Harnessing the Wisdom of LLM Crowds through Complementarity-Driven Iterative Collaboration
تقدم الورقة البحثية إطار عمل WILC، وهو إطار عمل مبتكر يستفيد من التكامل المتسلسل وآلية اختيار ثنائية البوابة لتنسيق عدة نماذج لغوية كبيرة بشكل ديناميكي، محققاً أداءً يضاهي GPT-5.2 بتكاليف أقل بكثير مع التغلب على قيود طرق التجميع الثابتة.
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 أنك تحاول حل لغز صعب للغاية، مثل بناء قلعة "ليجو" معقدة أو فك شفرة سرية. لديك صندوق كامل من الأصدقاء المختلفين لمساعدتك. بعضهم بارع في اتباع التعليمات لكنهم سيئون في الرياضيات. وآخرون عباقرة في الرياضيات لكنهم لا يستطيعون اتباع وصفة طعام حتى لو كلفهم الأمر حياتهم. إذا طلبت من صديق واحد فقط القيام بالمهمة بأكملها، فقد يتعثر. ولكن ماذا لو استطعت تمرير العمل من شخص لآخر؟ يمكنك أن تطلب من متبع التعليمات أن يبدأ، ثم تسلم القلعة نصف المكتملة إلى عبقري الرياضيات لإصلاح خطأ هيكلي، ثم تمررها إلى صديق مبدع لإضافة التفاصيل الرائعة. هذه الفكرة المتمثلة في الجمع بين نقاط القوة المختلفة للوصول إلى نتيجة أفضل مما يمكن لشخص واحد تحقيقها بمفرده تسمى "حكمة الحشود". لفترة طويلة، اعتقد العلماء أن هذا لا يعمل إلا مع مجموعات من البشر. ولكن الآن، لدينا نماذج ذكاء اصطناعي يمكنها التحدث والكتابة والبرمجة. السؤال الكبير هو: هل يمكننا معاملة مجموعة من نماذج الذكاء الاصطناعي المختلفة كفريق من الأصدقاء، نمرر المشكلة ذهابًا وإيابًا حتى تُحل بشكل مثالي، بدلاً من مجرد طلب القيام بكل شيء من ذكاء اصطناعي واحد؟
تقدم هذه الورقة البحثية طريقة جديدة لتنظيم فريق من نماذج الذكاء الاصطناعي، تسمى WILC (تكامل حكمة حشود النماذج اللغوية الكبيرة). بدلاً من اختيار ذكاء اصطناعي واحد للقيام بالمهمة بأكملها أو طلب ثلاثة نماذج مختلفة لكتابة إجابات ثم التصويت على الأفضل بينها، تعامل WILC حل المشكلات كسباق تتابع. تخيل عصا يتم تمريرها على طول مضمار السباق. يبدأ العداء الأول (نموذج الذكاء الاصطناعي) السباق ولكنه قد يتعثر في عائق محدد. لا تكتفي WILC بمجرد تركه يسقط؛ بل تحدد بالضبط أين تعثر، وتسلم العصا إلى عداء ثانٍ هو خبير في قفز ذلك العائق المحدد، وتواصل السباق. يقوم النظام بالتحقق باستمرار: "هل قام العداء الجديد بإصلاح المشكلة حقًا، أم جعلها أسوأ؟" إذا قام بإصلاحها، يستمر السباق. إذا لم يفعل، يتوقف النظام ويحتفظ بأفضل إجابة تم العثور عليها حتى الآن.
اختبر الباحثون هذه الفكرة باستخدام مجموعات من نماذج الذكاء الاصطناعي مفتوحة المصدر (بعضها يحتوي على حوالي 14 مليار "خلية دماغية" وأخرى على 30 مليارًا) في أربعة أنواع مختلفة من المهام الصعبة: كتابة أكواد الكمبيوتر، حل المسائل الرياضية، الإجابة على أسئلة المعرفة العامة، وإنشاء مخططات البيانات. وجدوا أن WILC كانت أفضل بكثير في حل هذه المشكلات من استخدام ذكاء اصطناعي واحد، حتى لو كان ذكيًا جدًا، أو استخدام الطرق القديمة التي تدمج الإجابات معًا فحسب. في الواقع، أدى فريقهم من نماذج الذكاء الاصطناعي متوسطة الحجم أداءً يقارب أداء أكثر نماذج الذكاء الاصطناعي تقدمًا وتكلفة، ولكن بتكلفة أقل بنحو 7 أضعاف.
تشير الورقة البحثية إلى أن "الخلطة السرية" ليست مجرد امتلاك العديد من النماذج، بل معرفة متى يتم التبديل بينها. تعلم النظام تحديد "الاختناقات" المحددة — مثل خطأ في قواعد اللغة البرمجية أو فجوة منطقية في برهان رياضي — ثم اختيار النموذج المحدد الأنسب لإصلاح ذلك الخطأ بالضبط. وهذا يختلف عن مجرد اختيار النموذج "الأذكى" بشكل عام. توضح الدراسة أنه من خلال تمرير العمل بطريقة ذكية وخطوة بخطوة، استطاعت مجموعة الذكاء الاصطناعي حل مشكلات لم يكن بإمكان أي عضو بمفرده التعامل معها. ومع ذلك، يشير المؤلفون إلى أن هذا يعمل بشكل أفضل عندما تمتلك النماذج نقاط قوة مختلفة؛ فإذا كانت جميع النماذج متطابقة تمامًا، فلن تساعد استراتيجية التتابع هذه كثيرًا. تشير النتائج إلى أنه بالنسبة للشركات أو الباحثين الذين يرغبون في استخدام الذكاء الاصطناعي دون إنفاق ثروة على النماذج الأكثر تكلفة، فإن تنظيم فريق من النماذج الأصغر والأكثر تنوعًا للعمل معًا في سباق تتابع يعد استراتيجية قوية وفعالة من حيث التكلفة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.