Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering
تقدم هذه الورقة OpenMLE، وهو نظام مفتوح متكامل (full-stack) للتحسين الذاتي المتكرر في هندسة تعلم الآلة، وتقدم Frontis-MA1، وهو وكيل تطور ميتا (meta-evolution agent) بحجم 35 مليار معلمة يستفيد من التدريب المرتكز على التنفيذ والبحث طويل الأمد ليتفوق بشكل كبير على النماذج الرائدة في معايير هندسة تعلم الآلة (MLE) مع إظهار قدرة قوية على الانتقال إلى المهام غير المختبرة مسبقاً.
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 عالماً حيث يكون الأشخاص الذين يبنون أدوات المستقبل هم أنفسهم يتم بناؤهم بواسطة تلك الأدوات. هذا هو مجال "الذكاء الاصطناعي من أجل الذكاء الاصطناعي" (AI for AI)، وهو ركن رائع في علوم الحاسوب حيث لا يكتفي الذكاء الاصطناعي بلعب الألعاب أو كتابة القصائد، بل يقوم فعلياً بتصميم وبناء وتحسين أنظمة ذكاء اصطناائي أخرى. الحلم الكبير هنا هو "التحسين الذاتي المتكرر" (recursive self-improvement)، وهو مفهوم من الخيال العلمي حيث يصبح النظام الذكي أفضل في صنع الأنظمة الذكية، والتي تصبح بدورها أفضل في صنع الجيل التالي، مما يخلق حلقة متسارعة من الذكاء. ولكن للوصول إلى هناك، نحتاج إلى ملعب آمن وواقعي لاختبار هذه الأفكار. وهنا يأتي دور "هندسة تعلم الآلة" (Machine Learning Engineering - MLE). فكر في هندسة تعلم الآلة كالوظيفة العملية والفوضوية لبناء نماذج ذكاء اصطناعي حقيقية: جمع البيانات، وتدريبها، وإصلاح الأخطاء، وتعديلها حتى تعمل. إنه الفرق بين المخطط النظري والسيارة التي تعمل بالفعل. إذا استطعنا تعليم الذكاء الاصطناعي القيام بهذه المهمة الهندسية بشكل أفضل وأفضل بمفرده، فقد نتمكن من فك شفرة ذلك المستقبل القائم على التحسين الذاتي.
تقدم هذه الورقة البحثية ملعباً مفتوحاً جديداً يسمى OpenMLE وطالباً نجيباً يُدعى Frontis-MA1-35B لمعرفة ما إذا كان بإمكان الذكاء الاصطناعي حقاً أن يتعلم ليكون مهندساً أفضل من البشر الذين علموه. لم يقم الباحثون ببناء روبوت ذكي واحد فحسب؛ بل بنوا مصنعاً كاملاً. أولاً، أنشأوا OpenMLE-Gym، وهو صالة رياضية رقمية ضخمة تحتوي على ما يقرب من 6,000 مهمة "تدريبية" مختلفة (مثل التنبؤ بأسعار الأسهم أو تصنيف الصور) حيث يمكن للذكاء الاصطناعي محاولة حل المشكلات والحصول على تغذية راجعة فورية وصادقة حول ما إذا كان قد نجح أم فشل. بعد ذلك، علموا ذكاءهم الاصطناعي، Frontis-MA1، أربع "حركات عضلية" محددة: المسودة (Draft - كتابة كود جديد)، التحسين (Improve - جعله أفضل)، تصحيح الأخطاء (Debug - إصلاح الأخطاء)، والتهجين (Crossover - دمج فكرتين جيدتين معاً).
تحدث المعجزة عندما تركوا الذكاء الاصطناعي يمارس هذه الحركات. فبدلاً من مجرد التخمين، يقوم Frontis-MA1 بتشغيل الكود الخاص به في الصالة الرياضية، ويرى النتائج، ويتعلم من أخطائه. وجد الباحثون أنه عندما دمجوا هذا التدريب مع استراتيجية بحث ذكية تسمى OpenMLE-Evo، لم يصبح الذكاء الاصطناعي أفضل قليلاً فحسب، بل أصبح أفضل بشكل كبير. في اختبار صعب يسمى MLE-Bench Lite، حصل النموذج الأساسي (الذكاء الاصطناي قبل التدريب) على "ميدالية" (درجة رفيعة المستوى) في حوالي 39% فقط من المهام. ولكن بعد حلقة التدريب والبحث، قفز Frontis-MA1-35B إلى 60.61%. وعندما رفعوا مؤشر البحث إلى مستوى أعلى باستخدام وضع "Max" الخاص، وصل إلى 71.21%.
هذا ليس مجرد فوز صغير؛ إذ تشير الورقة البحثية إلى أن هذا النظام تفوق فعلياً على بعض نماذج الذكاء الاصطناعي الأكثر شهرة وقوة في العالم (مثل GPT-5.5 وCodex) في هذه المهام الهندسية المحددة، واقترب من أداء Kimi K3، رغم أن Frontis-MA1 بُني على هيكل أصغر بحجم 35 مليار معلمة (parameter). المفتاح المكتشف هو أن الذكاء الاصطناعي تعلم استخدام تجاربه السابقة لتوجيه عمليات البحث المستقبلية. لم يكن يحاول أشياء عشوائية؛ بل تذكر أي "الفروع" من شجرة حل المشكلات الخاصة به كانت ناجحة، وأيها فشلت، وكيف يمزج الفائز منها معاً. يوضح المؤلفون أن نهج "تعلم التعلم" هذا يسمح للذكاء الاصطناعي بالاستمرار في التحسن لفترة طويلة بعد العثور على حل يعمل، محولاً الإصلاح البسيط إلى أداء يستحق الميدالية الذهبية. وبينما تتوقف الورقة عند حد عدم الادعاء بأن الذكاء الاصطناعي قد حقق تحسيناً ذاتياً كاملاً ولانهائياً، إلا أنها تقدم دليلاً قوياً على أننا ننتقل من أجهزة ذكاء اصطناعي تتبع التعليمات فحسب إلى أجهزة ذكاء اصطناعي يمكنها حقاً تطوير مهاراتها الهندسية الخاصة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.