تخيل عالماً حيث يتعين عليك إرسال رسالة، ولكن لديك مائة رسول مختلف متاحين. بعضهم سريع للغاية ولكنه يتقاضى ثروة طائلة، بينما البعض الآخر رخيص ولكن قد يُفقد الرسالة أو يخطئ في الكلمات. هذا هو الواقع اليومي لاستخدام النماذج اللغوية الكبيرة (LLMs)، وهي العقول الاصطناعية القوية التي تقف وراء روبوتات الدردشة والمساعدات الذكية. في الوقت الحالي، تحاول معظم الأنظمة حل هذه المشكلة من خلال وجود "مدير" واحد في المركز. ينظر هذا المدير إلى كل سؤال، ويخمن أي رسول هو الأفضل، ثم يرسله بعيداً. ولكن تكمن المشكلة هنا: المدير لا يعرف الرسل في الواقع بقدر ما يعرف الرسل أنفسهم، ومع نمو فريق الرسل، يصبح المدير مثقلاً بالمهام في محاولته لمتابعة الجميع. الأمر يشبه شرطي مرور يحاول توجيه كل سيارة في مدينة ضخمة دون أن يتحدث أبداً مع السائقين.

ولإصلاح ذلك، اقترح فريق من الباحثين فكرة مختلفة: بدلاً من أن يخمن المدير، دع الرسل يزايدون على الوظيفة، تماماً كما يحدث في السوق. ولكن هناك عقبة؛ فقد يكون الرسل واثقين من مهاراتهم أكثر من اللازم، كما أن طريقة تقييم المدير للعمل النهائي قد تكون غامضة أيضاً. تقدم هذه الورقة نظاماً جديداً ذكياً يسمى EA-RAM (آلية المزاد العكسي المدركة للخطأ) والذي يتعامل مع هذه الأخطاء. إنه يحول توجيه مهام الذكاء الاصطناعي إلى لعبة يلعب فيها الجميع بصدق، حتى عندما يكونون غير متأكدين تماماً من النتيجة. استخدم الباحثون الرياضيات لإثبات أن هذا النظام يعمل، وأجروا محاكاة حاسوبية لاختباره، وجربوه على معايير الذكاء الاصطناعي في العالم الحقيقي لإظهار أنه يوفر المال ويحقق نتائج أفضل من طريقة "المدير" القديمة.

المشكلة: المدير المرهق ولعبة التخمين

في عالم الذكاء الاصطناعي الحالي، عندما تطرح سؤالاً، يجب على نظام مركزي أن يقرر أي من نماذج الذكاء الاصطناعي المتاحة يجب أن يجيب. تسمى هذه العملية "التوجيه" (Routing). الهدف بسيط: الحصول على أفضل إجابة بأقل سعر. ومع ذلك، فإن الطريقة الحالية معطلة نوعاً ما. يحاول النظام المركزي ("مركز المهام") التنبؤ بمدى جودة أداء كل نموذج قبل أن تبدأ المهمة حتى.

فكر في الأمر كمعلم يحاول تقييم مقال طالب قبل أن يكتب الطالب كلمة واحدة حتى. يتعين على المعلم تخمين قدرة الطالب بناءً على ملف قرأه، لكن الطالب (نموذج الذكاء الاصطناعي) يعرف في الواقع نقاط قوته وضعفه بشكل أفضل. وهذا يخلق عدم تطابق: الشخص الذي يدفع الفاتورة (مركز المهام) يتحمل مخاطرة الإجابة السيئة، لكنه يمتلك أقل قدر من المعلومات. في المقليل، تمتلك النماذج ("المزودون") كل المعلومات الداخلية ولكنهم ليسوا جزءاً من عملية صنع القرار.

ومع إنشاء المزيد من نماذج الذكاء الاصطناعي، يصبح هذا النظام المركزي أبطأ فأبطأ. يتعين عليه التعرف على كل نموذج جديد بشكل فردي، وهو أمر يشبه شرطي مرور يحاول حفظ عادات القيادة لكل سيارة جديدة تخرج من خط التجميع. إنه أمر غير فعال، ومكلف، ولا يتوسع بشكل جيد.

الحل: سوق للمزايدات

يقترح المؤلفون قلب السيناريو. بدلاً من أن يخمن المدير، يحولون العملية إلى مزاد عكسي. تخيل إعلاناً عن وظيفة حيث يقول صاحب العمل: "لدي مهمة قيمتها 20 دولاراً". وبدلاً من أن يختار صاحب العمل عاملاً، يرفع العمال (نماذج الذكاء الاصطناعي) أيديهم ويقولون: "يمكنني القيام بها مقابل 5 دولارات بنسبة نجاح 90%"، أو "يمكنني القيام بها مقابل دولارين بنسبة نجاح 70%".

بعد ذلك، يختار صاحب العمل العامل الذي يقدم أفضل صفقة (أعلى "فائض"). ولكن الجزء العبقري في النظام الجديد هو أن المؤلفين أدركوا أن كلا من العمال وصاحب العمل يرتكبون أخطاء.

1. خطأ العامل: قد يعتقد النموذج: "أنا بارع في الرياضيات!"، لكنه في الواقع مجرد تخمين. هذا هو "خطأ التنبؤ".
2. خطأ صاحب العمل: قد ينظر صاحب العمل إلى الإجابة النهائية ويعتقد: "تبدو مثالية"، بينما هي في الواقع تحتوي على خطأ خفي. هذا هو "خطأ التقييم".

تسمي الورقة هذا بـ الخطأ المزدوج (Dual Error). معظم الأنظمة القديمة تعامل هذه الأخطاء كما لو كانت غير موجودة، مما يؤدي إلى قرارات سيئة. أما النظام الجديد، EA-ភាព-RAM، فقد صُمم خصيصاً للتعامل مع هذه الأخطاء. فهو يفترض أن الجميع غير دقيقين قليلاً، ويصمم القواعد بحيث تحدث أفضل نتيجة حتى مع وجود هذا التشويش.

كيف تعمل الخدعة السحرية

تستخدم الآلية نظام تسجيل ذكي. عندما يقدم النموذج عرضاً، فإنه لا يذكر سعراً فحسب؛ بل يحسب درجة بناءً على مدى احتمالية نجاحه وتكلفته.

• العرض (The Bid): يقول النموذج: "درجتي هي 15 دولاراً".
• الاختيار (The Selection): يختار النظام أعلى درجة.
• الدفع (The Payment): هذا هو الجزء المعقد. لا يحصل الفائز على ما طلبه بالضبط؛ بل يتم الدفع له بناءً على ثاني أفضل درجة، بالإضافة إلى مكافأة إذا أكد الفحص النهائي لصاحب العمل أن الإجابة كانت جيدة.

هذا الهيكل يشجع على الصدق. إذا كذب النموذج وقال: "أنا مثالي بنسبة 100%!" بينما هو متأكد بنسبة 50% فقط، فقد يفوز بالوظيفة ولكنه سيُعاقب لاحقاً عندما يكشف فحص صاحب العمل "المشوش" عن الخطأ. الرياضيات في الورقة تثبت أنه بموجب هذه القواعد، فإن أذكى خطوة لكل نموذج هي قول الحقيقة بشأن ثقته وتكاليفه، حتى لو كان غير متأكد تماماً.

ما وجده الباحثون

لم يكتف الفريق بمجرد الحلم بهذا، بل اختبروه بصرامة.

1. يتعامل مع الأخطاء باحترافية
في عمليات المحاكاة الحاسوبية، أدخلوا "ضجيجاً" لمحاكاة الارتباك في العالم الحقيقي. جعلوا تنبؤات النماذج مهتزة وتقييم صاحب العمل غامضاً. أظهرت النتائج أن الأنظمة القديمة (التي تتجاهل الأخطاء) انهارت وفشلت، وفقدت الكثير من القيمة. في المقابل، ظل نظام EA-RAM ثابتاً. لم يكن مثالياً، لكنه تراجع تدريجياً وبشكل منظم، مما يعني أنه استمر في العمل بشكل جيد حتى عندما أصبحت الأمور فوضوية.

2. يتفوق على المدير المركزي
عندما اختبروا هذا على معايير حقيقية (باستخدام نماذج ذكاء اصطناعي فعلية لحل مسائل الرياضيات والبرمجة والاستدلال)، وجد EA-RAM توازناً أفضل بين التكلفة والجودة.

• في اختبار الرياضيات المسمى GSM8k، حسن النظام الجديد درجة الجودة إلى 0.731 (مع إعدادات محددة)، مقارنة بـ 0.645 لأفضل طريقة أخرى.
• في اختبار البرمجة المسمى MBPP، وصل إلى 0.849، متفوقاً على أفضل نتيجة سابقة وهي 0.774.
• وجد الباحثون أنه إذا تمكنت النماذج من مشاركة القليل من معرفتها المحلية (مثل "تلميح" حول الإجابة)، فإن النظام يصبح أفضل، مما يرفع درجات الجودة بشكل أكبر.

3. يتوسع دون أن ينكسر
أحد أكبر الانتصارات هو السرعة. مع إضافة المزيد من النماذج إلى المزيج (من 3 إلى 11)، أصبح النظام المركزي القديم أبطأ فأبطأ لأنه كان عليه إعادة تقييم كل نموذج. أما نظام المزاد الجديد؟ فقد ظلت سرعته ثابتة تقريباً. لم يضطر "المدير" للقيام بمزيد من الواجبات المنزلية؛ بل قام فقط بإجراء المزاد. التكلفة الوحيدة كانت قدراً ضئيلاً من التواصل الإضافي لإرسال العروض ذهاباً وإياباً، وهو أمر لا يُذكر مقارنة بالوقت الذي تم توفيره.

لماذا هذا مهم

تشير الورقة إلى أننا لسنا بحاجة إلى عقل مركزي فائق الذكاء وكلي المعرفة لإدارة نماذج الذكاء الاصطناعي. بدلاً من ذلك، يمكننا بناء سوق عادل حيث تتنافس النماذج، وتكون القواعد مصممة للتعامل مع حقيقة أن لا أحد كامل. من خلال الاعتراف بأن التنبؤات والتقييمات غالباً ما تكون "مشوشة" (غير مؤكدة)، يصبح النظام في الواقع أكثر قوة.

لقد أثبت الباحثون رياضياً أن هذا النظام عادل (لن تخسر النماذج المال بسبب اللعب)، وصادق (النماذج تكون في وضع أفضل إذا قالت الحقيقة)، وفعال (يحصل على أفضل النتائج مقابل المال). وبينما تعتمد الورقة بشكل كبير على المحاكاة والمعايير بدلاً من النشر العالمي المباشر، فإن النتائج قوية بما يكفي للإشارة إلى أن هذا النهج "القائم على المزاد" يمكن أن يكون مستقبل كيفية إدارة النظام البيئي المتنامي والفوضوي لنماذج الذكاء الاصطناعي. إنه يحول لعبة التخمين إلى سوق منظم وموثوق.