تخيل مجموعة من المحققين العباقرة يحاولون حل لغز معقد. في عالم الذكاء الاصطناعي، هؤلاء المحققون هم "الوكلاء" (agents)—وهي برامج حاسوبية مصممة للتفكير في المشكلات خطوة بخطوة. عادةً، عندما يختلف هؤلاء الوكلاء، فإنهم يفعلون شيئاً غير فعال للغاية: يلقون ببحثهم بالكامل ويبدؤون من الصفر، ويتجادلون حول كل دليل وجدوه، حتى تلك الأدلة التي اتفقوا عليها جميعاً. الأمر يشبه شخصين يتجادلان حول لون سيارة، وبدلاً من أن يقولا ببساطة "إنها حمراء"، يعيدان سرد القصة بأكملة عن كيفية لقائهما، وماذا تناولا في الإفطار، وحالة الطقس في ذلك اليوم، فقط للعودة إلى النقطة التي اختلفا عندها. هذه الورقة البحثية، التي تحمل عنوان "حيث يختلف الاستدلال: المناظرة متعددة الوكلاء الموضعية" (Where Reasoning Diverges: Localized Multi-Agent Debate)، تأتي من مجال علوم الحاسوب، وتحديداً من التركيز على كيفية جعل هؤلاء "المحققين" من الذكاء الاصطناعي أكثر ذكاءً وسرعة. الفكرة الجوهرية التي تبني عليها هي أن استدلال الذكاء الاصطناعي يعمل بشكل أفضل عندما تتحدث نسخ متعددة من النموذج مع بعضها البعض لإصلاح الأخطاء، لكن الطريقة القديمة في القيام بذلك كانت فوضوية ومكررة للغاية.

أدرك الباحثون وراء هذه الدراسة، ويوجون غاو وفريقه، أنه عندما يختلف وكلاء الذكاء الاصطناعي، فإن المشكلة عادة ما تكون مجرد خطوة صغيرة جداً في سلسلة طويلة من المنطق. وبدلاً من جعل الوكلاء يعيدون استعراض تاريخهم بالكامل، ابتكروا طريقة جديدة تسمى LMAD (المناظرة متعددة الوكلاء الموضعية). تخيل LMAD كوسط متميز وفعال للغاية يستمع إلى محققين، ويرصد اللحظة الدقيقة التي بدأا فيها بالخلاف، ويقول: "توقفوا! دعونا نتجادل فقط حول هذا الدليل المحدد". بمجرد إصلاح هذا الدليل الواحد، يقوم الوسيط بتثبيته في "دفتر ملاحظات مشترك" يتفق الجميع على صحته، ثم يواصل المحققون تحقيقهم من تلك الأرضية الصلبة الجديدة. إنهم لا يضيعون الوقت في إعادة الجدال حول الحقائق التي حسموها بالفعل.

تشير الورقة البحثية إلى أن هذا النهج القائم على "التكبير" (zoom-in) يعد نقطة تحول. فمن خلال معاملة الخلاف كعملية إصلاح موضعية صغيرة بدلاً من إعادة تشغيل كاملة للنظام، يمكن لوكلاء الذكاء الاصطناعي حل الأسئلة المعقدة متعددة الخطوات بشكل أفضل بكثير. وفي اختباراتهم، التي تضمنت عشرة نماذج مختلفة من الذكاء الاصطناعي وأربعة تحديات صعبة في الإجابة على الأسئلة، تفوقت هذه الطريقة الجديدة باستمرار على أفضل التقنيات الموجودة. في الواقع، حسنت دقة إجابات الذكاء الاصطناعي بنسبة تصل إلى 7.20 نقطة مئوية مقارنة بأقوى الطرق السابقة. ووجد المؤلفون أن هذا يعمل عبر أحجام مختلفة من نماذج الذكاء الاصطناعي، من النماذج الصغيرة إلى الضخمة، مما يشير إلى أن الحيلة ليست في امتلاك دماغ أكبر، بل في امتلاك طريقة أفضل للجدال.

المشكلة: فخ "المسار الكامل"

تخيل أنك تبني برجاً من المكعبات مع صديق لك. كلاكما يتفق على المكعبات العشرة الأولى. ثم، تحاولان وضع المكعب الحادي عشر، لكنكما تختاران أشكالاً مختلفة. في الطريقة القديمة (التي تسمى "المناظرة متعددة الوكلاء")، إذا اختلفتما على ذلك المكعب الحادي عشر، فسيتعين عليكما هدم البرج بالكامل، والبدء من جديد وإعادة بناء جميع المكعبات العشرة المتفق عليها فقط للجدال حول المكعب الحادي عشر. إنه أمر مرهق وبطيء.

تجادل الورقة البحثية بأن نهج "المسار الكامل" هذا هو إضاعة للوقت. فعندما يتجادل وكلاء الذكاء الاصطناعي، غالباً ما يتفقون على الحقائق المبكرة ولكنهم يختلفون لاحقاً. إن إجبارهم على إعادة مناقشة كل ما اتفقوا عليه بالفعل يخفي المشكلة الحقيقية ويهدر قدرة المعالجة الحاسوبية. وقد استبعد المؤلفون صراحةً فكرة أننا بحاجة إلى مناقشة مسار الاستدلال بأكمله في كل مرة يحدث فيها خلاف. ويجادلون بأن "وحدة التنسيق" يجب أن تكون الخطوة المحددة التي يبدأ عندها الخلاف، وليس القصة بأكملها.

الحل: الإصلاح "الموضعي"

قدم الفريق LMAD، الذي يعمل كمحرر ذكي لأفكار الذكاء الاصطناعي. إليك كيف يعمل، خطوة بخوة:

1. التشغيل المتوازي: يحاول العديد من وكلاء الذكاء الاصطناعي (مثل نسخ مختلفة من نفس المحقق) حل سؤال ما بمفردهم. يقومون بكتابة أفكارهم كسلسلة من "العقد المحددة النوع" (typed nodes)—وهي أساساً قائمة من الادعاءات الواضحة والقصيرة.
2. المحدد الموضعي (The Localizer): يقوم نظام خاص بمسح هذه القوائم للعثور على أول مكان بالضبط حيث يختلف الوكلاء. إنه يشبه حكماً يطلق صافرته في اللحظة التي يرتكب فيها لاعبان خطأً ضد بعضهما البعض.
3. الجدال الموضعي: بدلاً من الجدال حول اللعبة بأكملها، يتناظر الوكلاء فقط حول الجزء المحدد من السلسلة الذي يؤدي إلى ذلك الخلاف. إنهم يركزون طاقتهم على إصلاح ذلك الرابط المكسور وحده.
4. الالتزام المحروس (The Guarded Commit): بمجرد الاتفاق على إصلاح، يتحقق "حارس" مما إذا كان الادعاء الجديد مدعوماً بالأدلة (مثل التحقق مما إذا كان الشاهد قد قال بالفعل ما يدعيه المحقق). إذا اجتاز الاختبار، يتم "الالتزام" بالإصلاح في حالة مشتركة. وهذا يعني أنه تم تثبيته كحقيقة يقبلها الجميع.
5. الاستئناف: يختار الوكلاء استئناف تحقيقهم من هذه النقطة الثابتة الجديدة. إذا اختلفوا مرة أخرى لاحقاً، تتكرر العملية: تحديد الخلاف الجديد، وإصلاح ذلك الجزء فقط، وتثبيته.

النتائج: أذكى، أسرع، وأكثر دقة

اختبر الباحثون هذه الطريقة على أربعة معايير مختلفة لـ "الإجابة على الأسئلة متعددة الخطوات". هذه ألغاز معقدة حيث يتعين عليك ربط عدة قطع من المعلومات للعثين على الإجابة (على سبيل المثال: "من هي زوجة رئيس الدولة التي يوجد بها برج إيفل؟"). استخدموا عشرة "هياكل عظمية" (backbones) مختلفة للذكاء الاصطناعي (وهي العقل الكامن وراء الذكاء الاصطناعي) تتراوح من النماذج الصغيرة إلى الكبيرة.

كانت النتائج مبهرة. تذكر الورقة البحثية أنه باستخدام إعداد واحد ثابت، حققت LMAD أعلى دقة عبر جميع النماذج العشرة.

• الفوز الكبير: تفوقت على أقوى طريقة سابقة بما يصل إلى 7.20 نقطة مئوية.
• الاتساق: من بين 40 مزيجاً مختلفاً من النماذج ومجموعات البيانات، كانت LMAD أفضل في 36 حالة، وتعادلت في حالة واحدة، وتراجعت في ثلاث حالات فقط.
• الربح المتوسط: بلغ متوسط التحسن عبر جميع النماذج حوالي 2.94 نقطة مئوية.

يشير المؤلفون بعناية إلى أنه على الرغم من قوة هذه النتائج، إلا أنها تستند إلى اختبارات ومحاكاة محددة. وهم يقترحون أن مبدأ "توطين الخلاف" هو أداة مفيدة، لكنهم لا يدعون أنها تحل كل مشكلة في استدلال الذكاء الاصطناعي. بل إنهم يشيرون أيضاً إلى أن التفكير في العالم الحقيقي قد يكون أكثر تعقيداً من مجرد خط مستقيم بسيط (مثل الشجرة أو الشبكة)، ويقترحون أن العمل المستقبلي قد يحاول تطبيق فكرة "التوطين" هذه على تلك الأشكال الأكثر تعقيداً.

لماذا يهم هذا الأمر؟

تشير هذه الورقة البحثية إلى أننا لسنا بحاجة لجعل نماذج الذكاء الاصطناعي أكبر لنجعلها أذكى؛ نحن فقط بحاجة لتعليمها كيف تجادل بشكل أفضل. فمن خلال التركيز فقط على الأجزاء من المحادثة حيث تسوء الأمور، وتثبيت الأجزاء التي يتفق فيها الجميع، يمكن للذكاء الاصطناعي حل الألغاز الصعبة بكفاءة أكبر. إنه تحول من "الجدال حول كل شيء" إلى "إصلاح الكسر المحدد"، وهي استراتيجية يبدو أنها تعمل سواء كان الذكاء الاصطناعي صغيراً أو ضخماً.