تخيل أن لديك صديقاً آلياً فائق الذكاء، يعيش بالكامل داخل حاسوبك. يمكن لهذا الروبوت أن ينظر إلى شاشتك، ويقرأ ما عليها، وحتى ينقر على الأزرار أو يكتب الكلمات لمساعدتك في إنجاز المهام، مثل تنظيم ملفاتك أو حجز رحلة طيران. نسمي هذه الأدوات "وكلاء استخدام الكمبيوتر" (Computer-Use Agents). لفترة طويلة، اعتقد العلماء أن أفضل طريقة لجعل هذه الروبوتات أكثر ذكاءً هي مجرد منحها المزيد من قوة الدماغ أثناء عملها. الأمر يشبه التفكير في أنه: "إذا تعثرتُ في حل لغز، فسأكتفي بالتحديق فيه لفترة أطول أو محاولة تذكر كل شيء رأيته على الإطلاق لحله". تُسمى هذه الفكرة "التوسع في وقت الاستدلال" (inference-time scaling)—بمعنى قضاء المزيد من الوقت وطاقة الكمبيوتر أثناء محاولة الروبوت القيام بمهمة ما ليرى ما إذا كان سيتحسن في أداء المهمة.

لكن هنا تكمن المشكلة؛ معظم هذه الروبوتات فائقة الذكاء تعيش على خوادم ضخمة ومكلفة في السحابة. ماذا لو أردنا وضع روبوت كهذا على حاسوبك المحمول الخاص أو هاتفك، حيث البطارية صغيرة والمعالج ليس حاسوباً عملاقاً؟ هنا يأتي دور "الوكلاء المحليين" (local agents). السؤال الكبير هو: إذا كان لديك روبوت أصغر وأرخص يعمل على جهازك الخاص، فهل منحُه وقتاً أطول للتفكير أو تاريخاً أطول ليتذكره سيساعده حقاً في إنجاز المهمة؟ أم أنه سيجعل الروبوت يدور حول نفسه، أو يرتبك، أو يهدر بطاريتك فحسب؟ هذا البحث يتعمق في هذا اللغز تحديداً، حيث يختبر ما إذا كان "التفكير بجهد أكبر" يساعد الروايت المحلية بالفعل، أم أنه يؤدي إلى أنواع جديدة من الأخطاء.

تجربة الروبوت المحلي الكبرى: هل التفكير أكثر يعني نجاحاً أكبر؟

قرر مؤلفو هذا البحث وضع هذه الفكرة قيد الاختبار. لقد أعدوا سلسلة من التجارب مع ثلاثة أنواع مختلفة من "الوكلاء المحليين" (روبوتات تعمل على عتادك الخاص) وطلبوا منهم حل مهام واقعية على شاشة الكمبيوتر. أرادوا معرفة ما سيحدث عندما يقومون بتعديل أربعة "مقابض" محددة لمنح الروبوتات المزيد من الموارد:

1. التوسع السياقي (مقبض الذاكرة): كم عدد لقطات الشاشة الماضية التي يتذكرها الروبوت؟
2. التوسع الزمني (مقبض الوقت): كم عدد الخطوات (النقرات أو الكتابات) المسموح للروبوت باتخاذها قبل أن يضطر للتوقف؟
3. التوسع الهيكلي (مقبض العمل الجماعي): هل يجب أن يقوم الروبوت بكل شيء بنفسه، أم يجب عليه تقسيم المهمة إلى جزئين: جزء يخطط للخطوات، وجزء يقوم فعلياً بالنقر على الأزرار؟
4. التوسع المتوازي (مقبض التعهيد الجماعي): هل يجب على الروبوت محاولة وضع عدة خطط مختلفة في وقت واحد واختيار الأفضل منها؟

كانت النتائج مفاجئة ومضحكة بعض الشيء. اتضح أنه بالنسبة لهذه الروبوتات المحلية، فإن مجرد "المحاولة بجهد أكبر" لا يعني دائماً "الأداء بشكل أفضل". في الواقع، أحياناً يجعل الأمر الأمور أسوأ.

فخ الذاكرة: تذكر الكثير جداً

أولاً، اختبروا مقبض الذاكرة. وجدوا أن الروبوت الذي ليس لديه ذاكرة (يرى الشاشة الحالية فقط) هو كارثة؛ فهو يعلق في حلقات مفرغة، مثل هامستر يركض على عجلة، ينقر على نفس الزر مراراً وتكراراً لأنه لا يتذكر ما فعله للتو. منح الروبوت القليل من التاريخ (شاشة واحدة سابقة) كان تغييراً جذرياً، فقد جعل الروبوت أكثر استقراراً.

ومع ذلك، اكتشف المؤلفون وجود "نقطة مثالية". فعندما أعطوا الروبوت تاريخاً كبيراً جداً (تذكر 8 شاشات سابقة بدلاً من 4)، لم يصبح الروبوت أكثر ذكاءً، بل أصبح فقط أكثر تكلفة في التشغيل. الذاكرة الإضافية لم تساعده على حل المهمة بشكل أفضل، بل بدأ يرتكب نوعاً جديداً من الأخطاء: النجاحات الزائفة المبكرة. تخيل طالباً يؤدي اختباراً، وبدلاً من إنهاء السؤال الأخير، يقرر فجأة "لقد انتهيت!" ويسلم الورقة مبكراً لأنه تعب من القراءة. الروبوت، المثقل بالكثير من التاريخ، كان أحياناً يعتقد أنه أنهى المهمة بينما لم يكن قد فعل ذلك في الواقع. لذا، يقترح البحث أنه بالنسبة للروبوتات المحلية، فإن القدر المتوسط من الذاكرة هو الأفضل—ما يكفي لتجنب الحلقات المفرغة، ولكن ليس كثيراً بحيث يربك الروبوت ويجعله يستسلم مبكراً.

فخ الوقت: خطوات أكثر، نفس المشاكل

بعد ذلك، قاموا بتدوير مقبض الوقت. سمحوا للروبوتات باتخاذ خطوات أكثر لإنهاء المهمة، ظناً منهم أنه: "إذا تعثر، دعه يحاول مرات أكثر!". والنتيجة؟ لم تتحسن قدرة الروبوتات على إنهاء المهام كثيراً، بل استغرقت وقتاً أطول فحسب.

وجد المؤلفون أن منح الروبوت مزيداً من الوقت لم يصلح منطقه السيئ، بل سمح له فقط بارتكاب المزيد من التحركات السيئة نفسها. إذا كان الروبوت يسير في المسار الخاطئ، فإن منحه 100 خطوة بدلاً من 15 يعني فقط أنه سيمشي مسافة أطول في المسار الخاطئ قبل أن يدرك أنه تائه. الفائدة الرئيسية كانت أنها منعت الروبوت من الاصطدام بجدار "الحد الزمني"، لكنها لم تمنعه من ارتكاب الأخطاء. في الواقع، أدى ذلك غالباً إلى تلك "النجاحات الزائفة المبكرة" نفسها حيث يعتقد الروبوت أنه انتهى بينما لم ينتهِ بعد. يشير البحث إلى أن مجرد منحهم مزيداً من الوقت ليس حلاً سحرياً؛ بل هو في الغالب مجرد إهدار للبطارية.

فخ العمل الجماعي: كثرة الطباخين

ثم جربوا التوسع الهيكلي. قاموا بتقسيم الروبوت إلى اثنين: "مخطط" يفكر فيما يجب فعله، و"منفذ" يقوم فعلياً بالنقر على الأزرار. كانوا يأملون أن يكون هذا مثل وجود جنرال وجندي، حيث يضع الجنرال خطة رائعة. لكن على أجهزة الكمبيوتر المحلية، جاء هذا بنتائج عكسية.

غالباً ما كان جزء "المخطط" يكتب خططاً فوضوية أو غير مكتملة، ولم يستطع "المنفذ" فهمها. كان الأمر أشبه بجنرال يصرخ بالأوامر بلغة لا يفهمها الجندي. أضاف هذا الكثير من العمل الإضافي (التكلفة الحسابية) وجعل الروبوتات في الواقع أسوأ في إنهاء المهام مقارنة بالروبوت الواحد الذي يقوم بكل الوظائف بنفسه. الحالة الوحيدة التي ساعد فيها ذلك كانت عند استخدام التوسع المتوازي—أي طلب من المخطط كتابة عدة خطط مختلفة في وقت واحد واختيار الأفضل بينها. ساعد هذا قليلاً، لكنه كلف قدراً هائلاً من طاقة الكمبيوتر لتوليد كل تلك الخطط الإضافية. يشير البحث إلى أنه بالنسبة للروبوتات المحلية، فإن إبقاء الأمور بسيطة (روبوت واحد يقوم بالوظيفتين معاً) هو الأفضل عادةً، ما لم يكن لديك الكثير من الطاقة الفائضة لتبذيرها.

الخلاصة الكبرى: الجودة فوق الكمية

إذاً، ما هي النتيجة النهائية من هذه الدراسة؟ يقترح المؤلفون أنه بالنسبة للوكلاء المحليين، فإن الفكرة القديمة القائلة بأن "المزيد من الحوسبة هو دائماً الأفضل" هي فخ.

بدلاً من مجرد إلقاء المزيد من الذاكرة، أو الوقت، أو هياكل الفرق المعقدة على المشكلة، نحتاج إلى أن نكون أكثر ذكاءً في كيفية استخدام ما نملكه.

• لا تفرط في تغذية الذاكرة: القليل من التاريخ أمر رائع، لكن الكثير منه يربك الروبوت فحسب.
• لا تنتظر لفترة أطول فحسب: منح الروبوت المرتبك مزيداً من الوقت يعني عادةً أنه سيظل مرتبكاً لفترة أطول.
• حافظ على البساطة: تقسيم العمل إلى تخطيط وتنفيذ غالباً ما يخلق صداعاً أكثر مما يحل على الأجهزة المحلية.

يخلص البحث إلى أن مستقبل الوكلاء المحليين لا يتعلق بجعلهم "يفكرون بجهد أكبر" بطريقة القوة الغاشمة. بل يتعلق بتصميمهم ليكونوا مدركين لحدودهم، ويعرفون متى يتوقفون، ويستخدمون القدر المناسب تماماً من الموارد للبقاء على المسار الصحيح دون احتراق. إنه تذكير بأنه في بعض الأحيان، يكون الروبوت الصغير والمركز أفضل من روبوت ضخم ومجهد.