يتجه تطوير أنظمة الذكاء الاصطناعي متعددة الوكلاء إلى ما هو أبعد من تشغيل نماذج عدة بالتوازي ثم اختيار الإجابة الأكثر تكرارا. فالفكرة الجديدة تنطلق من أن النموذج قد يمتلك جزءا من الحل، بينما يملك نموذج آخر القدرة على اكتشاف خلل حسابي أو افتراض غير صحيح، ما يجعل طريقة تنظيم الحوار بينهم عاملا مؤثرا في النتيجة النهائية.
تفاصيل الخبر
الإطار المقترح يحمل اسم فرق الوكلاء ذاتية التنظيم، ويعتمد على مجموعة ثابتة من النماذج المختلفة بدلا من إنشاء فريق جديد لكل سؤال. تتعلم هذه المجموعة، من خلال مراجعة تجارب تعاون سابقة، أدوارا وقواعد للحوار ومراحل للتدقيق وتبادل المعلومات، مع ترك تفكيك المسألة نفسها ليظهر أثناء النقاش بدلا من فرضه مسبقا.
تبدأ عملية الإعداد بتعاون أولي بسيط يجمع بين محاولات مستقلة ومناقشات متتابعة وتصويت نهائي. بعد ذلك يراجع النموذج الأفضل أداء في مجموعة تدريب صغيرة سجلات الحوار، ويحاول تحديد أسباب الفشل، ثم يعيد صياغة أدوار المشاركين وتسلسل النقاش وقواعد تركيب الإجابة. وتُكرر العملية لاستخلاص استراتيجيات قابلة لإعادة الاستخدام.
ولا تُنقل الاستراتيجيات إلى الاختبار مباشرة. إذ تخضع المقترحات لمراجعة منفصلة تستبعد القواعد التي تعتمد على تفاصيل سؤال بعينه أو تكشف إجابته، ثم تُختبر على مسائل إضافية للتأكد من قدرتها على التعميم. وفي النهاية تُحفظ مجموعة من الخطط المتنوعة، ويطبق الفريق هذه الخطط على المسألة الجديدة لإنتاج مسارات استدلال قصيرة يمكن فحصها خطوة بخطوة.
في الاختبارات التي شملت مسائل في الرياضيات والفيزياء، حققت الفرق ذاتية التنظيم متوسط دقة بلغ 66.7 في المئة، مقارنة بـ48.8 في المئة لأفضل نموذج منفرد داخل الفريق. كما تفوقت على أساليب أخرى تعتمد على زيادة الاستدلال أو مزج الإجابات أو المناظرة المنظمة. وفي اختبار AIME لعام 2026، تجاوزت أداء ما يسمى بالموجّه المثالي، الذي يختار مسبقا أفضل إجابة مستقلة متاحة من النماذج المشاركة، بفارق 13.4 نقطة مئوية.
توضح أمثلة الاختبار آلية التحسن بصورة عملية. فقد يقدم نموذج حلا أوليا صحيح الاتجاه لكنه يخطئ في عدّ حالة أو تنفيذ خطوة، بينما يلتقط نموذج آخر الخطأ ويقترح التصحيح، ثم يفحص نموذج ثالث النسخة المعدلة قبل صياغة النتيجة. وبهذه الطريقة يمكن للفريق تركيب حل لم يقدمه أي عضو منفردا منذ البداية.
لكن النتائج لم تكن متساوية في جميع المجالات. ففي مهام المعرفة والمنطق، تمكن النظام من إنتاج مسار صحيح في 87.9 في المئة من الأسئلة، إلا أن دقة الإجابة النهائية بقيت عند 72.8 في المئة. ويشير ذلك إلى أن المشكلة لم تعد دائما في توليد حل محتمل، بل في قدرة الحكم النهائي على التمييز بين التفسير الصحيح والإجابة الخاطئة التي تبدو مقنعة.
يربط الباحثون فاعلية التعاون بما يسمونه قابلية إظهار صحة الاستدلال؛ أي مدى سهولة التعرف إلى المسار الصحيح عندما يظهر ضمن الحوار. وتبدو الرياضيات والفيزياء والبرمجة أكثر ملاءمة لهذا النهج لأن خطواتها قابلة للتحقق، بينما تظل المهام المعرفية المفتوحة أصعب عندما تتشابه الإجابات الدقيقة والمضللة في أسلوب العرض والثقة.
عمليا، قد يساعد هذا الاتجاه الشركات التي تستخدم وكلاء الذكاء الاصطناعي في التحليل والبرمجة والبحث، لكنه يأتي مع كلفة إضافية تتمثل في تشغيل عدة نماذج وعمليات مراجعة وحكم. كما أن نجاحه يتطلب سجلات تعاون قابلة للفحص وآليات تمنع تسرب الإجابات من بيانات التدريب إلى مرحلة التقييم.
تقدم الدراسة، المنشورة في سبتمبر 2026، دليلا على أن تحسين أداء الذكاء الاصطناعي قد لا يعتمد فقط على نموذج أكبر أو قدرة حوسبية أعلى، بل على تصميم أفضل للعلاقات بين النماذج. والخطوة التالية ستكون اختبار هذه الاستراتيجيات على مهام واقعية أطول وأكثر تعقيدا، مع تطوير حكام أكثر قدرة على اكتشاف الأخطاء قبل اعتماد النتيجة.
العودة إلى جميع الأخبار
