EvolveNet: Collaborative Harness Evolution for Agent Self-Improvement
تقدم EvolveNet إطار عمل تعاوني للتحسين الذاتي للوكلاء، حيث تبث حيزاً مشتركاً للوكلاء المحليين من أجل التطور المستقل ثم تجمع تكيفات برامجهم، مما يتيح نقل المعرفة عبر أعباء العمل المعزولة دون مركزية البيانات الخام.
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 أن لديك عقل روبوت فائق الذكاء (نموذج لغوي كبير) يمكنه كتابة الأكواد، أو حل المسائل الرياضية، أو التخطيط للرحلات. لكن هذا العقل متجمد؛ لا يمكنك إعادة تدريبه أو تغيير توصيلاته الداخلية. ولكن لجعل هذا العقل يقوم بأشياء فعلية، تحتاج إلى إحاطته بـ "حزام" (harness)—وهو مجموعة من التعليمات، أو نص برمجي، أو برنامج يخبر العقل متى يتحدث، وأي الأدوات يستخدمها، وكيف يتحقق من عمله، وماذا يفعل إذا ارتكب خطأً. فكر في الحزام كجسد الروبوت وجهازه العصبي. الجسد الأفضل يمكنه جعل نفس العقل المتجمد يؤدي معجزات لم يكن قادراً على فعلها من قبل.
لفترة طويلة، حاول العلماء تحسين هذه الأجساد عبر جمع كل أخطاء ونجاحات الروبوت في كومة ضخمة واحدة من البيانات في مقر مركزي واحد. هناك، يحاول "مُحسِّن" (optimizer) واحد تطوير جسد مثالي واحد للجميع. لكن في العالم الحقيقي، الروبوتات (أو الوكلاء) منتشرة في كل مكان: في شركات مختلفة، مع قواعد بيانات مختلفة، وفي بيئات مختلفة. لا يمكنهم دائماً مشاركة بياناتهم الخاصة بسبب قواعد الخصوصية أو القيود التقنية. وهذا يخلق لغزاً: كيف تصنع جسداً مشتركاً فائق الذكاء للجميع إذا لم يكن بإمكانك جلب كل الخبرات إلى مكان واحد؟
هنا يأتي دور ورقة بحثية بعنوان EvolveNet بفكرة جديدة وذكية. بدلاً من جمع كل البيانات الفوضوية في مكان واحد، تقوم EvolveNet بقلب السيناريو. فهي ترسل "جسداً مشتركاً" (الحزام) إلى جميع الروبوتات المختلفة. يحاول كل روبوت تحسين ذلك الجسد باستخدام بياناته المحلية الخاصة ومشاكله المحددة. وبمجرد انتهائهم، لا يرسلون بياناتهم عائدة، بل يرسلون فقط التغييرات التي أجروها على الجسد. ثم يعمل خادم مركزي مثل "خياط ماهر"، حيث يقوم بحياكة أفضل الأجزاء من كل هذه التعديلات المختلفة لتكوين جسد مشترك جديد ومحسن، والذي يتم إرساله بعد ذلك مرة أخرى إلى الجميع.
تجد الورقة البحثية أن هذا "التطور التعاوني" يعمل بشكل رائع للغاية. في الاختبارات عبر خمسة مجالات مختلفة—مثل تحويل النصوص إلى استعلامات قواعد بيانات، وكتابة أكواد علوم البيانات، وحل تحديات البرمجة التنافسية—أصبح الجسد المشترك أفضل بشكل ملحوظ في كل مهمة. على سبيل المثال، في تحدي برمجي يسمى DS-1000، قفزت الدقة من 55.5% إلى 68.5%. والأهم من ذلك، تظهر الورقة أن هذا التحسن لا يأتي من مجرد اختيار أفضل روبوت وتجاهل البقية؛ بل يأتي من دمج الإصلاحات الفريدة التي اكتشفها روبوتات مختلفة. قد يقوم روبوت واحد بإصلاح مشكلة في مكتبة رياضية معينة، بينما يقوم آخر بإصلاح خطأ منطقي في مجال آخر. مهمة الخادم هي معرفة كيفية الاحتفاظ بكلتا الإصلاحات دون أن تتعارضا مع بعضهما البعض. وقد وجد الباحثون أنه من خلال استخدام قواعد "النوع النطاقي" (scope-typed)—والتي تعني أساساً إخبار الجسد: "استخدم هذا الإصلاح فقط عندما تتعامل مع الرياضيات، ولكن استخدم ذلك الإصلاح فقط عندما تتعامل مع الخرائط"—يمكنهم دمج هذه المهارات المختلفة في وكيل واحد فائق القدرة.
كما تفند الدراسة فكرة أنك بحاجة إلى مركزية جميع البيانات للحصول على نتائج جيدة؛ فهي تثبت أنه يمكنك الحفاظ على خصوصية البيانات محلياً مع الاستمرار في بناء نظام أذكى معاً. ومع ذلك، يشير المؤلفون بحذر إلى أن هذا ليس عصا سحرية تحل كل شيء فوراً. فالعملية تتطلب عدة جولات من التجربة والخطأ، ويعتمد النظام على وجود بعض البيانات المصنفة للتحقق مما إذا كانت التغييرات تعمل بالفعل. وبينما كانت النتائج قوية ومقاسة عبر سيناريوهات متعددة من الواقع، تشير الورقة إلى أنه مع نمو هذه الأنظمة وزيادة جولات تشغيلها، قد تظهر تحديات جديدة، مثل أن يصبح الكود ضخماً جداً أو فوضوياً، وهو ما يحتاج إلى إدارة. ولكن في الوقت الحالي، تظهر EvolveNet أنه من خلال السماح للعديد من الوكلاء بتطوير مهارات متخصصة خاصة بهم ثم حياكتها معاً بعناًية، يمكننا إنشاء ذكاء جماعي هو أذكى بكثير من أي وكيل منفرد بمفرده.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.