Inference-Time Agentic Decision Rules Beat Longer Evolving Search for Multi-Image Medical Reasoning

تخيل أنك تحاول حل لغز ما، ولكن بدلاً من البحث عن دليل واحد، لديك كومة كاملة من الصور التي تروي قصة. ربما تكون سلسلة من الأشعة السينية التي تظهر التئام عظمة، أو تسلسلاً من صور الأقمار الصناعية التي تتبع عاصفة. في عالم الذكاء الاصطناعي، يسمى هذا "الاستدلال متعدد الصور". الأمر لا يتعلق فقط بالتعرف على ما يوجد في صورة واحدة؛ بل يتعلق بفهم كيف تتغير القصة من إطار إلى آخر.

لفترة طويلة، اعتقد العلماء أن أفضل طريقة لجعل الكمبيوتر يحل هذه الألغاز هي تزويده بمجموعة طويلة ومفصلة من التعليمات ("المطالبة" أو الـ prompt) ثم تركه يجرب ملايين الاختلافات من تلك التعليمات ليرى أي منها يعمل بشكل أفضل. لقد استخدموا طريقة تسمى "البحث التطوري"، وهي تشبه النسخة الرقمية من الانتخاب الطبيعي: تقوم بإنشاء العديد من نسخ البرنامج، وتترك الأفضل منها ينجو، ثم تمزجها لإنشاء نسخ أفضل وأكثر تطوراً. السؤال الكبير كان: هل السر في النجاح هو مجرد امتلاك كمبيوتر أكبر وأقوى يمكنه تجربة المزيد من الاختلافات؟ أم أن السر يكمن في كيفية اتخاذ الكمبيوتر للقرار بشأن كيفية النظر إلى الأدلة في المقام الأول؟ يبحث هذا البحث في هذا السؤال تحديداً، حيث يختبر ما إذا كان من الأفضل امتلاك استراتيجية أذكى أو مجرد بحث أطول.

---

مسابقة المحقق العظيم للذكاء الاصطناعي

في هذه الدراسة، وضع الباحثون مسابقة عالية المخاطر لوكلاء الذكاء الاصطناعي (برامج كمبيوتر ذكية) لحل ألغاز طبية باستخدام مجموعة بيانات تسمى MedFrameQA. فكر في مجموعة البيانات هذه كأنها مكتبة ضخمة من الحالات الطبية حيث تأتي كل مسألة مع تسلسل من 2 إلى 5 صور. يجب على الذكاء الاصطناعي النظر إلى التسلسل بأكمله واختيار الإجابة الصحيحة من قائمة خيارات.

لم يكتفِ الباحثون بإلقاء تعليمات عشوائية على الذكاء الاصطناعي، بل استخدموا محركاً قوياً يسمى ShinkaEvolve لتطوير (تطوير/تطور) التعليمات. لقد أعطوا كل متسابق نفس القدر من الوقت وقوة الحوسبة (50 جيلاً من التطور) لتحسين استراتيجيتهم. كان الهدف هو معرفة أي نوع من "قواعد القرار" هو الأفضل.

إليك المتسابقين الخمسة الذين اختبروهم:

1. الأساس الثابت (The Fixed Baseline): ينظر الذكاء الاصطناعي إلى جميع الصور والسؤال مرة واحدة، ثم يخمن فوراً. إنه نهج "مرة واحدة وانتهى الأمر".
2. سقالة الاستدلال (The Reasoning Scaffold): يتم توجيه الذكاء الاصطناعي لـ "التفكير خطوة بخطوة" وشرح منطقه قبل التخمين. إنه يشبه مطالبة طالب بإظهار خطوات حله.
3. التصويت عبر الترتيب (Order-Vote): هذا هو النهج الذكي. ينظر الذكاء الاصطناعي إلى الصور، لكنه يقوم بخلط ترتيب خيارات الإجابة (أ، ب، ج، د) ويطرح السؤال عدة مرات. إذا استمر الذكاء الاصطناعي في اختيار "ب" بغض النظر عن كيفية خلط القائمة، فإن ذلك يعد صوتاً قوياً. يقوم بعد ذلك بحساب جميع الأصوات لاتخاذ قرار نهائي.
4. إعادة التصنيف عبر الترتيب (Order-Rerank): هذا هو اللاعب الثقيل. يقوم بنفس عملية التصويت، ولكن إذا كانت الأصوات متقاربة، فإنه يعود للقيام بمقارنة ثانية أكثر تفصيلاً بين أفضل خيارين. إنه يشبه القاضي الذي يعقد محاكمة ثانية.
5. التصويت عبر الترتيب+ (Order-Vote+): نسخة مختلطة لا تقوم بالفحص في المرحلة الثانية إلا إذا كان التصويت الأول غير حاسم.

الفائز المفاجئ: البساطة تفوز

بعد إجراء المسابقة خمس مرات للتأكد من أن النتائج لم تكن مجرد ضربة حظ، وجد الباحثون فائزاً واضحاً. لم يكن الذكاء الاصطناعي الذي حاول بجهد أكبر أو استخدم منطقاً أكثر تعقيداً هو الفائز.

حصدت استراتيجية Order-Vote الميدالية الذهبية، محققة دقة نهائية بلغت 57.89 ± 0.65%.

• لقد هزمت الأساس "الثابت" البسيط، الذي حقق 52.73 ± 0.42% فقط.
• كما هزمت استراتيجية "Order-Rerank" الأكثر تعقيداً وتكلفة في التشغيل، والتي سجلت 55.79 ± 0.43%.

لماذا فازت طريقة التصويت البسيطة؟ يقترح الباحثون أن الصور الطبية مخادعة. فأحياناً، يمكن لترتيب عرض الإجابات (أ، ب، ج، د) أن يخدع الذكاء الاصطناعي عن غير قصد ويجعله يختار الإجابة الخاطئة. استراتيجية Order-Vote تشبه المحقق الحكيم الذي لا يثق في حدسه الأول، بل يطرح نفس السؤال بطرق مختلفة ليرى ما إذا كانت الإجابة ستظل ثابتة. ومن خلال "التصويت" عبر هذه المنظورات المختلفة، يصبح الذكاء الاصطناعي أكثر قوة وأقل عرضة لارتكاب خطأ سخيف لمجرد تغيير ترتيب الخيارات.

في المقابل، استراتيجية Order-Rerank، التي حاولت القيام بتحليل عميق في مرحلة ثانية، أدت أداءً أسوأ. لقد كانت تشبه المحقق الذي يقضي وقتاً طويلاً جداً في إعادة فحص الأدلة لدرجة أنه يصاب بالارتباك أو يرتكب خطأ جديداً. وجدت الدراسة أن هذه الطريقة المعقدة كانت "هشة"؛ فقد عملت جيداً في بعض الحالات، لكنها فشلت في كثير من الحالات الإجمالية، كما تطلبت قوة حوسبة أكبر بكثير (حوالي 417.2 ثانية للاختبار النهائي مقارنة بـ 331.5 ثانية للفائز).

تفنيد أسطورة "الأكثر هو الأفضل"

هذا هو الجزء الأكثر إثارة للدهشة في القصة. سأل الباحثون: "ماذا لو تركنا الذكاء الاصطناعي يتطور لفترة أطول؟ ربما 100 جيل بدلاً من 50؟"

كانوا يتوقعون أن يؤدي المزيد من الوقت إلى جعل الذكاء الاصطناعي أكثر ذكاءً. وبدلاً من ذلك، حدث العكس. عندما تركوا استراتيجية Order-Vote تتطور لـ 100 جيل، انخفض أداؤها في الاختبار النهائي من 57.89% إلى 56.02%.

يشير هذا إلى أن إعطاء الذكاء الاصطناعي مزيد من الوقت للبحث لم يجعله أكثر ذكاءً، بل جعله أفضل في حفظ اختبارات التدريب (مجموعة الاختبار الاحتياطية) بينما نسي كيفية التعامل مع أسئلة الاختبار الحقيقية وغير المرئية. إنه يشبه الطالب الذي يدرس بجد شديد لامتحان تجريبي محدد لدرجة أنه يحفظ الإجابات ولكنه يفشل في فهم المفاهيم عندما يأتي الامتحان الحقيقي. استنتج الباحثون أن تحديد قاعدة القرار الصحيحة أهم بكثير من مجرد البحث لفترة أطول.

ماذا يعني هذا للمستقبل

لا تدعي الورقة البحثية أنها حلت جميع الألغاز الطبية أو أن وكلاء الذكاء الاصطناعي هؤلاء مستعدون لاستبدال الأطباء الحقيقيين. في الواقع، يشدد المؤلفون على أن هذه دراسة "معيارية" وليست سريرية. ومع ذلك، فإن النتائج تقدم درساً حاسماً لأي شخص يبني أنظمة ذكاء اصطناعي ذكية.

إذا كنت تريد من الذكاء الاصطناعي أن يستدل على تسلسل من الصور، فلا تكتفِ بإلقاء المزيد من قوة الحوسبية عليه أو تطلب منه "التفكير بجهد أكبر" عبر تعليمات أطول. بدلاً من ذلك، صمم نظاماً قوياً ضد الارتباك. لقد أثبت منهج Order-Vote أن استراتيجية بسيطة وذكية تتحقق من عملها عبر خلط الخيارات هي أكثر فعالية بكثير من نظام معقد ومكلف يحاول تحليل كل التفاصيل بدقة مفرطة.

في النهاية، تشير الورقة إلى أنه في عالم الذكاء الاصطناعي، جودة الاستراتيجية تتفوق على كمية البحث. فالقاعدة البسيطة والذكية التي تظل ثابتة بغض النظر عن كيفية تقديم الأدلة هي المفتاح الحقيقي لحل الألغاز الطبية المعقدة.