The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search

في المشهد الرقمي الحديث، تطورت محركات البحث من مجرد مكتبات للوثائق إلى شركاء حواريين يقومون بتلخيص الإجابات. ويعتمد هذا التحول على تقنية تسمى "التوليد المعزز بالاسترجاع" (Retrieval-Augmented Generation)، حيث يقوم نظام حاسوبي أولاً بالعثور على الوثائق ذات الصلة من قاعدة بيانات ضخمة، ثم يغذي بها نموذج لغة كبير لبناء استجابة. لسنوات، كان الافتراض السائد هو أن أفضل طريقة لمساعدة الحاسوب على الإجابة عن سؤال معقد هي تزويده بأكبر قدر ممكن من المعلومات دفعة واحدة. بدا المنطق سديداً: إذا كان الإنسان يحتاج لفهم موضوع ما، فإنه يقرأ صفحات عديدة؛ وبالتالي، إذا كان على الآلة أن تجيب، فعليها قراءة كتلة ضخمة من النصوص دفعة واحدة. ومع ذلك، يفترض هذا النهج أن الآلة تعالج المعلومات تماماً مثل البشر، متجاهلاً عيباً جوهرياً في كيفية عمل هذه العقول الاصطناعية في الواقع. فعندما يكون السؤال غامضاً أو يتطلب نطاقاً واسعاً من الحقائق، فإن مجرد إلقاء كمية هائلة من النصوص في "عقل" الآلة غالباً ما يؤدي إلى الارتباك، مما يتسبب في فقدانها لتفاصيل مهمة أو تكرار نفسها. وأصبح السؤال الذي يواجه الباحثين هو: هل من الأفضل إعطاء الآلة جرعة واحدة ضخمة من المعلومات، أم تقسيم نفس القدر من المعلومات إلى جرعات أصغر ومركزة يتم تقديمها عبر عدة جولات؟

وضع فريق من الباحثين في جامعة بكين وتنسنت (Tencent) هدفهم لحل هذا اللغز، لكنهم أدركوا أولاً أنهم يعملون بمسطرة مكسورة. فلفهم كيفية استخدام الآلة للمعلومات التي تُعطى لها، كانوا بحاجة إلى وسيلة لقياس أي أجزاء من النص اعتمدت عليها الآلة بالفعل لتكوين إجابتها. كانت الطرق القياسية المستخدمة في الصناعة تشبه تقييم مقال طالب بناءً على عدد الكلمات التي يتشاركها مع المصدر؛ وقد فشلت هذه الطرق فشلاً ذريعاً عندما يحتوي المصدر على العديد من الحقائق المتشابهة في النطق ولكنها غير ذات صلة. طور الباحثون أداة جديدة أكثر دقة تعمل كـ "مسبار تشخيصي". فبدلاً من النظر فقط إلى الإجابة النهائية، قاموا باختبار الآلة عن طريق إزالة قطعة واحدة من المعلومات بهدوء في كل مرة من مدخلاتها ومراقبة ما إذا كانت الإجابة ستتغير. إذا أدت إزالة جملة معينة إلى تغيير الإجابة، فقد عرفوا أن تلك المعلومة كانت أساسية حقاً. وباستخدام هذا المنهج الصارم، اكتشفوا وهماً واسع الانتشار في هذا المجال: لقد خدعت الدراسات السابقة حالات اختبار سهلة حيث بدت الآلة وكأنها تفهم كل شيء، ولكن عندما واجهت سيناريوهات صعبة وواقعية، انهارت أدوات القياس القديمة تلك، وفشلت في التمييز بين ما استخدمته الآلة فعلياً وما تجاهلته فحسب.

ومع امتلاك وسيلة موثوقة لقياس الانتباه، توجه الباحثون إلى السؤال الجوهري حول كيفية تخصيص موارد الحوسبة المحدودة للآلة. أجروا سلسلة هائلة من التجارب حيث أخذوا مجموعة ثابتة من الوثائق ووزعوها بطريقتين مختلفتين. في سيناريو واحد، قدموا جميع الوثائق للآلة في "مطالبة" (prompt) واحدة واسعة، آملين أن تستوعب كل شيء دفعة واحدة. وفي السيناريو الآخر، أعطوا الآلة نفس العدد الإجمالي من الوثائق بالضبط، ولكن وزعوها على العديد من التفاعلات الأصغر والمنفصلة. كانت النتائج صارخة ومناقضة للتوقعات. فقد اصطدمت استراتيجية تقديم كمية هائلة من النصوص دفعة واحدة بسقف صلب؛ إذ تضاءلت قدرة الآلة على التركيز على أي قطعة من الأدلة كلما زاد حجم التراكم، مما تركها غارقة وغير قادرة على استرجاع الصورة الكاملة. في المقابل، سمح نهج تقسيم المعلومات إلى جولات متتالية وأصغر للآلة بتغطية مساحة أكبر بكثير. فمن خلال المرور عبر الأدلة في دفعات مركزة، حقق النظام تحسناً دراماتيكياً في قدرته على استرجاع الحقائق، حيث اكتسب ما بين 16.8 و20.5 نقطة مئوية في التغطية مقارنة بطريقة المرور الواحد. وقد ظل هذا المكسب قائماً حتى عندما اختبروا النظام على نماذج أقوى وأكبر بكثير، مما أثبت أن القصور لم يكن في قوة الحوسبة، بل في خلل جوهري في استراتيجية محاولة معالجة كل شيء في وقت واحد.

بعد ذلك، بنى الباحثون بنية نظام جديدة لوضع هذه النتائج موضع التنفيذ، مبتعدين عن أسلوب "الحلقة المفتوحة" القديم حيث تُعطى الآلة قائمة وتُترك لتتدبر أمرها. يعمل نظامهم الجديد كـ "حلقة مغلقة"، حيث يتحقق باستمرار من عمله الخاص. فبعد أن تولد الآلة استجابة، يستخدم النظام مسبارهم التشخيصي لمعرفة أي الحقائق تم استخدامها وأيها تم تجاهلها. ثم يستخدم هذا التغذية الراجعة لتقرير ما سيُعرض للآلة تالياً، مما يوجهها بنشاط بعيداً عن المعلومات التي عالجتها بالفعل ونحو الحقائق الجديدة غير المستكشفة. ولضمان عدم تعثر الآلة في تكرار ما تعرفه بالفعل، أضافوا آلية تدفع انتباه الآلة بلطف نحو الأدلة الجديدة، مما يتجاوز ميلها الطبيعي للتمسك بالأنماط المألوفة. سمح هذا الجمع بين الجدولة الذكية والتوجيه النشط للنظام بالتفوق على كل الطرق الأخرى التي اختبروها، بما في ذلك تلك التي اعتمدت على صيغ رياضية معقدة لتنويع المدخلات. أثبت النظام أنه من خلال الاستثمار المتعمد لمزيد من الوقت وقوة الحوسبة في عملية خطوة بخطوة، بدلاً من محاولة تقديم إجابة واحدة ضخمة متسرعة، يمكن للآلات تحقيق مستوى من الفهم الشامل كان يُعتقد سابقاً أنه مستحيل.

في نهاية المطاف، يعيد هذا العمل تعريف كيفية تفكيرنا في البحث بالذكاء الاصطناعي. فهو يوضح أن الطريق نحو إجابات أفضل لا يكمن بالضرورة في جعل النماذج أكبر أو تغذيتها بمزيد من النصوص دفعة واحدة، بل في تغيير إيقاع استهلاكها للمعلومات. لقد أثبت الباحثون أنه بالنسبة للمهام المعقدة، فإن الاستراتيجية الأكثر فعالية هي الاستثمار في عملية تكرارية أبطأ حيث يتم توجيه الآلة لاستكشاف الأدلة في قطع صغيرة يمكن إدارتها. يحول هذا النهج عملية البحث من مجرد سكب ثابت للبيانات إلى محادثة ديناميكية مدفوعة بالتغذية الراجعة، مما يضمن أن تبني الآلة صورة كاملة ودقيقة للحقيقة، خطوة مركزة تلو الأخرى.