بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
هل يمكن لتعاون الوكلاء نفسه أن يصبح قابلاً للتوسع من خلال التكرار؟ يجيب فريق بحثي دولي على هذا السؤال بإطار RecursiveMAS الجديد، الذي يمد مبدأ التوسع التكراري من نموذج واحد إلى أنظمة متعددة الوكلاء كاملة، محولاً النظام بأكمله إلى حوسبة تكرارية موحدة في الفضاء الكامن.
المشكلة الأساسية في الأنظمة الحالية هي اعتمادها على التواصل النصي بين الوكلاء، مما يخلق عقد ضيقة ويبطئ الأداء. يحل RecursiveMAS هذا التحدي من خلال ربط الوكلاء المختلفة في حلقة تعاون عبر وحدة RecursiveLink خفيفة الوزن، مما يمكن توليد أفكار كامنة متوافقة مع التوزيع ونقل الحالات الكامنة مباشرة عبر الوكلاء دون ترجمة نصية.
لتحسين هذا الإطار، طور الباحثون خوارزمية تعلم ثنائية الحلقة للتحسين المتكرر للنظام بالكامل من خلال تخصيص ائتمان متدرج مشترك عبر جولات التكرار. التحليلات النظرية لتعقيد وقت التشغيل وديناميكيات التعلم تثبت أن RecursiveMAS أكثر كفاءة من أنظمة النصوص التقليدية ويحافظ على استقرار المتدرجات أثناء التدريب التكراري.
- تطبيق RecursiveMAS على 4 أنماط تعاون تمثيلية: اختبر الفريق الإطار على أنماط تعاون متنوعة لضمان قابلية التطبيق عبر سيناريوهات مختلفة، من التعاون التسلسلي إلى التعاون المتوازي والهجين.
- تقييم شامل على 9 معايير متخصصة: شمل التقييم الرياضيات والعلوم والطب والبحث وتوليد الأكواد، مع مقارنة مع خطوط أساس متقدمة للوكيل الواحد ومتعددة الوكلاء والحوسبة التكرارية.
- تحسن متسق في الدقة بمتوسط 8.3%: حقق الإطار تحسناً ثابتاً في الدقة عبر جميع المعايير، مما يدل على فعالية النهج التكراري في تحسين جودة النتائج (وفقاً لورقة ArXiv البحثية).
- تسريع الاستدلال من 1.2 إلى 2.4 مرة: حقق النظام تحسناً كبيراً في سرعة المعالجة مقارنة بالأنظمة التقليدية، مما يجعله قابلاً للتطبيق في بيئات الإنتاج الفعلية.
- خفض استهلاك الرموز المميزة بنسبة 34.6% إلى 75.6%: يقلل الإطار بشكل كبير من استهلاك الموارد الحاسوبية، مما يعني تكلفة تشغيل أقل وإمكانية نشر أوسع.
- توفير كود وبيانات مفتوحة المصدر: يتيح الباحثون الوصول للتنفيذ الكامل والبيانات التجريبية، مما يسمح للمجتمع البحثي بإعادة إنتاج النتائج وتطوير الإطار أكثر.
يمثل هذا البحث نقلة مهمة في تطوير أنظمة الذكاء الاصطناعي المعقدة. بينما تركز معظم الجهود الحالية على تحسين النماذج الفردية أو زيادة حجمها، يقدم RecursiveMAS محوراً جديداً للتوسع من خلال تحسين التعاون نفسه. النتائج تشير إلى إمكانية تطبيق هذا النهج في مجالات عملية متنوعة، من البحث العلمي الآلي إلى حل المشكلات الهندسية المعقدة وتطوير البرمجيات الذكية.
القيود الرئيسية التي لم تعالجها الدراسة تشمل متطلبات الذاكرة أثناء التدريب التكراري، وكيفية تحديد العدد الأمثل من جولات التكرار لمهام مختلفة، وقابلية التوسع على أجهزة محدودة الموارد. هذه العوامل ستكون حاسمة في تحديد مدى نجاح النشر التجاري للإطار.
