تخيل محادثة تمتد لشهور أو سنوات، حيث يطرح شخص أسئلة حول أحداث وقعت منذ زمن بعيد، أو يربط بين حقائق متفرقة عبر عشرات التفاعلات السابقة. إن تتبع هذا التاريخ الهائل مهمة جسيمة لبرنامج حاسوبي مصمم ليكون مساعداً مفيداً. هذه البرامج، التي تُسمى غالباً "الوكلاء" (agents)، تخزن تفاعلاتها الماضية في مكتبة خارجية من الذكريات. ومع ذلك، فإن امتلاك مكتبة لا يعني بالضرورة معرفة كيفية العثور على الكتاب المناسب. فعندما يصل سؤال جديد، يجب على النظام أن يبحث بسرعة عبر آلاف الذكريات المخزنة ليجد القليل منها المفيد بالفعل. تقليدياً، يستخدم النظام بحثاً سريعاً وواسع النطاق يعتمد على تشابه الكلمات، وإذا احتاج إلى دقة أكبر، فإنه يسأل نموذج لغة قوياً لقراءة السؤال والذكريات المرشحة للحكم على مدى صلتها بالموضوع. ولكن هنا تكمن عدم كفاءة محبطة: في كل مرة يُطرح فيها سؤال جديد، يبدأ النظام من الصفر. إنه ينسى الدروس التي تعلمها من المرة الأخيرة التي بحث فيها، ويتخلص من الدرجات التي حسبها والأنماط التي لاحظها، كما لو كان طالباً يدرس لاختبار ما، ثم ينسى كل شيء فور انتهائه، ثم يتعين عليه إعادة تعلم المادة نفسها للاختبار التالي.

اقترح باحثون في الجامعة الصينية في هونغ كونغ - شنتشن، طريقة لكسر دورة النسيان هذه. فقد قدموا إطار عمل جديداً يسمى EARM، وهو اختصار لـ "إعادة التصنيف المعتمدة على الخبرة للذاكرة" (Experience-Amortized Reranking for Memory). الفكرة الجوهرية بسيطة وعميقة في آن واحد: لا ينبغي للنظام أن يتذكر محتوى المحادثات الماضية فحسب، بل يجب أن يتذكر أيضاً كيف وجد المعلومات بنجاح في الماضي. وبدلاً من معاملة الحكم على الصلة كتكلفة تحدث لمرة واحدة، صمم الباحثون نظاماً يعامل هذه الأحكام كشكل من أشكال الخبرة التي تتراكم على مدار حياة الوكيل. ومن خلال الاحتفاظ بسجل لما كانت عليه الذكريات المفيدة ولأي أنواع من الأسئلة، يتعلم النظام خريطة لذاكرته الخاصة. وتسمح هذه الخريطة للنظام بالتنبؤ بمدى صلة الذكريات الجديدة دون الحاجة إلى مطالبة نموذج اللغة القوي بقراءة كل واحدة منها.

في تجاربهم، اختبر الباحثون هذا النهج على مجموعة بيانات تحتوي على محادثات طويلة تتضمن أسئلة معقدة تتطلب من الوكيل ربط معلومات من أوقات مختلفة. وقارنوا طريقتهم الجديدة بمنهجين قياسيين: نظام أساسي يعتمد فقط على تشابه الكلمات، ونظام أكثر قوة يطلب من نموذج اللغة تقييم كل ذاكرة مرشحة. وأظهرت النتائج أن طريقتهم الجديدة، التي تستخدم مزيجاً من التقييم المباشر والتنبؤات المتعلمة، تفوقت بشكل كبير على النظام الأساسي. فقد حسنت دقة الإجابات بنسبة تصل إلى 6.62 بالمئة، وهي زيادة كبيرة في مجال يصعب فيه تحقيق تحسينات صغيرة. ولعل الأهم من ذلك، أن النظام ظل فعالاً للغاية حتى عندما سُمح له بتقييم جزء ضئيل فقط من المرشحين مباشرة - وتحديداً 17.5 بالمئة فقط. في هذا الإعداد الشحيح، استخدم النظام خبرته المتراكمة لملء الفجوات، مقدراً مدى صلة الذكريات المتبقية بناءً على الأنماط التي تعلمها من التفاعلات السابقة.

تعتمد الآلية وراء هذا النجاح على فكرة أن "الصلة بالموضوع" ليست عشوائية. فبعض الذكريات تميل لأن تكون مفيدة لأنواع معينة من الأسئلة، وبعض الأسئلة تميل إلى إثارة أنماط متشابهة من الصلة عبر ذكريات مختلفة. بنى الباحثون نظاماً يسجل هذه الروابط بطريقة منظمة. فعندما يصل سؤال جديد، يختار النظام عينة صغيرة واستراتيجية من الذكريات ليقوم نموذج اللغة بتقييمها مباشرة. بعد ذلك، يستخدم سجل الدرجات السابقة لتقدير صلة بقية الذكريات. هذه العملية تشبه كيف يمكن لأمين مكتبة خبير أن يعرف أن زائراً يسأل عن حدث تاريخي معين سيحتاج على الأرجح إلى مجموعة معينة من الوثائق، حتى لو لم يذكر الزائر تلك الوثائق بعد. النظام لا يخمن بعشوائية؛ بل يستخدم "خبرة" عمليات الاسترجاع الماضية لتوجيه بحثه، مما يجعله يتعلم بفعالية كيفية الوصول إلى قاعدة معرفته الخاصة.

كانت إحدى النتائج الأكثر لفتاً للنظر هي أن النظام استطاع استعادة معظم فوائد البحث الشامل والكامل باستخدام ربع الجهد الحسابي فقط. وبحلول الوقت الذي عالج فيه النظام عدداً كافياً من الأسئلة لبناء تاريخ قوي، أصبح بإمكانه اتخاذ قرارات عالية الدقة بمدخلات جديدة قليلة جداً. وجد الباحثون أن الذكريات التي تم اختيارها من خلال هذه التقديرات المتعلمة لم تكن مجرد حشو؛ بل أضافت قيمة ملموسة، حيث حسنت جودة الإجابة النهائية بنسبة إضافية تتراوح بين 0.78 و2.79 بالمئة عما قدمته الذكريات التي تم تقييمها مباشرة بمفردها. يشير هذا إلى أن النظام كان ينجح في تحديد المعلومات المفيدة التي فاتها البحث السريع الأولي، ببساطة من خلال التعرف على البنية الكامنة في ذاكرته.

كما سلطت الدراسة الضوء على تحول في كيفية تفكيرنا في ذاكرة الذكاء الاصطناعي. تقليدياً، كان التركيز ينصب على تخزين المزيد من المعلومات أو تمثيلها بشكل أفضل. لكن هذا العمل يشير إلى أن الوكيل الذي يعيش لفترة طويلة حقاً يجب أن يتعلم أيضاً كيفية استرجاع تلك المعلومات بكفاءة. يجادل الباحثون بأن الوكيل لا ينبغي أن يراكم المحتوى فحسب، بل يجب أن يراكم أيضاً الخبرة حول مدى فائدة هذا المحتوى. ومن خلال معاملة درجات الاسترجاع كحالة مستمرة بدلاً من كونها ناتجاً ثانوياً قابلاً للتخلص منه، يحول النظام عملية البحث من تكلفة متكررة إلى قدرة متعلمة. يسمح هذا النهج للوكيل بأن يصبح أكثر ذكاءً بمرور الوقت، ليس فقط من خلال معرفة المزيد، بل من خلال تحسين قدرته على العث find ما يعرفه بالفعل.

يقر الباحثون بأن هذه الطريقة تعتمد على شروط معينة لتعمل بفعالية. فهي تفترض أن الأسئلة المطروحة بمرور الوقت تشترك في بعض الموضوعات أو الهياكل، وأن الذكريات نفسها تظل مستقرة. إذا كانت كل الأسئلة غير مرتبطة بالتي سبقتها تماماً، أو إذا تغير معنى الذكريات المخزنة بسرعة، فسيواجه النظام صعوبة في العثور على أنماط للتعلم منها. ومع ذلك، في سياق المحادثات طويلة الأمد حيث يعود المستخدمون غالباً إلى موضوعات مماثلة أو يبنون على أفكار سابقة، أثبتت الطريقة قوتها. لقد تمكن النظام من الحفاظ على ميزته حتى مع انخفاض عدد التقييمات المباشرة، مما أظهر أن الخبرة المتراكمة كانت دليلاً موثوقاً.

في نهاية المطاف، تقدم هذه الأبحاث منظوراً جديداً لكفاءة الذكاء الاصطناعي. فهي تثبت أن تكلفة جعل النظام أكثر ذكاءً لا يجب أن تنمو خطياً مع كمية المعلومات التي يحتفظ بها. ومن خلال السماح للنظام بتذكر تاريخ بحثه، أظهر الباحثون أنه من الممكن بناء وكلاء يتميزون بالمعرفة والكفاءة معاً. لا يحتاج النظام إلى إعادة تقييم كل شيء من الصفر في كل مرة؛ بل يمكنه الوقوف على أكتاف قراراته الماضية. يقرب هذا النهج المجال من إنشاء وكلاء يمكنهم العمل حقاً على فترات طويلة، والتكيف وتحسين سلوكهم أثناء تفاعلهم مع العالم، تماماً مثل الإنسان الذي لا يتعلم فقط من تجاربه، بل من كيفية تنقله في تاريخه الخاص.