← أحدث الأبحاث
🤖 AI

Recursive Agentic Reasoning

تقدم هذه الورقة إطاراً موحداً لثلاث عمليات استدلال تكرارية (GROW وPRUNE وBRANCH)، وتثبت من خلال تقييم مكثف أن التفرع المتكرر يتفوق باستمرار على طرق الاستدلال الأخرى في وقت الاختبار عبر نماذج ومعايير متنوعة، مع تسليط الضوء أيضاً على الأهمية البالغة لبروتوكولات التقييم المقترنة لتجنب الاستنتاجات المقارنة المضللة.

المؤلفون الأصليون: Shengxin Zhang, Xiaomin Wu, Xiyang Wu, Jing Xie

نُشر 2026-08-26
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Shengxin Zhang, Xiaomin Wu, Xiyang Wu, Jing Xie

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

عندما يحاول برنامج حاسوبي حل مشكلة صعبة، فإنه غالباً ما ينتج خطاً واحداً من التفكير، وهو تسلسل من الكلمات يؤدي إلى إجابة. لسنوات، تساءل الباحثون عما إذا كان منح هذه البرامج مزيداً من الوقت ومزيداً من المحاولات سيجعلها أكثر ذكاءً. فبدلاً من قبول تلك الإجابة الأولى، هل يمكن مطالبة الحاسوب بالمحاولة مرة أخرى، أو تقسيم المشكلة إلى أجزاء أصغر، أو توليد عدة حلول مختلفة واختيار الأفضل من بينها؟ يقع هذا السؤال في قلب أبحاث الذكاء الاصطناعي الحديثة. المجال حالياً مليء باستراتيجيات مختلفة لاستغلال قوة حوسبة إضافية لتحسين الاستنتاج. تطلب بعض الأساليب من النموذج صقل إجابته الخاصة، ويطلب البعض الآخر منه تفكيك مهمة معقدة إلى سلسلة من الخطوات الأبسط، بينما تطلب أساليب أخرى منه توليد محاولات مستقلة عديدة والتصويت على النتيجة. ولأن كل نهج من هذه المناهج قد تم اختباره بشكل منعزل، باستخدام أسئلة اختبار وقواعد تقييم مختلفة، فقد كان من المستحيل معرفة أي استراتيجية تعمل بشكل أفضل فعلياً عندما تكون ميزانية الحوسبة هي نفسها.

لقد وضع فريق من الباحثين هدفاً لتسوية هذا الجدل عبر معاملة هذه الاستراتيجيات المختلفة كمتغيرات لعملية واحدة: التكرار (recursion)، أو فعل قيام النظام باستدعاء نفسه لحل مشكلة ما. وقد حددوا ثلاث طرق متميزة يمكن للحاسوب القيام بها. الطريقة الأولى، التي أطلقوا عليها اسم "النمو" (grow)، تضمنت أخذ خط واحد من الاستنتاج ومطالبة الحاسوب بتمديده، أي صقل المسار نفسه مراراً وتكراراً. أما الطريقة الثانية، "التقليم" (prune)، فتضمنت مطالبة الحاسوب بتفكيك مشكلة صعبة إلى قائمة من الأسئلة الأصغر والمرتبة، وحلها واحداً تلو الآخر، ثم ربط الإجابات ببعضها البعض. والثالثة، "التفرع" (branch)، تضمنت مطالبة الحاسوب بتوليد خمسة حلول مختلفة تماماً في آن واحد، ثم اختيار الحل الذي ظهر أكثر من غيره بينهم. ولضمان مقارنة عادلة، قام الباحثون بتشغيل الطرق الثلاث، جنباً إلى جنب مع محاولة قياسية لمرة واحدة، على نفس مجموعة المشكلات تماماً وباستخدام نفس النماذج الحاسوبية. لقد اختبروا هذه الأساليب عبر خمسة أنواع مختلفة من التحديات، تتراوح من الألغاز المنطقية المعقدة متعددة الخطوات إلى الأسئلة الأكاديمية بمستوى الدراسات العليا، باستخدام ثلاثة من أكثر نماذج الذكاء الاصطناعي تقدماً المتاحة.

كانت نتائج هذه التجربة المنضبطة واضحة ومفاجئة نوعاً ما. فاستراتيجية توليد حلول متعددة والتصويت على الأفضل، وهي طريقة "التفرع"، حسنت دقة الإجابات في كل حالة اختبار أجروها. وفي المتوسط، رفعت هذه الطريقة معدل الإجابات الصحيحة بنسبة تقارب ست نقاط مئوية مقارنة بالمحاولة القياسية الواحدة. وفي المقابل، كانت الطريقتان الأخريان غير متسقتين؛ فطريقة "النمو"، التي تعمق مساراً واحداً، حسنت الأداء في معظم الحالات، لكنها جعلت الحاسوب أسوأ في حل أنواع معينة من الأسئلة الصعبة. أما طريقة "التقليم"، التي تفكك المشكلات، فقد أظهرت تحسناً طفيفاً لا يكاد يُذكر وغالباً ما يكون غير قابل للتمييز عن الضجيج العشوائي. أشارت البيانات إلى أنه لا توجد حاجة لنظام معقد لتقرير أي طريقة يجب استخدامها لأي مشكلة؛ فالطريقة التي تكتفي ببساطة بتجربة مسارات متعددة واختيار الفائز بالإجماع كانت هي الخيار المتفوق في جميع المجالات.

تعمق الباحثون لفهم سبب نجاح طريقة التصويت هذه بهذا الشكل الجيد، واكتشفوا أن السبب لم يكن كما توقع معظم الناس. كان الاعتقاد الشائع هو أن توليد إجابات متعددة يساعد لأن الحاسوب يتمكن من استكشاف العديد من المسارات المنطقية المختلفة وإيجاد المسار الصحيح من بينها. ومع ذلك، أظهرت البيانات أن الفائدة الرئيسية جاءت من مصدر مختلف: التعافي من الفشل. فعندما تُطالب هذه النماذج الحاسوبية المتقدمة بالتفكير لفترة طويلة، فإنها غال often تنفد منها مساحة الذاكرة المخصصة لها قبل أن تتمكن من إنهاء كتابة إجابتها. وفي المحاولة الواحدة، يؤدي هذا إلى استجابة فارغة، والتي تُحتسب كإجابة خاطئة. ولكن عندما يُطلب من الحاسوب المحاولة خمس مرات، فإن احتمالات فشل المحاولات الخمس جميعها في اللحظة ذاتها هي احتمالات ضئيلة جداً. فنظام التصويت يستبعد تلقائياً الإجابات الفارغة ويختار إجابة صالحة من المحاولات الناجحة. ووجد الباحثون ارتباطاً قوياً بين عدد المرات التي فشلت فيها الطريقة القياسية في إنتاج إجابة وبين مقدار التحسن في النتيجة بفضل طريقة التصويت. وفي أصعب الاختبارات، خفضت طريقة التصويت معدل الإجابات الفارغة والفاشلة إلى النصف.

يغير هذا الاكتشاف طريقة تفكيرنا في جعل الذكاء الاصطناعي أكثر ذكاءً. فهو يشير إلى أن جزءاً كبيراً من الفائدة الناتجة عن مطالبة الحاسوب بالمحاولة عدة مرات هو مجرد استعادة الإجابات التي كانت ستُفقد لولا القيود التقنية. كما سلط الباحثون الضوء على درس بالغ الأهمية للدراسات المستقبلية: كيفية حساب النتائج تهم للغاية. ففي تحليلهم الأولي، وجدوا أنه إذا تم احتساب انقطاعات الاتصال بالشبكة أو انتهاء المهلة الزمنية كإجابات خاطئة، فإن طريقة التصويت تبدو أسوأ في بعض المهام. وكان ذلك لأن طريقة التصويت تجري محاولات أكثر، وبالتالي لديها فرص أكثر للتعرض لخلل تقني. ومن خلال مقارنة الأساليب بصرامة فقط بناءً على الأسئلة التي أجابت عليها جميع الطرق بنجاح، كشف الباحثون عن الأداء الحقيقي. يثبت عملهم أنه بالنسبة للنماذج الأكثر قدرة المتاحة اليوم، فإن الاستراتيجية الأبسط المتمثلة في المحاولة عدة مرات واختيار الإجماع هي الطريقة الأكثر موثوقية للحصول على إجابات أفضل، وأن المكاسب تأتي في المقام الأول من ضمان إنهاء الحاسوب لأفكاره بدلاً من إيجاد مسار أكثر ذكاءً للوصول إلى الحل.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →