفية.

الاختيار المقيد بالقيمة: يتم حساب درجة $S(z)$ $S (z)$ لكل مرشح بناءً على أربعة عوامل موزونة:
- $r_z$ $r_{z}$ : صلة المستخدم.
  - $g_z$ : فجوة المعرفة (المعلومات المفقودة).
  - $v_z$ : القيمة الإضافية فوق الذاكرة الموجودة.
  - $\tau_z$ : التوقيت المناسب.
    فقط المرشحون الذين يتجاوزون عتبة القيمة $\theta_{val}$ ينتقلون إلى مرحلة الاستحواذ.
الاستحواذ التدريجي: يتحقق النظام من تغطية الذاكرة الحالية أولاً. إذا كانت جزئية، فإنه يبحث فقط عن المواضيع الفرعية المفقودة؛ وإذا كانت منخفضة، فإنه يقوم بعملية بحث تكرارية. هذا يتجنب عمليات إعادة التشغيل الكاملة غير الضرورية.
توليد الآثار (Artifact Generation): يتم تركيب الأدلة المسترجعة في آثار معرفية مدمجة ( $A_z$ ) مع ربط مصدرها بالحقائق الأصلية، لضمان الاستناد إلى الحقائق.

ج. سياسة التسليم المدركة للمنفعة (Utility-Aware Delivery Policy)

تحدد السياسة $\pi$ وضع التسليم ( $d_z$ ) لكل أثر:

الدفع (Push): إشعار فوري إذا تجاوزت المنفعة المتوقعة تكلفة المقاطعة.
الانتظار (Queue): دمج الأثر في استجابة مستقبلية إذا كان مفيداً ولكن ليس عاجلاً.
التخزين (Store): التخزين الصامت في الذاكرة للاسترجاع لاحقاً إذا لم يكن مناسباً للتسليم الفوري.

يعمل النظام على تحسين المنفعة المستقبلية مع معاقبة تكاليف المقاطعة، واستخدام الميزانية، ومخاطر الهلوسة.

3. إطار التقييم: ProActEval

لتقييم القدرات الاستباقية بصرامة، قدم المؤلفون ProActEval، وهو معيار يتكون من:

النطاق: 200 سيناريو عبر 40 مجالاً (مثل التمويل، الرعاية الصحية، إدارة المشاريع).
الهيكل: يتضمن كل سيناريو ورقة حقائق خيالية وتسلسلاً مرتباً من احتياجات المستخدم. والأهم من ذلك، أنها تحدد روابط predictable_after، والتي توضح أي الاحتياجات المستقبلية تصبح قابلة للتوقع بعد تفاعلات سابقة محددة.
النماذج المعرفية: تغطي السيناريوهات خمسة أنواع من المطالب الاستباقية: الذاكرة التأسيسية، الترجمة/حل الفجوات، الاستدلال على التتبع/التبعية، التحكم في التسليم/الاتساق، والجاهزية/المتابعة.
البروتوكول: يقوم محاكي المستخدم بعبور تسلسل الاحتياجات. إذا قام الوكيل بتغطية احتياج ما استباقياً، يتخطى المحاكي السؤال الصريح للمستخدم، مما يحول التوقع إلى تقليل لجهد المستخدم. يتم تقييم النظام بناءً على المعلومات المرئية وقت التشغيل فقط، دون الوصول إلى البيانات الوصفية الذهبية (Gold Metadata).

4. النتائج الرئيسية

أظهرت التقييمات التجريبية على ProActEval وMemBench مزايا كبيرة مقارنة بالنماذج التفاعلية الأساسية:

أداء ProActEval:

الكفاءة: يقلل عدد دورات التفاعل المطلوبة للوصول إلى تغطية 100% ( $T_{100}$ ) بنسبة 14.8% (من 8.11 إلى 6.91 دورة).
جهد المستخدم: يقلل الجهد الصريح للمستخدم (الدورات التي يجب أن يسأل فيها المستخدم) بنسبة 11.7%.
النزاهة الواقعية: يقلل معدلات الهلوسة بنسبة 28.1% (من 13.2% إلى 9.5%)، ويعزى ذلك إلى استناد الآثار الاستباقية إلى الأدلة المسترجعة.
التوقع: يحقق استدعاءً للتوقع (Anticipation Recall) بنسبة 0.428، متفوقاً بشكل كبير على كل من النموذج التفاعلي الأساسي (0.0) ونسخة "الخمول غير الموجه" (0.0)، مما يثبت أن اتجاه التوقع أمر حاسم.
المقارنة: يتفوق على نموذج ProactiveAgent المعدل (0.020 استدعاء) من خلال توقع 703 من أصل 1,572 حاجة يمكن التنبؤ بها مقابل 32 فقط.

أداء MemBench:

دقة الانعكاس: يحقق ProAct دقة انعكاسية هي الأفضل في استنتاج تفضيلات المستخدم وعواطفه من التاريخ: 84.3% عند 10 آلاف توكن و 86.3% عند 100 ألف توكن، متفوقاً على النماذج السابقة مثل Generative Agents وMemoryBank.

تحليل الاستئصال والميزانية (Ablation & Budget Analysis):

الاتجاه مقابل الحجم: نسخة "الخمول غير الموجه" (البحث دون تنبؤ) تحقق مكاسب ضئيلة مقارنة بالنموذج التفاعلي الأساسي، مما يؤكد أن التوجيه الموجه بالتنبؤ هو المحرك الرئيسي للكفاءة، وليس مجرد زيادة حجم الحوسبة.
تناقص العوائد: زيادة ميزانية البحث تحسن استدعاء التوقع ولكنها لا تقلل بشكل رتيب من جهد المستخدم أو عدد الدورات. يمكن للبحث المفرط أن يؤدي إلى "دفع" (Pushes) منخفض القيمة يغير مسارات المحادثة سلباً، مما يشير إلى أن الحوسبة الاستباقية هي مقايضة لنقطة التشغيل وليست مجرد معلمة (Parameter) يجب تعظيمها.

5. الأهمية والادعاءات

يدعي البحث أنه يضع نموذج تعاون جديد بين الإنسان والذكاء الاصطناعي حيث ينظر الوكلاء إلى وقت الخمول ليس كفراغ، بل كفرصة للتعلم والاستعداد.

التحول الهيكلي: ينتقل ProAct بعيداً عن نماذج "الطلب-الاستجابة" إلى دورة مستمرة من التنبؤ والاستحواذ والتسليم، مما يحول الحوسبة الخلفية بفعالية إلى إعداد مستند إلى الحقائق.
التحقق من حوسبة وقت الخمول: توفر النتائج دليلاً منضبطاً على أن الحوسبة في وقت الخمول الموجه بالتنبؤ يمكن أن تقلل بشكل كبير من جهد المستخدم ومعدلات الهلوسة مع الحفاظ على النزاهة الواقعية.
القيود: يشير المؤلفون بتواضع إلى أن هذه النتائج مستمدة من معيار اصطناعي مغلق العالم. ويحذرون من أن النشر في العالم الحقيقي يتطلب ضوابط للمستخدم، وحدوداً لمعدل الاستخدام، ومراقبة لمنع "رد الفعل الاستباقي العكسي" (مثل مقاطعة المستخدمين بمحتوى منخفض القيمة أو التنافس مع الإجابات التفاعلية). يعتمد نجاح النظام على وجود سلاسل احتياجات قابلة للتنبؤ ومصادر أدلة قابلة للتدقيق.

باختصار، يثبت ProAct أنه من خلال استغلال الذاكرة المستمرة والنمذجة التنبؤية أثناء فترات الخمول، يمكن للوكلاء الانتقال من مجرد مستجيبين ثابتين إلى شركاء استباقيين، مما يقلل الحمل المعرفي ويحسن جودة التفاعلات دون المساس بالدقة الواقعية.