يحدد Backboard معيارًا عالميًا جديدًا في ذاكرة الذكاء الاصطناعي — قفزة نحو الذكاء الاصطناعي الحقيقي

Backboard قد crossed عتبة importante لانظمة الذكاء الاصطناعي من خلال إثبات أن الذاكرة يمكن أن تعامل كبنية تحتية أساسية بدلاً من إضافة هشة. وأعلنت الشركة أنها تتقدم الآن في كلا معياري الذاكرة الاصطناعية الرئيسيين، LoCoMo و LongMemEval، لتصبح أول منصة تفعل ذلك تحت أساليب تقييم أكاديمية ومستقلة.

في تقييم مستقل أجراه NewMathData، حقق Backboard نسبة دقة 93.4 في المائة في LongMemEval، وهو أعلى نسبة دقة مسجلة حتى الآن عند تشغيله وفقًا للمواصفات الأصلية للمعيار. هذا النتيجة تbuilt على النسبة السابقة البالغة 90.1 في المائة على LoCoMo، مما يضع Backboard في مجموعة صغيرة جدًا من الأنظمة القادرة على الحفاظ على دقة الأفق القصير والاستمرارية السياقية للأفق الطويل.

من الملاحظات المهمة أن المراجعين حددوا حالات متعددة حيث تم تحديد استجابات Backboard على أنها غير صحيحة على الرغم من كونها أكثر دقة سياقيًا من الإجابات المتوقعة للمعيار. في هذه الحالات، قامت النظام بدمج المعلومات الفعلية الموجودة في التفاعل بدلاً من الالتزام بتفسير أضيق للتحفيز. ونتيجة لذلك، تمثل النسبة المبلغ عنها أساسًا консервативيًا بدلاً من الحد الأعلى للأداء.

لماذا أصبحت الذاكرة العامل المحدد في الذكاء الاصطناعي

تتصرف معظم أنظمة الذكاء الاصطناعي الحديثة كما لو أنها لا تمتلك ماضٍ حقيقي. في حين أن نماذج اللغة الكبيرة ممتازة في توليد استجابات متسلسلة، فإنها تميل إلى نسيان السياق بمجرد انتهاء الجلسة أو امتلاء نافذة التحفيز. هذه التحديد يضطر المطورين إلى إعادة بناء الحالة بشكل متكرر من خلال حيل استرجاع أو هندسة تحفيز أو سلاسل أدوات هشة غالبًا ما تنهار عندما تزداد الأنظمة تعقيدًا.

الذاكرة ليست فقط عن الاستدعاء. في التطبيقات العملية، تحدد الذاكرة ما إذا كان نظام الذكاء الاصطناعي يمكن أن يبقى متسقًا مع مرور الوقت، وتنسق عبر المهام، وتبني الثقة مع المستخدمين. بدون ذاكرة متينة، الأنظمة تعيد ضبطها، تخيل، أو تناقض نفسها. مع تحرك الذكاء الاصطناعي من التفاعلات المنفردة إلى سلاسل عمل طويلة الأمد، أصبحت الذاكرة العامل المحدد الرئيسي.

Backboard يتعامل مع هذه المشكلة من خلال معاملة الذاكرة كبنية تحتية من الدرجة الأولى. بدلاً من تثبيت الذاكرة على طبقة التطبيق، يدمج الاستمرارية والتعيين والاسترجاع والتنسيق في منصة موحدة يمكن الوصول إليها من خلال واجهة برمجة تطبيقات واحدة.

نهج على مستوى النظام بدلاً من ضبط المعيار

لم يصمم Backboard هيكله لتحقيق درجات معيارية. تم إجراء التقييمات إما بشكل مستقل أو استخدامها داخليًا لفهم كيف يقارن النظام بالبحوث الأكاديمية. يعكس الأداء الناتج سلوك النظام على مستوى النظام في ظروف واقعية بدلاً من تحسين المهام المحددة.

هذا الفرق مهم لأن معظم المعايير تقيس سلوك النموذج في العزل، بينما تتكون أنظمة الذكاء الاصطناعي الحقيقية من العديد من الأجزاء المتحركة. تشير نتائج Backboard إلى أن أداء الذاكرة ليس وظيفة وحيدة لحجم النموذج أو الحوسبة القوية، ولكن كيف يتم بناء الذاكرة وتنظيمها وتبادلها مع مرور الوقت.

تجمع المنصة بين الذاكرة الدائمة الطويلة الأمد، والتعيين الأصلي والتعرف على النماذج، والاسترجاع المعزز للتحفيز، والذاكرة المشتركة عبر الوكلاء، والوصول إلى أكثر من 17,000 نموذج لغة كبير، بما في ذلك دعم مفتاح البرينج. من خلال توحيد هذه العناصر، يزيل Backboard الحاجة للمؤسسات إلى تجميع مكونات مفتوحة المصدر التي غالبًا ما تفشل تحت قيود الإنتاج.

جعل الذكاء الاصطناعي الوكيل عمليًا

لا يزال الاهتمام بالذكاء الاصطناعي الوكيل يستمر في النمو، ولكن معظم التطبيقات تواجه صعوبة في الخروج من العروض التوضيحية. السبب بسيط. لا يمكن للوكلاء بدون ذاكرة مشتركة ومتينة التنسيق بشكل فعال. إنهم يتناثرون، يفقدون السياق، ويتصرفون بشكل غير متوقع مع تمديد التفاعلات مع مرور الوقت.

يسمح Backboard بالذاكرة المشتركة والمتينة عبر الوكلاء حتى عندما يعتمد هؤلاء الوكلاء على نماذج أساسية مختلفة. عندما تكون الذاكرة موثوقة، تظهر السلوك الوكيل بشكل طبيعي بدلاً من كونه مخططًا. يمكن للأنظمة تذكر القرارات السابقة، الحفاظ على الاستمرارية عبر الجلسات، وتنسيق الإجراءات دون الحاجة إلى إعادة التحفيز المستمرة.

تم تصميم إطار الذاكرة الأساسي للمنصة للحفاظ على الاتساق الزمني بدلاً من إعادة بناء الحالة من خلال الرسومات الثابتة أو الاسترجاع المتكرر. هذا يسمح لأنظمة الذكاء الاصطناعي بالبقاء متسقة ومراقبة مع نموها في التعقيد.

مبني لمنظومات لا يمكنها أن تنسى

Backboard’s هيكل يعتمد على خبرة مؤسسها والرئيس التنفيذي، Rob Imbeault، الذي ساعد في بناء Assent من شركة ناشئة في مرحلة مبكرة إلى منصة عالمية تبلغ قيمتها أكثر من 1.4 مليار دولار. في Assent، كانت الأنظمة التي عمل عليها Imbeault متأصلة глубоко داخل عمليات العملاء، لدعم الامتثال التنظيمي وسلاسل التوريد المعقدة حيث كانت الاستمرارية والدقة والثقة غير قابلة للتفاوض.

شكلت تلك الخبرة قناعة واضحة. البنية التحتية الأكثر قيمة نادرًا ما تكون مثيرة. إنها البنية التحتية التي تعمل بهدوء، وباستمرار، ولفترات طويلة من الوقت. في تلك البيئات، لا يمكن للأنظمة إعادة ضبطها عند فقدان السياق. إذا اختفت الحالة أو تآكلت الثقة، فشلت النظام تشغيليًا، وليس فشلًا تقنيًا فقط.

رأى Imbeault عدم تطابق هيكلي ي出现 في الذكاء الاصطناعي الحديث. في حين تقدمت نماذج اللغة الكبيرة بسرعة، ظلت أساسًا بدون حالة. اختفى السياق بين الجلسات، مما أضطر المطورين إلى إعادة بناء الذاكرة من خلال سلاسل تحفيز هشة وطبقات استرجاع غير رسمية. هذه المناهج قد تعمل في العروض التوضيحية، ولكنها تفشل عندما يتوقع من أنظمة الذكاء الاصطناعي تشغيلها بشكل مستمر، وتنسيقها عبر الوكلاء، وتطورها مع مرور الوقت.

تم بناء Backboard لإغلاق ذلك الفجوة. يتم معاملة الذاكرة كبنية تحتية متينة بدلاً من منطق التطبيق، مما يسمح لأنظمة الذكاء الاصطناعي بالحفاظ على الحالة عبر التفاعلات والنمذجة والوكلاء. يركز التركيز على الاستمرارية والدقة والاستمرارية الطويلة الأمد يعكس اعتقادًا تشكل قبل وجود Backboard: في بيئات الإنتاج، أخطاء الذاكرة ليست عيوبًا طفيفة. إنها مخاطر 系مية.

هذا المنظور يؤسس لفلسفة التصميم في Backboard. الهدف ليس في إظهار الذكاء في لحظات معزولة، ولكن في تمكين أنظمة الذكاء الاصطناعي التي تتصرف مثل البرامج الموثوقة، حتى مع نمو التعقيد وتمديد الأفق الزمني.

ما يعنيه هذا للمستقبل الذكاء الاصطناعي

الاستنتاج الأوسع لنتائج Backboard هو أن المرحلة التالية من تقدم الذكاء الاصطناعي لن يتم دفعها فقط من قبل نماذج أكبر أو نوافذ سياق أطول. سوف يتم دفعها بواسطة أنظمة يمكنها تذكر، وreason، وتطوير مع مرور الوقت.

مع نشر المؤسسات للذكاء الاصطناعي عبر دعم العملاء والعمليات والبحوث والامتثال، تصبح الذاكرة المستمرة أساسًا للثقة والتنقل. المنصات التي تحل مشكلة الذاكرة على مستوى البنية التحتية سوف تحدد كيف ينتقل الذكاء الاصطناعي الوكيل من التجارب إلى الاستخدام اليومي.

مع التحقق الآن من هيكل الذاكرة في Backboard عبر معايير أكاديمية ومستقلة، تنتقل الشركة إلى مساعدة الفرق على فهم وتقييم سلوك أنظمة الذكاء الاصطناعي تحت قيود العالم الحقيقي. يهدف القدرة القادمة في Switchboard إلى جعل تكوينات الذكاء الاصطناعي المعقدة أكثر شفافية وقابلة للتنبؤ.

سوف يتم تشكيل مستقبل الذكاء الاصطناعي بأقل من الحيل الذكية للتحفيز وأكثر من الأنظمة التي يمكن الثقة بها مع مرور الوقت. الذاكرة هي الأساس لهذا التحول، ويشير أحدث نتائج Backboard إلى أن هذا الأساس أخيرًا يأخذ شكلًا.