← أحدث الأبحاث
🤖 AI

The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows

تقدم الورقة البحثية ReASearch، وهو إطار عمل موحد حيث يقوم وكيل واحد مدفوع بالاستدلال بإدارة عملية التحسين بأكملها ذاتياً للمطالبات والبرامج وسير عمل تعلم الآلة، مما يستوعب بفعالية سياسات بحث معقدة ويتفوق على الأنظمة المتخصصة عبر مهام متنوعة.

المؤلفون الأصليون: Junbo Li, Boyi Liu, Canwen Xu, Yite Wang, Yuxiong He, Zhangyang Wang, Qiang Liu, Zhewei Yao

نُشر 2026-08-10
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Junbo Li, Boyi Liu, Canwen Xu, Yite Wang, Yuxiong He, Zhangyang Wang, Qiang Liu, Zhewei Yao

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 تعليم روبوت حل لغز، أو كتابة قصيدة، أو تدريب شخصية في لعبة فيديو. في عالم الذكاء الاصطناعي، يُطلق على هذا اسم "التحسين" (Optimization). عادةً ما يلعب البشر دور المدربين الصارمين على خط التماس؛ حيث يضعون خطة لعب جامدة: "جرب هذا، ثم جرب ذاك، وإذا فشل، فعد وجرب شيئاً آخر". الروبوت (النموذج اللغوي الكبير) هو مجرد لاعب، يتبع الأوامر بعمى لإجراء تغييرات صغيرة بينما يقرر المدرب البشري الاستراتيجية الكبرى. ولكن ماذا لو استطاع الروبوت أن يكون المدرب أيضاً؟ ماذا لو استطاع النظر إلى لوحة النتائج، ومعرفة لماذا خسر، وتقرير تغيير قواعد اللعبة، أو حتى إدراك أنه عالق ويحتاج إلى نهج جديد تماماً—بمفرده؟ يستكشف هذا البحث هذا السؤال تحديداً: هل يمكن لوكيل ذكاء اصطناعي واحد وذكي أن يتعلم إدارة بحثه الخاص عن أفضل حل، دون وجود نص مكتوب من قبل بشر يملي عليه كيفية التفكير؟

يقدم الباحثون وراء هذه الدراسة، المنشورة في مؤتمر COLM 2026، نظاماً جديداً يسمى ReASearch. فكر في الأمر كأنك تمنح الروبوت سكيناً سويسرياً متعدد الاستخدامات بدلاً من مجرد مطرقة. في الماضي، كانت أدوات التحسين في الذكاء الاصطناعي تشبه خط تجميع في مصنع ذي حزام ناقل ثابت: خوارزمية صممها البشر تقرر أي حل مرشح يجب اختباره تالياً، وكم من الوقت يجب قضاؤه، ومتى يستسلم. كان عمل الذكاء الاصطناعي الوحيد هو الهمس بتعديل صغير على الحل الحالي. لكن ReASearch يقلب السيناريو؛ فهو يمنح وكيل الذكاء الاصطناعي مجموعة من الأدوات—مثل مفسر لغة بايثون (Python interpreter) لتشغيل الأكواد، وملف ذاكرة لتذكر الأخطاء الماضية، والقدرة على إجراء التجارب—ثم يتركه يقرر كل شيء. يسأل الوكيل نفسه: "هل يجب أن أختبر هذه الفكرة على عينة صغيرة أولاً؟ هل ارتكبت الخطأ ذاته مرتين؟ هل يجب أن أتخلص من خطتي الحالية وأعود إلى خطة أفضل جربتها سابقاً؟". الوكيل لا يخمن فحسب؛ بل يستنتج من خلال العملية، ويبني استراتيجية أثناء تقدمه.

اختبر الفريق هذا الوكيل "ذاتي التدريب" في 14 تحدياً مختلفاً، تراوحت من تعديل النصوص التوجيهية (prompts) لجعلها أكثر ذكاءً، إلى تطوير برامج حاسوبية لحل ألغاز رياضية، وحتى تحسين سير عمل تدريب تعلم الآلة. كانت النتائج قوية بشكل مفاجئ. في حالات عديدة، تفوق ReASearch على الأنظمة المتخصصة التي بناها خبراء بشريون بقواعد محددة ومبرمجة مسبقاً. على سبيل المثال، في مهمة تسمى "تعبئة الدوائر" (Circle Packing) (أي وضع الدوائر داخل مربع بأكبر قدر ممكن من الإحكام)، اكتشف الوكيل حلولاً أفضل من أفضل النتائج التي توصل إليها البشر سابقاً. وفي مهام أخرى، حسن الأداء بنسبة تترا-وح من 2% إلى 40% ضخمة.

إن الأمر المثير للدهشة حقاً هو كيف فعل الوكيل ذلك. فقد وجد الباحثون أن الوكيل بدأ يتصرف بشكل طبيعي كعالم متمرس أو لاعب شطرنج بارع، رغم أنه لم يُطلب منه ذلك. بدأ في "التحقق المزدوج" من الأفكار الواعدة قبل الالتزام بها. وتعلم "العودة" إلى نسخ سابقة وأكثر أماناً من الحل عندما يؤدي مسار جديد إلى طريق مسدود. وبدأ في الاحتفاظ بـ "سجل الدروس المستفادة" لتجنب تكرار نفس الأخطاء. والأكثر إثارة للإعجاب، هو أنه أدرك أنه في بعض الأحيان تحتاج إلى دمج تقنيتين مختلفتين لحل مشكلة ما، وهو اكتشاف يتطلب عادةً بصيرة بشرية عميقة. تشير الورقة البحثية إلى أنه عندما تمنح الذكاء الاصطناعي الأدوات المناسبة وتتركه يستنتج من خلال العملية، يمكنه استيعاب استراتيجيات بحث معقدة كنا نعتقد سابقاً أنها تتطلب خوارزمية مصممة بشرياً لإدارتها. اتضح أن المحسن (optimizer) ليس بالضرورة متحكماً منفصلاً وجامداً؛ بل يمكن للمحسن أن يكون هو نفسه الوكيل.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →