تخيل أنك تتحدث إلى مساعد آلي فائق الذكاء يحاول حل لغز ضخم متعدد الخطوات. للقيام بمهمته، يحتاج الروبوت إلى تذكر كل ما حدث حتى الآن: الأدلة التي وجدها، والتحركات التي قام بها، والأخطاء التي صححها، والأهداف التي وضعها. في عالم الذكاء الاصطناعي، تسمى هذه الذاكرة "السياق" (Context). ولكن هنا تكمن المشكلة: لدى الروبوتات "حجم دماغ" محدود (نافذة سياق). إذا أصبحت القصة طويلة جدًا، يبدأ الروبوت في نسيان الأشياء أو يشعر بالارتباك. ولحل هذه المشكلة، يستخدم العلماء "الضغط" (Compression)، وهو يشبه مطالبة الروبوت بكتابة ملخص قصير لمغامرته الطويلة حتى يتمكن من استيعاب القصة بأكملة داخل دماغه مرة أخرى.

لفترة طويلة، افترض الناس أنه إذا احتفظت فقط بالحقائق الأكثر أهمية في ذلك الملخص، فسيكون الروبوت بنفس ذكاء حال كونه قد قرأ القصة بأكملها. لكن هذه الدراسة الجديدة تشير إلى أن هذا ليس صحيحًا تمامًا. فقد تبين أن تلخيص رحلة الروبوت يشبه محاولة التنقل في مدينة باستخدام خريطة للمعالم التي مررت بها بالفعل فقط، دون تذكر بالضبط أي شارع انعطفت إليه للتو. قد يعرف الروبوت ماذا فعل، لكنه يفقد إحساسه بـ أين هو الآن، مما يؤدي إلى ارتباكه، أو تكرار الخطوات، أو الاستسلام تمامًا. تستكشف هذه الورقة البحثية سبب حدوث ذلك، وتحاول بناء طريقة أفضل لكتابة تلك الملخصات ليبقى الروبوت على المسار الصحيح.

---

المشكلة: عندما تجعل الملخصات الروبوتات تنسى مكانها

اكتشف الباحثون، أثناء عملهم مع وكلاء الذكاء الاصطناعي الذين يتفاعلون مع تطبيقات البرامج، مشكلة خفية في كيفية تعامل هذه الروبوتات مع المهام الطويلة. فعندما تمتلئ ذاكرة الروبوت، يقوم عادةً بالتخلص من الأجزاء الأقدم من المحادثة لإفساح المجال لأجزاء جديدة. وأحيانًا، بدلاً من مجرد حذف النص القديم، يستبدل التاريخ بأكمله بملخص مكثف ومنظم.

وجد الفريق أنه بينما تبدو هذه الملخصات رائعة على الورق، إلا أنها تجعل سلوك الروبوت أكثر عدم استقرار بشكل كبير. الأمر يشبه قراءة كتاب حيث يقفز المؤلف فجأة إلى منتصف الفصل ويقول: "وبعد ذلك، كان البطل سعيدًا". أنت تعرف أن البطل كان سعيدًا، لكنك لا تعرف لماذا أو ما الذي حدث قبل تلك اللحظة مباشرة. وبسبب هذا، يبدأ الروبوت في فقدان "موقعه المحلي". قد يعتقد أنه بحاجة للقيام بمهمة قد أنجزها بالفعل، أو قد يعلق لأنه لا يتذكر الحالة المحددة للعالم التي تركها وراءه.

في تجاربهم، رأوا أنه عندما استخدمت الروبوتات هذه الملخصات، بدأت في القيام بـ "الاستكشاف التراجعي" (Regressive Exploration). وهذا تعبير منمق يعني أن الروبوت سيحاول إعادة القيام بأشياء سبق له فعلها، أو قد يتعثر لأنه نسي تفصيلًا حاسمًا. والأسوأ من ذلك، أصبح الروبوت غير موثوق به. إذا طلبت منه حل نفس اللغز مرتين، فقد ينجح في المرة الأولى ويفشل في الثانية، ببساطة لأن الملخص جعله مرتبكًا قليلاً بشأن موقفه. أظهرت الدراسة أن الأمر لم يكن يتعلق بفقدان الحقائق فحسب؛ بل كان يتعلق بفقدان "تدفق" الفعل.

الحل: إطار عمل TRACE واختبار "الحدود"

لإصلاح ذلك، ابتكر الباحثون إطار عمل جديدًا يسمى TRACE. فكر في TRACE كمحرر صارم لا يكتفي بالتحقق مما إذا كان الملخص يبدو جيدًا، بل يختبر فعليًا ما إذا كان الملخص يعمل في الواقع.

إليك كيف يعمل TRACE، باستخدام تشبيه بسيط: تخيل أنك تدرب كلبًا على جلب كرة.

1. الطريقة القديمة: قد تنظر إلى الكلب في نهاية اليوم وتقول: "عمل جيد إذا جلب الكرة". ولكن ماذا لو ضل الكلب طريقه في منتصف الطريق؟ لن تعرف ذلك.
2. طريقة TRACE: في كل مرة تتوقف فيها لتلخيص مسار الكلب، توقف الفيلم مؤقتًا. ثم أعد التشغيل إلى النقطة الدقيقة التي توقفت عندها. بعد ذلك، قم بتشغيل فيلمين متوازيين:
   • الفيلم (أ) (المجموعة الضابطة): يستمر الكلب مع الذاكرة الكاملة وغير المعدلة للمسار.
   • الفيلم (ب) (الاختبار): يستمر الكلب، ولكن هذه المرة لديه الملخص الجديد الذي كتبته للتو.

يراقب TRACE كلا الفيلمين. إذا بدأ الكلب في الفيلم (ب) بالجري في دوائر، أو النباح على حائط، أو محاولة جلب كرة موجودة بالفعل في السلة، فإن TRACE يعرف أن الملخص سيء. إنه يقيس بالضبط مقدار "العمل الإضافي" أو "سلوك التعثر" الذي تسبب فيه الملخص.

باستخدام هذه الطريقة، لا يخمن TRACE شكل الملخص الجيد فحسب. بل يستخدم "مدققًا" (Verifier) لمقارنة نسخ مختلفة من الملخص واختيار النسخة التي تبقي الروبوت متحركًا للأمام دون ارتباك. إنه يشبه المدرب الذي يقول: "حسنًا، هذا الملخص جعل الروبوت يحاول فتح باب مفتوح بالفعل. لنعد كتابة الملخص ليقول: 'الباب مفتوح'، بدلًا من مجرد 'نحن في الممر'".

النتائج: روبوتات أذكى، أخطاء أقل

اختبر الفريق هذه الطريقة الجديدة على معيار اختبار يسمى AppWorld، وهو يشبه لعبة فيديو حيث يتعين على الروبوت استخدام تطبيقات مختلفة (مثل الهاتف، أو مشغل الموسيقى، أو البنك) لإكمال المهام. وقارنوا طريقة TRACE الجديدة بطرق شائعة أخرى لضغط الذاكرة.

كانت النتائج واعدة. فالروبوتات التي استخدمت ملخصات محسنة بواسطة TRACE:

• حلت مهام أكثر: نجحت في المهام أكثر من الروبوتات التي استخدمت الملخصات القياسية أو مجرد حذف النص القديم.
• كانت أكثر موثوقية: إذا طلبت من الروبوت القيام بالمهمة مرتين، فمن المرجح جدًا أن ينجح في المرتين، بدلاً من الفشل في المرة الثانية بسبب الارتباك.
• حافظت على الكفاءة: لم تكن بحاجة لاتخاذ خطوات إضافية لإصلاح أخطائها.

كان أحد أروع الاكتشافات هو أن "القواعد" لكتابة هذه الملخصات، التي تعلمها نظام TRACE باستخدام نموذج روبوت واحد محدد، عملت بشكل جيد عند إعطائها لنموذج روبوت آخر. وهذا يشير إلى أن الطريقة تتعلم حقيقة عالمية حول كيفية جعل ذاكرة الروبوت مفيدة، بدلاً من مجرد حفظ السمات الغريبة لروبوت معين.

ماذا يعني هذا للمستقبل

لا تدعي الورقة البحثية أنها حلت مشكلة الذاكرة طويلة المدى للروبوتات إلى الأبد. في الواقع، يوضح الباحثون بحذر أنه بينما يعد TRACE أفضل مما لدينا الآن، إلا أنه لا يزال غير مثالي. لا تزال هناك فجوة بين استخدام الملخص واستخدام التاريخ الأصلي الكامل. ومع ذلك، تعد هذه الدراسة خطوة كبيرة للأمام لأنها تغير طريقة تفكيرنا في المشكلة.

بدلاً من السؤال فقط: "هل يحتفظ هذا الملخص بالحقائق المهمة؟"، أصبحنا نعرف الآن أنه يجب علينا أيضًا السؤال: "هل يحتفظ هذا الملخص بإحساس الروبوت بمكانه الآن؟". من خلال التركيز على اللحظة التي يتم فيها إنشاء الملخص واختبار كيفية تأثيره على الخطوة التالية مباشرة، يوفر إطار عمل TRACE طريقة جديدة وأكثر موثوقية لمساعدة مساعدات الذكاء الاصطناعي لدينا على التعامل مع المغامرات الطويلة والمعقدة دون أن تضل طريقها. إنه تذكير بأنه بالنسبة للروبوت، تذكر ماذا حدث أمر مهم، ولكن تذكر أين هو في القصة هو ما يجعله يستمر في التقدم حقًا.