Exploit More, Explore Smarter for Budget-Constrained Agentic Search
تقدم هذه الورقة ExTS، وهي سياسة بحث شجري مبتكرة تعمل على تحسين البحث الوكيل المقيد بالميزانية من خلال معاملة التوسع كقرار متعلق بقيمة المعلومات عبر تشكيل المكافأة التمييزي، والأطفال الافتراضيين العشوائيين، والتفرع المشروط بالجودة، محققةً تحسينات مستمرة في الأداء عبر مهام متنوعة مقارنة بالطرق القياسية.
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
في عالم الذكاء الاصطناعي المتطور بسرعة، ظهرت فئة جديدة من الأنظمة التي لا تكتفي فقط بالإجابة على الأسئلة، بل تبحث بنشاط عن الحلول. هذه الأنظمة "الوكيلة" (agentic) تعمل كالمستكشفين الرقميين؛ تقترح الأفكار، وتختبرها، ثم تصقل أفضل تخميناتها مراراً وتكراراً. وسواء كانت تكتب كوداً برمجياً، أو تصمم مركبات كيميائية، أو تحل ألغازاً منطقية معقدة، فإن هؤلاء الوكلاء يعتمدون على دورة من التوليد والتحقق. فهم ينشئون حلاً مرشحاً، ثم يمررونه عبر اختبار ليروا مدى جودة عمله، وبعد ذلك يستخدمون تلك التغذية الراجعة لإنشاء نسخة أفضل. ومع ذلك، فإن هذه العملية مكلفة؛ ففي كل مرة يولد فيها النظام فكرة جديدة أو يجري اختباراً، فإنه يستهلك مورداً محدوداً: ميزانية حوسبية. وفي كثير من السيناريوهات الواقعية، تكون هذه الميزانية ضيقة، مما يسمح بوجود بضع عشرات أو بضع مئات من المحاولات فقط قبل أن يتعين على النظام التوقف. التحدي المركزي الذي يواجه الباحثين هو كيفية إنفاق هذه الميزانية المحدودة بحكمة. فإذا أضاع النظام محاولاته في طرق مسدودة، فإنه يفشل في إيجاد الحل الأمثل. وإذا كان حذراً للغاية، فقد يفوت طفرة نوعية تكمن على بعد خطوات قليلة فقط في مسار واعد.
لسنوات، كانت الطريقة القياسية للتنقل في أشجار البحث هذه هي استراتيجية مستعارة من خوارزميات الألعاب، والتي توازن بين دافعين متنافسين: الاستكشاف والاستغلال. يعني الاستكشاف تجربة مسارات جديدة وغير مختبرة لمعرفة ما إذا كانت تحمل وعوداً، بينما يعني الاستغلال التعمق في المسارات التي أظهرت بالفعل نتائج جيدة. تتعامل الطريقة التقليدية مع كل فرع جديد في شجرة البحث بقدر معين من الفضول، وغالباً ما تقوم بتوسيع جميع الخيارات المتاحة قبل الالتزام بأي منها. وهذا يعمل جيداً عندما يتوفر الكثير من الوقت والمال لاستكشاف كل شيء. ولكن في عالم الوكلاء المعاصرين عالي المخاطر والمقيد بالميزانية، تفشل هذه الطريقة القائمة على "تجربة كل شيء" غالباً؛ فهي توزع الموارد المحدودة بشكل رقيق جداً عبر شجرة واسعة وضحلة، مما يترك الأفكار الأكثر واعدية دون تطوير كافٍ. وينتهي الأمر بالنظام بخريطة واسعة للعديد من الحلول المتوسطة بدلاً من فهم عميق لعدد قليل من الحلول الممتازة.
ولحل هذه المشكلة، قدم الباحثون في "أمازون AGI" سياسة بحث جديدة تسمى ExTS. فبدلاً من توسيع كل فرع بشكل أعمى، تعامل هذه الطالة الجديدة قرار إنشاء فرع جديد كاستثمار مدروس. فهي تطرح سؤالاً حاسماً قبل إنفاق أي ميزانية: هل القيمة المحتملة لإنشاء مسار جديد تستحق التكلفة؟ يقوم النظام بذلك من خلال النظر في تاريخ نجاحاته وإخفاقاته. فإذا أنتج خط معين من التفكير العديد من المحاولات الفاشلة، يتعلم النظام التوقف عن توسيع ذلك المسار ويركز طاقته بدلاً من ذلك على تعميق الخطوط التي تعمل بالفعل. إنها تعمل فعلياً على تصفية الضجيج، وتجاهل الطرق المسدودة التي كانت ستستهلك موارد قيمة في الأنظمة القديمة.
اختبر الباحثون هذا النهج عبر أربعة مجالات مختلفة تماماً: تحسين التعليمات البرمجية لنماذج اللغة، توليد الكود البرمجي، استنتاج بنية الجزيئات من البيانات الطيفية، وتصميم سير العمل المؤتمت. وفي كل حالة، منحوا النظام الجديد نفس الميزانية الضيقة التي كان على الطرق السابقة التعامل معها. وكانت النتائج متسقة؛ فمن خلال كونها أكثر ذكاءً في تحديد مكان إنفاق أموالها، وجدت النظام الجديد باستمرار حلولاً أفضل من الطرق المتخصصة المصممة لكل مهمة على حدة. فعلى سبيل المثال، في مهمة تحسين المطالبات (prompts) للإجابة على الأسئلة، حسنت الطريقة الجديدة الدقة بأكثر من عشرة بالمائة مقارنة بأفضل نهج سابق. وفي توليد الكود، حلت مشكلات أكثر صعوبة، حيث وجدت حلولاً فاتتها الطرق القديمة. وحتى في المجال التقني العالي لاستنباط البنية الجزيئية، حيث كان على النظام اكتشاف شكل الجزيء من بصمته الطيفية، حققت الطالة الجديدة دقة أعلى بنفس عدد المحاولات.
إن الرؤية الأساسية وراء هذا النجاح هي أن النظام الجديد لا ينظر فقط إلى درجة محاولة واحدة، بل ينظر إلى نمط الدرجات. ففي العديد من هذه المهام، يكون الفرق بين حل جيد وحل ممتاز دقيقاً للغاية، ويمكن أن تكون الدرجات متقاربة جداً. وقد عانت الطرق القديمة من صعوبة التمييز بينها، حيث كانت تعامل جميع الخيارات على أنها متساوية تقريباً. يستخدم النظام الجديد تقنية لتضخيم هذه الاختلافات الصغيرة، مما يسمح له بالتمييز بين مسار أفضل قليلاً ومسار ممتاز حقاً. كما يستخدم مفهوم "الطفل الافتراضي" لمحاكاة ما قد يحدث إذا قام بإنشاء فرع جديد. ومن خلال أخذ عينات من التاريخ لما نجح سابقاً، يمكنه تقدير قيمة المسار الجديد دون إنفاق الميزانية فعلياً لبنائه. وإذا أشارت المحاكاة إلى أن المسار الجديد من غير المرجح أن يكون مثمراً، يتخطاه النظام تماماً ويذهب بعمق أكبر في المسار المثبت.
اكتشف الباحثون أيضاً أن ليست كل مشكلات البحث متساوية. فبعض المهام عرضة للفشل المتكرر، حيث تؤدي معظم المحاولات إلى أخطاء، بينما تكون مهام أخرى أكثر استقراراً. وبعض المهام تتغير درجاتها بشكل جامح مع اكتشافات جديدة، بينما تظل أخرى ثابتة. النظام الجديد مرن بما يكفي للتكيف مع هذه المشاهد المختلفة. فمن خلال إجراء اختبار تمهيدي صغير لفهم طبيعة المشكلة، يمكن للنظام تعديل استراتيجيته قليلاً لتناسب التحديات المحددة للمهمة. تسمح هذه القدرة على التكيف بالأداء الجيد عبر مجموعة واسعة من المجالات دون الحاجة إلى تصميم جديد تماماً لكل منها.
تثبت الدراسة أن الطريقة التي ينفق بها وكيل الذكاء الاصطناعي ميزانيته الحوسبية لا تقل أهمية عن الذكاء الذي يمتلكه. فمن خلال إعادة تصميم عملية البحث لتكون أكثر انتقائية وأكثر وعياً بجودة تقدمها، يمكن للنظام تحقيق نتائج أفضل بكثير بنفس القدر من الجهد. يقدم هذا النهج دليلاً عملياً لبناء وكلاء ذكاء اصطناعي أكثر كفاءة يمكنهم حل المشكلات المعقدة دون الحاجة إلى قوة حوسبية لا نهائية. وتشير النتائج إلى أن أكثر أنظمة الذكاء الاصطناعي فعالية في المستقبل لن تكون بالضرورة تلك التي تجرب أكبر عدد من الأشياء، بل تلك التي تعرف بالضبط ما يستحق التجربة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.