HaReCAP: Habitual-action Grounding for Recursive Large Language Model Agents
تُعد HaReCAP امتداداً منخفض التدخل لإطار عمل ReCAP، حيث تعمل على تقليل استهلاك الرموز (tokens) واستدعاءات النماذج اللغوية الكبيرة (LLMs) في المهام التجسيدية طويلة الأمد عبر تجميع قرارات الأوراق الناجحة والمتكررة في قواعد ردود فعل غير متصلة بالإنترنت لتجاوز المعالجة السياقية المتكررة للأفعال الروتينية.
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 روبوتًا مكلفًا بإعداد وجبة معقدة في مطبخ مزدحم. لا يمكنه ببساطة أن يُؤمر بـ "إعداد العشاء"؛ بل يجب عليه تفكيك ذلك الهدف إلى سلسلة طويلة من الخطوات الصغيرة: ابحث عن البصل، قطّع البصل، سخّن المقلاة، وهكذا. للقيام بذلك، تستخدم نماذج اللغات الكبيرة، التي تعمل كدماغ للروبوت، الذكاء الاصطناعي الحديث. هذه النماذج بارعة في التفكير والتخطيط، لكنها تواجه تحديًا محددًا عند التفاعل مع العالم المادي؛ إذ يجب عليها باستمرار ترجمة أفكارها عالية المستوى إلى أوامر دقيقة وصحيحة يمكن لبرمجيات الروبوت فهمها. إذا فكر الروبوت في "التقاط البصلة"، يجب على النظام تحويل ذلك إلى تعليمات دقيقة مثل "التقط البصلة1 من اللوح1 باستخدام الروبوت1". خطوة الترجمة هذه ضرورية في كل مرة يؤدي فيها الروبوت إجراءً أساسيًا.
لفترة طويلة، طور الباحثون طرقًا لمساعدة وكلاء الذكاء الاصطناعي هؤلاء على إدارة المهام الطويلة دون ارتباك أو نسيان أهدافهم. إحدى الطرق الناجحة، والمعروفة باسم التخطيط المتكرر (recursive planning)، تعمل مثل مدير يفوض المهام؛ حيث يقوم الذكاء الاصطناعي بتفكيك هدف كبير إلى أهداف فرعية أصغر، ويتولى تنفيذ الهدف الأول، ثم يعود إلى المدير لتحديث الخطة بناءً على ما حدث للتو. تسمح هذه الحلقة للذكاء الاصطناعي بالتعامل مع المهام المعقدة متعددة الخطوات في البيئات المتغيرة. ومع ذلك، فإن هذه العملية لها تكلفة خفية؛ ففي كل مرة يصل فيها الذكاء الاصطناعي إلى نهاية مهمة فرعية لأداء إجراء بسيط، يجب عليه أن يطلب من دماغه القوي ترجمة ذلك الفكر إلى أمر مرة أخرى. ورغم أن الفكرة بسيطة، إلا أن الدماغ يتعين عليه إعادة قراءة تاريخ المحادثة بأكمله والوضع الحالي لضمان صحة الأمر. هذا التكرار يخلق هدرًا كبيرًا في قدرة الحوسبة والوقت، خاصة للمهام التي تتطلب مئات الخطوات.
لقد حدد فريق من الباحثين هذا الترجمة المتكررة كأحد المصادر الرئيسية لعدم الكفاءة واقترحوا حلاً يسمى HaReCAP. يركز عملهم على "الميل الأخير" من العملية: اللحظة التي يقرر فيها الذكاء الاصطناعي إجراءً محددًا وذريًا. وبدلاً من طلب هذه الترجمة من نموذج اللغة الكبير في كل مرة، علم الباحثون النظام التعرف على الحالات التي تكون فيها المواقف مألوفة وآمنة بما يكفي لتجاوز التفكير العميق. لقد حللوا آلاف المحاولات الناجحة حيث أكمل الذكاء الاصطناعي المهام بشكل صحيح، ومن هذه النجاحات، استخرجوا مكتبة من القواعد البسيطة. هذه القواعد هي في الأساس اختصارات تقول: "عندما تكون المهمة هي التقاط جسم معين من مكان معين، وحين يكون الروبوت مسموحًا له بالقيام بذلك، فإن الإجراء هو دائمًا X".
يعمل النظام من خلال التحقق من هذه الاختصارات قبل طلب المساعدة من دماغ الذكاء الاصطناعي الرئيسي. عندما يصل الروبوت إلى مهمة فرعية في مستوى الأوراق (leaf-level)—وهي خطوة نهائية صغيرة في خطته—يبحث النظام أولاً ليرى ما إذا كانت هناك قاعدة في مكتبته تطابق الوضع الحالي. إذا كانت القاعدة تناسب الموقف تمامًا ولا يوجد غموض بشأن الإجراء الذي يجب اتخاذه، ينفذ النظام الإجراء فورًا دون استدعاء نموذج اللغة الكبير. وهذا ما يسمًا به الباحثون "تأصيل الفعل الاعتيادي" (habitual-action grounding). إنه يشبه كيف يمكن للإنسان أن يمد يده تلقائيًا لمقبض الباب دون الحاجة للتفكير بوعي في ميكانيكية تدويره، طالما أن الباب مفتوح. إذا كان الموقف جديدًا أو معقدًا، أو إذا لم تكن القاعدة تناسب الموقف تمامًا، يعود النظام بأمان إلى الطريقة الأصلية، حيث يطلب من نموذج اللغة الكبير التخطيط وترجمة الإجراء كالمعتاد. هذا يضمن أن الذكاء الاصطناعي لا يفقد أبدًا قدرته على التفكير عبر المشكلات الصعبة، ولكنه يتجنب الجهد غير الضروري لإعادة حل الخطوات الروتينية البسيطة.
اختبر الباحثون هذا النهج في بيئتين محاكاتين مختلفتين: مطبخ حيث يجب على روبوت إعداد الوجبات، وبيئة منزلية حيث يجب عليه تنظيم الأشياء. استخدموا نموذج لغة قويًا لتشغيل المهام وقارنوا أداء الطريقة القياسية مقابل نظام الاختصارات الجديد الخاص بهم. أظهرت النتائج أن نظام الاختصارات لم يغير معدل النجاح؛ فقد أكملت الروبوتات نفس عدد المهام كما في السابق. ومع ذلك، كانت مكاسب الكفاءة كبيرة. في بيئة المطبخ، قلل النظام من كمية البيانات التي تعين على الكمبيوتر معالجتها بنسبة 1 تقريبًا 15 بالمائة في المتوسط. وفي البيئة المنزلية، كان الانخفاض أعلى، حيث تجاوز 20 بالمائة. وهذا يعني أن وكلاء الذكاء الاصطناعي يمكنهم إكمال نفس عدد المهام الناجحة مع استخدام قدر أقل بكثير من قدرة الحوسبة والوقت.
الأمر الجوهري هو أن الباحثين وجدوا أن هذا التحسن لم يقتصر على نوع واحد من أدمغة الروبوتات أو مجموعة محددة من المهام. لقد اختبروا النظام مع نماذج مختلفة ذات أحجام متفاوتة وفي بيئات مختلفة، وظلت التوفيرات ثابتة. توضح الدراسة أن جزءًا كبيرًا من التكلفة في تشغيل هؤلاء الوكلاء المتقدمين للذكاء الاصطناعي لا يأتي من التخطيط المعقد نفسه، بل من الترجمة المتكرة والروتينية للأفكار البسيطة إلى أفعال. ومن خلال تلخيص هذه القرارات المتكررة في مكتبة صغيرة قابلة للتدقيق، أنشأ الباحثون طريقة منخفضة المخاطر وسهلة التكامل. يظل النظام قادرًا تمامًا على التعامل مع التغييرات غير المتوقعة والتفكير المعقد، لكنه لا يهدر الطاقة في إعادة اختراع العجلة لكل خطوة بسيطة. يقدم هذا النهج طريقة عملية لجعل وكلاء الذكاء الاصطناعي ذوي الأفق الطويل أسرع وأكثر كفاءة دون التضحية بموثوقيتهم أو ذكائهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.