ELMER: Evolutionary Language Model that Explores and Refines
تقدم الورقة البحثية نموذج ELMER، وهو نموذج لغوي تطوري يستخدم نموذج Qwen3-8B الذي تم ضبطه بدقة باستخدام التحسين المباشر للتفضيلات (Direct Preference Optimization) لتوجيه طفرات السياسة باللغة الطبيعية حسب القوة، مما يثبت أن التمثيلات القائمة على اللغة توفر معايرة سلوكية وكفاءة بحث متفوقة مقارنة بمقاييس التحرير النحوية التقليدية في تطور البرامج.
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 لعب لعبة فيديو، ولكن بدلاً من إعطائه عصا تحكم، يتعين عليك كتابة مجموعة جديدة من القواعد له في كل مرة يرتكب فيها خطأً. هذا هو عالم التطور البرمجي، وهو مجال يستخدم فيه العلماء أجهزة الكمبيوتر لـ "تربية" برمجيات أفضل عبر إجراء تغييرات طفيفة، واختبارها، والاحتفاظ بالفائزين. لفترة طويلة، كانت هذه العملية تشبه إلى حد ما رمي السهام في الظلام؛ حيث كان بإمكان العلماء معرفة ما إذا كانت النسخة الجديدة من الكود أفضل أو أسوأ، لكن لم تكن لديهم طريقة للتحكم في مقدار التغيير. فتعديل طفيف لكلمة واحدة في الكود قد يحول بالخطأ روبوتاً يمشي بهدوء إلى كتلة فوضوية محطمة، بينما قد يترك إعادة كتابة شاملة الروبوت يفعل الشيء نفسه تماماً. السؤال الكبير الذي طرحه الباحثون هو: هل يمكننا بناء نظام لا يفهم فقط ماذا يغير، بل وأيضاً إلى أي مدى يحرك سلوك الروبوت، حتى نتمكن من توجيهه بدقة نحو الهدف؟
هنا يأتي دور ورقة البحث "ELMER: النموذج اللغوي التطوري الذي يستكشف ويصقل". فقد بنى الباحثون، ماثيو سيبر، وأحمد خليفة، وجوليان توجيليوس، نظاماً ذكياً جديداً يستخدم نموذج لغة كبيراً (ذكاء اصطناعي فائق الذكاء يفهم اللغة البشرية) ليعمل كـ "عامل طفرة". وبدلاً من تعديل كود الكمبيوتر بشكل عشوائي، يقوم الذكاء الاصطناعي بتعديل وصف باللغة الطبيعية لاستراتيجية تداول — مثل وصفة لشراء وبيع الأسهم. تم تدريب الذكاء الاصطناعي على فهم ثلاث مهام محددة: ترجمة الوصفة إلى كود، وترجمة الكود عائداً إلى وصفة، والأهم من ذلك، تعديل الوصفة بناءً على أمر "القوة". إذا أخبرت الذكاء الاصطناعي بإجراء تغيير "منخفض القوة"، فسيقوم بتعديل الوصفة قليلاً. وإذا قلت "قوة عالية"، فسيقوم بإعادة كتابتها بالكامل.
اختبر الفريق ذلك في مجال التداول المالي، باستخدام بيانات السوق التاريخية لمعرفة مدى أداء الاستراتيجيات الجديدة. ووجدوا أنه من خلال تدريب الذكاء الاصطناعي على الانتباه إلى مقدار تغير أفعال الروبوت الفعلية ("الإزاحة السلوكية")، استطاعوا جعل أوامر "القوة" تعمل بفعالية. فعندما طلبوا تغييراً صغيراً، قام الذكاء الاصطناعي بتغيير صغير عادةً؛ وعندما طلبوا تغييراً كبيراً، قام بتغيير كبير. وهذا أمر بالغ الأهمية لأنه يحول عملية التطور البرمجي الفوضوية إلى شيء يشبه توجيه السيارة. وتظهر الورقة البحثية أن استخدام الأوصاف باللغة الطبيعية يساعد الذكاء الاصطناعي على القيام بتحركات أكثر ذكاءً وتحكماً مقارنة بمجرد تعديل الكود الخام مباشرة. وفي اختباراتهم، وجد النظام القائم على اللغة أفضل استراتيجية تداول من بين جميع الطرق التي جربوها، وفعل ذلك بكفاءة أكبر، حيث وصل إلى نتائج جيدة بعد محاولات أقل. ورغم أن النظام ليس مثالياً ولا يزال يتسم ببعض العشوائية، إلا أن النتائج تشير إلى أن تعليم الذكاء الاصطناعي "التحدث" عن تغييراته باللغة البشرية يمنحنا طريقة أفضل بكثير لتوجيهه عبر الفضاء الشاسع للبرامج الحاسوبية المحتملة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.