Backboard Sets New Global Standard in AI Memory — A Leap Toward Truly Agentic AI

Backboard قد crossed خطًا مهمًا لمنظومات الذكاء الاصطناعي من خلال إثبات أن الذاكرة يمكن أن تعامل كبنية تحتية أساسية بدلاً من إضافة هشة. أعلنت الشركة أنها تتصدر الآن كلا البenchmarks الرئيسيين للذاكرة الاصطناعية، LoCoMo و LongMemEval، لتكون أول منصة تفعل ذلك تحت أساليب تقييم أكاديمية ومستقلة متسقة.

في تقييم مستقل أجرته NewMathData، حققت Backboard نسبة دقة 93.4 في المائة في LongMemEval، وهو أعلى نسبة دقة تم الإبلاغ عنها حتى الآن عند تشغيلها وفقًا للمواصفات الأصلية للbenchmark. هذا النتيجة يبني على النتيجة السابقة المنشورة 90.1 في المائة في LoCoMo، مما يضع Backboard في مجموعة صغيرة جدًا من الأنظمة القادرة على الحفاظ على دقة الأρίζون القصير والاستمرارية السياقية الأρίζون الطويل.

من الملاحظات البارزة أن المراجعين حددوا حالات متعددة حيث تم تحديد استجابات Backboard على أنها غير صحيحة على الرغم من كونها أكثر دقة سياقيًا من الإجابات المتوقعة من Benchmark. في هذه الحالات، قامت النظام بدمج المعلومات الواقعية الموجودة بالفعل في التفاعل بدلاً من الالتزام بتفسير أضيق للإشارة. ونتيجة لذلك، فإن النتيجة المبلغ عنها تمثل خط قاعدي محافظ بدلاً من الحد الأعلى للأداء.

لماذا أصبحت الذاكرة العامل المحدد في الذكاء الاصطناعي

ما زالت معظم أنظمة الذكاء الاصطناعي الحديثة تتصرف كما لو أنها لا تمتلك ماضٍ حقيقي. في حين أن النماذج اللغوية الكبيرة ممتازة في توليد استجابات متسلسلة، فإنها تميل إلى نسيان السياق بمجرد انتهاء الجلسة أو امتلاء نافذة الإشارة. هذا القيد يضطر المطورين إلى إعادة بناء الحالة بشكل متكرر من خلال حيل الاسترجاع أو هندسة الإشارات أو سلاسل أدوات هشة غالبًا ما تنكسر مع نمو الأنظمة في التعقيد.

الذاكرة ليست فقط عن الاسترجاع. 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، تتخيل، أو تتعارض مع نفسها. مع انتقال الذكاء الاصطناعي من التفاعلات المنفردة إلى سلاسل عمل طويلة الأمد، أصبحت الذاكرة العامل الرئيسي المحدد.

تتناول Backboard هذه المشكلة من خلال معاملة الذاكرة كبنية تحتية من الدرجة الأولى. بدلاً من تثبيت الذاكرة على طبقة التطبيق، تتكامل الاستمرارية والترميز والاسترجاع والتوجيه في منصة موحدة يمكن الوصول إليها من خلال واجهة برمجة تطبيقات واحدة.

نهج على مستوى النظام بدلاً من ضبط Benchmark

لم تصمم Backboard هيكلها لتحقيق درجات Benchmark. تم إجراء التقييمات إما بشكل مستقل أو استخدامها داخليًا لفهم كيفية مقارنة النظام بالبحث الأكاديمي. يعكس الأداء الناتج سلوك النظام على مستوى النظام في ظروف واقعية بدلاً من تحسين مهمة محددة.

هذا الفرق مهم لأن معظم المعايير تقيس سلوك النموذج في العزل، في حين أن الأنظمة الحقيقية للذكاء الاصطناعي تتكون من العديد من الأجزاء المتحركة. تشير نتائج Backboard إلى أن أداء الذاكرة ليس وظيفة وحيدة لحجم النموذج أو الحوسبة القسري، ولكن كيفية بناء الذاكرة وتحديثها ومشاركتها بمرور الوقت.

تجمع المنصة بين الذاكرة الدائمة الطويلة الأمد والترميز الأصلي والاسترجاع المعزز والتوجيه المدمج والذاكرة المشتركة عبر الوكلاء والوصول إلى أكثر من 17,000 نموذج لغة كبير، بما في ذلك دعم Bring-Your-Own-Key. من خلال توحيد هذه العناصر، تزيل Backboard الحاجة للمؤسسات إلى تجميع مكونات مفتوحة المصدر التي غالبًا ما تفشل في ظروف الإنتاج.

جعل الذكاء الاصطناعي العامل عمليًا

يستمر الاهتمام بذكاء اصطناعي العامل Agentic AI في النمو، لكن معظم التطبيقات تعاني في الانتقال من التمثيلات إلى الاستخدام اليومي. السبب بسيط. لا يمكن للوكلاء بدون ذاكرة مشتركة ومستمرة التنسيق بشكل فعال. إنهم يتناثرون، يفقدون السياق، ويتصرفون بشكل غير متوقع مع تمديد التفاعلات بمرور الوقت.

تمكن Backboard من الذاكرة المشتركة المستمرة عبر الوكلاء حتى عندما يعتمد هؤلاء الوكلاء على نماذج أساسية مختلفة. عندما تكون الذاكرة موثوقة، ي出现 السلوك العامل بشكل طبيعي بدلاً من كونه مخططًا. يمكن للأنظمة تذكر القرارات السابقة، الحفاظ على الاستمرارية عبر الجلسات، وتنسيق الإجراءات بدون إعادة التمثيل المستمر.

صمم إطار الذاكرة الأساسي للمنصة للحفاظ على الاتساق الزمني بدلاً من إعادة بناء الحالة من خلال الرسومات الثابتة أو الاسترجاع المتكرر. هذا يسمح للأنظمة الاصطناعية بالبقاء متسقة وقابلة للتدقيق مع نموها في التعقيد.

مبنية لأنظمة لا يمكنها نسيان

تجذور هيكلة Backboard في خبرة مؤسسها والرئيس التنفيذي، Rob Imbeault، الذي ساعد في بناء Assent من مرحلة بداية إلى منصة عالمية بقيمة أكثر من 1.4 مليار دولار. في Assent، كانت الأنظمة التي عمل عليها Imbeault متأصلة深ًا في عمليات العملاء، داعمة للامتثال التنظيمي وسلاسل التوريد المعقدة حيث كانت الاستمرارية والدقة والثقة غير قابلة للتفاوض.

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

رأى Imbeault فجوة بنيوية تظهر في الذكاء الاصطناعي الحديث. في حين تقدمت النماذج اللغوية الكبيرة بسرعة، ظلت بدون حالة. اختفى السياق بين الجلسات، مما أضطر المطورين إلى إعادة بناء الذاكرة من خلال سلاسل إشارات هشة وطبقات استرجاع غير رسمية. هذه النهج قد تعمل في التمثيلات، لكنها تتحطم عندما يتوقع من أنظمة الذكاء الاصطناعي تشغيلها بشكل مستمر، وتنسيقها عبر الوكلاء، وتطورها بمرور الوقت.

تم بناء Backboard لإغلاق هذه الفجوة. تعاملت الذاكرة كبنية تحتية متينة بدلاً من منطق التطبيق، مما يسمح لأنظمة الذكاء الاصطناعي بالحفاظ على الحالة عبر التفاعلات، والنمذجة، والوكلاء. يُظهر التركيز على الاستمرارية والدقة والموثوقية على المدى الطويل فلسفة التصميم التي تشكلت قبل وجود Backboard: في بيئات الإنتاج، أخطاء الذاكرة ليست عيوبًا طفيفة، إنما مخاطر 系مية.

تعتمد فلسفة تصميم Backboard على هذا المنظور. الهدف ليس إظهار الذكاء في لحظات معزولة، ولكن تمكين أنظمة الذكاء الاصطناعي التي تتصرف مثل البرامج الموثوقة، حتى مع نمو التعقيد وتمديد الأρίζونات الزمنية.

ما يعنيه هذا للمستقبل

الاستنتاج الأوسع لنتائج Backboard هو أن المرحلة التالية من تقدم الذكاء الاصطناعي لن تكون مدفوعة فقط بنماذج أكبر أو نوافذ سياق أطول. سوف تكون مدفوعة بأنظمة يمكنها تذكر، وreason، وتطوير بمرور الوقت.

مع نشر المؤسسات للذكاء الاصطناعي عبر دعم العملاء، والعمليات، والبحث، وامتثال القواعد، تصبح الذاكرة المستمرة أساسًا للثقة والتماسك. المنصات التي تحل مشكلة الذاكرة على مستوى البنية التحتية سوف تحدد كيفية انتقال الذكاء الاصطناعي العامل من التجارب إلى الاستخدام اليومي.

مع تأكيد هيكلة الذاكرة الخاصة بها الآن عبر معايير أكاديمية ومستقلة، توجّه Backboard انتباهها لمساعدة الفرق على فهم وتقييم سلوك أنظمة الذكاء الاصطناعي تحت قيود العالم الحقيقي. تهدف القدرة القادمة Switchboard إلى جعل تكوينات الذكاء الاصطناعي المعقدة أكثر وضوحًا وتنبؤًا.

سوف يتم تشكيل مستقبل الذكاء الاصطناعي بأقل من الحيل الذكية للإشارات وأكثر من الأنظمة التي يمكن الوثوق بها بمرور الوقت. الذاكرة هي أساس هذا التحول، وتشير النتائج الأخيرة لBackboard إلى أن هذا الأساس أخيرًا يأخذ شكلًا.