Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner
تقدم هذه الورقة البحثية DG-Mem، وهو إطار عمل ذاكرة وكيلية ثنائية الحبيبات وغير معلمية مستوحاة من أنظمة التعلم المتكاملة، تعمل على تعزيز الاستدلال العلمي والرياضي للنماذج اللغوية الكبيرة متعددة الوسائط المجمدة من خلال مصنف مفاهيم عبر الإنترنت وعزو سياقي قائم على قيمة شابلي، محققةً تحسينات متسقة عبر مقاييس متنوعة دون الحاجة إلى تحديثات التدرج.
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
لقد وصل الذكاء الاصطناዊ الحديث إلى نقطة تمكنه من النظر إلى صورة ووصفها، أو قراءة رسم بياني وتلخيص توجهاته. هذه الأنظمة، المعروفة بنماذج اللغات الكبيرة متعددة الوسائط، بارعة بشكل ملحوظ في الإدراك. ومع ذلك، عندما تُسأل عن حل مشكلة علمية معقدة أو لغز رياضي صعب، فإنها غالبًا ما تتعثر. يمكنها رؤية قطع اللغز، لكنها تكافح لتجميعها في حل متماسك. الطريقة القياسية لإصلاح ذلك هي إعادة تدريب النموذج، عبر تغذيته بآلاف الأمثلة حتى يتعلم الأنماط الصحيحة. لكن هذا النهج يعيبه عيب جوهري: فهو يتطلب الوصول إلى الكود الداخلي للنموذج، والذي غالبًا ما يكون مغلقًا في أنظمة مملوكة لجهات معينة أو ببساطة كبير جدًا بحيث لا يمكن تشغيله على الأجهزة الشخصية. علاوة على ذلك، إذا حل نموذج ما مشكلة اليوم، فإن عملية إعادة التدريب القياسية لا تضمن أنه سيتذكر هذا الدرس غدًا؛ فكل سؤال جديد يُعامل كما لو كان المرة الأولى التي يرى فيها النموذج هذا السؤال.
ولسد هذه الفجوة، يستكشف الباحثون استراتيجية مختلفة: منح الذكاء الاصطناዊ ذاكرة خارجية. فبدلاً من تغيير دماغ النموذج، يقومون بإرفاق دفتر ملاحظات يمكن للنموذج القراءة منه. ويكمن التحدي في تحديد ما يجب كتابته في ذلك الدفتر. فإذا كان الدفتر مجرد قائمة بالمشكلات السابقة وإجاباتها، فقد يرتبك النموذج بسبب التفاصيل المحددة الكثيرة. وإذا كان الدفتر مجرد قائمة بقواعد عامة، فقد يفتقر إلى الأمثلة الملموسة اللازمة لفهم موقف جديد وغير مألوف. يبدو أن أنظمة الذاكرة البشرية الأكثر فعالية توازن بين هذين الاحتياجين، حيث تخزن كلاً من التجارب المحددة والمبادئ العامة المستمدة منها. يحاول إطار عمل جديد يسمى DG-Mem محاكاة هذا التوازن للوكلاء الاصطنافيين، مما يسمح لهم بالتعلم من المشكلات السابقة دون الحاجة إلى إعادة تدريبهم من الصفر.
قام الباحثون وراء هذا العمل، والذين يتخذون من جامعة كاليفورنيا ميرسيد وجامعة شانغهاي جياوتونج مقراً لهم، ببناء نظام يعمل مع نموذج "مجمد" — أي نموذج لا يمكن تغييره أو تحديثه. لقد أنشأوا بنك ذاكرة يتم بناؤه مرة واحدة باستخدام مجموعة من مشكلات التدريب، ثم يتم الرجوع إليه كلما واجه النموذج تحديًا جديدًا. تنقسم هذه الذاكرة إلى جزأين متميزين، تمامًا كما قد يحتفظ الإنسان بمذكرات لأحداث محددة ودليل للنصائح العامة. الجزء الأول هو "ذاكرة النماذج الاستشهادية"، والتي تخزن أمثلة محددة تم حلها. هذه ليست مجرد نسخ خام من الأسئلة القديمة؛ بل هي سجلات مصفاة تلخص الاستراتيجية خطوة بخوة المستخدمة لحل نوع معين من المشكلات والأخطاء المحددة التي يجب تجنبها. أما الجزء الثاني فهو "ذاكرة المخطط"، والتي تحتوي على قواعد عامة مكتوبة في شكل جمل بسيطة من نوع "إذا... فإن...". تصف هذه القواعد المنطق الكامن وراء فئة من المشكلات، مثل كيفية عد الأشياء في ترتيب بصري معين أو كيفية تفسير رسم بياني للبيانات، دون الغرق في تفاصيل أي حالة فردية.
إن الخيار التصميمي الحاسم في هذا النظام هو كيفية إنشاء هذين النوعين من الذاكرة. فقد ضمن الباحثون أن القواعد العامة لا تُكتب أبداً من خلال النظر مباشرة إلى الأمثلة المحددة. بدلاً من ذلك، يقوم النظام أولاً بتوليد انعكاس تجريدي مؤقت للمشكلة التي تم حلها. ومن هذا الانعكاس التجريدي فقط، يتم تركيب القواعد العامة. وهذا يمنع النظام من حفظ أرقام أو أسماء محددة من مشكلة واحدة عن طريق الخطأ وتطبيقها كقانون عالمي. على سبيل المثال، إذا كانت المشكلة تتضمن عد مكعبات صفراء، فإن النظام يتعلم القاعدة "عد جميع الأشياء ذات لون محدد" بدلاً من "عد المكعبات الصفراء". هذا الفصل يسمح للنموذج بتطبيق مبدأ عام على موقف جديد يتضمن مكعبات حمراء، حتى لو لم يسبق له رؤية مكعبات حمراء من قبل.
ولجعل هذا النظام يعمل بفعالية، توجب على الباحثين أيضًا حل مشكلة كيفية تنظيم الذاكرة. في الماضي، اعتمدت الأنظمة غالبًا على قائمة ثابتة من الفئات، مثل "الهندسة" أو "الجبر"، والتي قد تكون واسعة جدًا أو ضيقة جدًا. يستخدم النظام الجديد مصنفًا آنيًا يبني قائمته الخاصة من الفئات أثناء عمله. فبينما يعالج النظام مشكلات جديدة، فإنه يجمعها في فئات ناشئة بناءً على مفاهيمها الأساسية، مما يسمح للذاكرة بالنمو والتكيف مع أنواع المشكلات التي تواجهها دون الحاجة إلى خريطة محددة مسبقًا.
الجانب الأكثر ابتكارًا في هذا العمل هو كيفية تحديد النظام لقطع الذاكرة المفيدة حقًا. فعندما يسترجع النموذج مجموعة من القواعد للمساعدة في حل مشكلة ما، فإنه غالبًا ما يحصل على عدة قواعد تبدو ذات صلة. طور الباحثون طريقة لمعرفة أي قاعدة بالضبط ساهمت في الإجابة الصحيحة. إنهم يعاملون القواعد مثل لاعبين في مباراة جماعية، حيث يختبرون مجموعات مختلفة من القواعد لمعرفة أي منها يؤدي إلى النجاح. ومن خلال تحليل مدى تحسين كل قاعدة للنتيجة عند إضافتها إلى مجموعة، يخصص النظام "درجة فائدة" لكل قاعدة. هذه الدرجة لا تعتمد على مدى تشابه القاعدة مع السؤال الحالي، بل على عدد المرات التي ساعدت فيها النموذج تاريخيًا في الحصول على الإجابة الصحيحة. وعندما يواجه النموذج مشكلة جديدة، فإنه يستخدم هذه الدرجة لإعطاء الأولوية للقواعد الأكثر نفعًا، مما يجعله يتعلم أي نصيحة يجب الوثوق بها.
اختبر الفريق إطار العمل هذا على أربعة نماذج مختلفة من الذكاء الاصطنا NSF، تتراوح من الأنظمة مفتوحة المصدر إلى النماذج المملوكة القوية، وقام بتقييمها بناءً على ثلاثة اختبارات معيارية صعبة تتضمن الاستدلال الرياضي والعلمي. وأظهرت النتائج تحسنًا مستمرًا؛ فالنماذج المزودة بهذه الذاكرة المزدوجة حلت مشكلات صحيحة أكثر بكثير من النماذج نفسها التي لا تملك أي ذاكرة. كما تفوقت على أنظمة الذاكرة الأخرى التي اعتمدت على نوع واحد فقط من التخزين أو التي لم تملك طريقة لترتيب فائدة قواعدها. وفي بعض الحالات، كان التحسن كبيرًا، حيث حل النظام أكثر من اثني عشر بالمائة من المشكلات الإضافية في بعض الاختبارات الصعبة.
كما كشفت الدراسة أن النوعين من الذاكرة يخدمان أغراضًا مختلفة. فعندما أزال الباحثون الأمثلة المحددة، عانى النظام في المشكلات التي تتطلب تفاصيل بصرية، مثل التمييز بين دائرة كاملة وشريحة من دائرة. وعندما أزالوا القواعد العامة، فشل النظام في المشكلات التي تتطلب تطبيق استراتيجية واسعة على إعداد بصري جديد. كان الجمع بين الاثنين ضروريًا، مما أثبت أن النظام يحتاج إلى كل من التأسيس الملموس للأمثلة المحددة والمرونة التجريدية للقواعد العامة للنجاح.
يقدم هذا النهج مسارًا عمليًا لتحسين الذكاء الاصطناዊ دون التكلفة الهائلة لإعادة التدريب. ولأن النظام لا يتطلب أي تغييرات في الأوزان الداخلية للنموذج، يمكن نشره في الأنظمة المغلقة أو حتى على الأجهزة الشخصية حيث تكون الخصوصية والكفاءة في غاية الأهمية. ويقر الباحثون بأن للنظام قيودًا، لا سيما في كيفية التعامل مع عشوائية الحسابات الحاسوبية عند تخصيص الدرجات للقواعد، لكن النتائج تثبت أن الذاكرة المنظمة ثنائية الطبقات يمكن أن تعزز بشكل كبير قدرة الذكاء الاصطناዊ على الاستدلال. ومن خلال الفصل بين التجارب المحددة والمبادئ العامة واستخدام طريقة لوزن قيمة كل نصيحة، يوفر إطار العمل هذا وسيلة قوية للوكلاء الاصطنافيين للتعلم، والتطور، وحل المشكلات المعقدة بفعالية أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.