تطور العقل في ديب مايند: تمكين نماذج اللغة الكبيرة لحل المشكلات في العالم الحقيقي

في السنوات الأخيرة، ظهرت الذكاء الاصطناعي (AI) كأداة عملية لتعزيز الابتكار عبر الصناعات. في طليعة هذا التقدم هي نماذج اللغة الكبيرة (LLMs) المعروفة بقدرتها على فهم وإنشاء اللغة البشرية. بينما تعمل نماذج LLMs بشكل جيد في مهام مثل الذكاء الاصطناعي المحادثي وإنشاء المحتوى، غالبًا ما تعاني من تحديات في مواجهة التحديات المعقدة في العالم الحقيقي التي تتطلب التفكير المنظم والتخطيط.

على سبيل المثال، إذا سألت نماذج LLMs لتخطيط رحلة عمل متعددة المدن التي تتضمن تنسيق جداول الرحلات، أوقات الاجتماعات، قيود الميزانية، والراحة الكافية، يمكنها تقديم اقتراحات لجوانب فردية. ومع ذلك، غالبًا ما تواجه صعوبات في دمج هذه الجوانب بشكل فعال لتحقيق التوازن بين الأولويات المتضاربة. يصبح هذا القصور أكثر وضوحًا مع زيادة استخدام نماذج LLMs في بناء وكلاء الذكاء الاصطناعي القادرة على حل المشكلات في العالم الحقيقي بشكل مستقل.

تم تطوير حل ل ADDRESS هذه المشكلة مؤخرًا من قبل Google DeepMind. مستوحى من الانتخاب الطبيعي، هذا النهج، المعروف باسم تطور العقل، يرقق استراتيجيات حل المشكلات من خلال التكيف التكراري. من خلال توجيه نماذج LLMs في الوقت الفعلي، يسمح لها بمواجهة المهام المعقدة في العالم الحقيقي بشكل فعال والتكيف مع السيناريوهات الديناميكية. في هذا المقال، سنستكشف كيف يعمل هذا الأسلوب المبتكر، وتطبيقاته المحتملة، وما يعنيه لمستقبل حل المشكلات القائم على الذكاء الاصطناعي.

لماذا تعاني نماذج LLMs من الصعوبات في التفكير المعقد والتخطيط

نماذج LLMs مدربة على التنبؤ بالكلمة التالية في الجملة من خلال تحليل الأنماط في مجموعات بيانات النص الكبيرة، مثل الكتب والمقالات والمحتوى عبر الإنترنت. هذا يسمح لها بإنشاء ردود تبدو منطقية وملائمة سياقيًا. ومع ذلك، يعتمد هذا التدريب على التعرف على الأنماط بدلاً من فهم المعنى. ونتيجة لذلك، يمكن لنماذج LLMs إنتاج نص يبدو منطقيًا ولكنها تعاني من المهام التي تتطلب تفكيرًا أعمق أو تخطيطًا منظمًا.

ال limitation الأساسية تكمن في كيفية معالجة نماذج LLMs للمعلومات. تركز على الاحتمالات أو الأنماط بدلاً من المنطق، مما يعني أنها يمكن التعامل مع المهام المعزولة – مثل اقتراح خيارات الطيران أو التوصيات الفندقية – ولكنها تفشل عندما تحتاج هذه المهام إلى دمجها في خطة متسقة. هذا أيضًا يجعل من الصعب عليها الحفاظ على السياق مع مرور الوقت. المهام المعقدة غالبًا ما تتطلب الحفاظ على مسار القرارات السابقة والتكيف مع ظهور معلومات جديدة. ومع ذلك، تميل نماذج LLMs إلى فقدان التركيز في التفاعلات الممتدة، مما يؤدي إلى مخرجات متجزئة أو غير متسقة.

كيف يعمل تطور العقل

يُعنى تطور العقل في DeepMind بهذه القصور من خلال تبني مبادئ من الانتخاب الطبيعي. بدلاً من إنتاج استجابة واحدة لمسألة معقدة، يُعتمد هذا النهج على توليد حلول متعددة، ورفinementها بشكل تكراري، واختيار أفضل نتيجة من خلال عملية تقييم منظم. على سبيل المثال، ضع في اعتبارك فريق يُجري مناقشات حول أفكار لمشروع. بعض الأفكار رائعة، بينما البعض الآخر أقل جودة. يُقيّم الفريق جميع الأفكار، مع الحفاظ على الأفضل وإلغاء الباقي. ثم يُحسن الفريق من أفضل الأفكار، ويُقدم تنويعات جديدة، ويتكرر هذا العملية حتى يصل إلى أفضل حل. يُطبق تطور العقل هذا المبدأ على نماذج LLMs.

هنا تفصيل لكيفية عمله:

1. التوليد: يبدأ العملية بإنشاء نموذج LLM لمجموعة من الاستجابات لمسألة معينة. على سبيل المثال، في مهمة تخطيط السفر، قد يُعدل النموذج عدة جداول زمنية بناءً على الميزانية والوقت وتفضيلات المستخدم.
2. التقييم: يُقيّم كل حل بناءً على دالة اللياقة، وهي مقياس لمدى удовлетворية المهام. تُستبعد الاستجابات ذات الجودة المنخفضة، بينما تُقدم المرشحات الأكثر وعدًا إلى المرحلة التالية.
3. التنقيح: يُعتبر أحد الابتكارات الفريدة لتطور العقل هو الحوار بين شخصيتين داخل نموذج LLM: الكاتب والناقد. يُقترح الكاتب حلولاً، بينما يُحدد الناقد العيوب ويُقدم تعليقات. يُ鏡 هذا الحوار المنظم كيف يُحسن البشر الأفكار من خلال الانتقاد والمراجعة. على سبيل المثال، إذا اقترح الكاتب خطة سفر تتضمن زيارة لمطعم يتجاوز الميزانية، يُشير الناقد إلى ذلك. ثم يُعدل الكاتب الخطة لمعالجة مخاوف الناقد. يُمكن لنماذج LLMs من خلال هذه العملية أداء تحليل عميق لم يكن بإمكانها أداؤه في السابق باستخدام تقنيات التوجيه الأخرى.
4. التنظيم التكراري: تُخضع الحلول المُحسنة للاختبار والتقييم مرة أخرى لتحسين جودتها.

من خلال تكرار هذه الدورة، يُحسن تطور العقل بشكل تكراري من جودة الحلول، مما يُمكن نماذج LLMs من مواجهة التحديات المعقدة بشكل أكثر فعالية.

تطور العقل في العمل

اختبرت DeepMind هذا النهج على المعايير مثل TravelPlanner و Natural Plan. باستخدام هذا النهج، حقق Gemini من Google نسبة نجاح بلغت 95.2% في TravelPlanner، وهو تحسين كبير من القيمة الأساسية البالغة 5.6%. مع Gemini Pro الأكثر تقدمًا، زادت نسبة النجاح إلى ما يقرب من 99.9%. يُظهر هذا الأداء التحويلي فعالية تطور العقل في مواجهة التحديات العملية.

من المثير للاهتمام أن فعالية النموذج تزداد مع زيادة تعقيد المهمة. على سبيل المثال، بينما عانت الأساليب المنفردة من صعوبات في جداول السفر متعددة الأيام التي تتضمن مدن متعددة، تفوقت تطور العقل بشكل مستمر، مع الحفاظ على معدلات نجاح عالية حتى مع زيادة عدد القيود.

التحديات والتوجيهات المستقبلية

على الرغم من نجاحه، لا يخلو تطور العقل من القيود. يتطلب هذا النهج موارد حسابية كبيرة بسبب عمليات التقييم والتطوير التكرارية. على سبيل المثال، حل مهمة TravelPlanner باستخدام تطور العقل استهلك ثلاثة ملايين رمز و 167 مكالمة واجهة برمجة التطبيقات – وهو ما يفوق بكثير الأساليب التقليدية.

علاوة على ذلك، قد يكون تصميم دوال لياقة فعالة لمهام معينة مهمة صعبة. قد تركز الأبحاث المستقبلية على تحسين الكفاءة الحسابية وتوسيع نطاق تطبيق التقنية لما وراء مهام التخطيط، مثل الكتابة الإبداعية أو اتخاذ القرارات المعقدة.

منطقة أخرى مثيرة للاهتمام للاستكشاف هي دمج مدققين محددين بالdomain. على سبيل المثال، في التشخيص الطبي، يمكن أن يعزز دمج معرفة الخبراء في دالة اللياقة من دقة وثقة النموذج.

التطبيقات ما وراء التخطيط

على الرغم من أن تطور العقل يتم تقييمه بشكل رئيسي على مهام التخطيط، يمكن تطبيقه على مجالات متعددة، بما في ذلك الكتابة الإبداعية والاكتشاف العلمي و حتى توليد الشفرة. على سبيل المثال، قدم الباحثون معيارًا يُسمى StegPoet، الذي يُحدد تحديًا للنموذج لتشفير رسائل مخفية داخل القصائد. على الرغم من صعوبة هذه المهمة، يُتفوق تطور العقل على الأساليب التقليدية بتحقيق معدلات نجاح تصل إلى 79.2%.

القدرة على التكيف والتطور للحلول في اللغة الطبيعية تفتح إمكانيات جديدة لمواجهة المشكلات التي يصعب تحديدها، مثل تحسين سير العمل أو توليد تصاميم منتجات مبتكرة. من خلال توظيف قوة الخوارزميات التطورية، يوفر تطور العقل إطارًا مرنًا ومقابلًا لتعزيز قدرات حل المشكلات لنماذج LLMs.

النقطة الأساسية

يُقدم تطور العقل في DeepMind طريقة عملية وفعالة للتفوق على القيود الرئيسية في نماذج LLMs. من خلال استخدام التطوير التكراري المستوحى من الانتخاب الطبيعي، يُحسن من قدرة هذه النماذج على التعامل مع المهام المعقدة متعددة المراحل التي تتطلب التفكير المنظم والتخطيط. أظهر هذا النهج نجاحًا كبيرًا في سيناريوهات تحديات مثل تخطيط السفر، ويوحى بالوعد عبر مجالات متعددة، بما في ذلك الكتابة الإبداعية والبحث العلمي وتوليد الشفرة. بينما تظل التحديات مثل التكلفة الحسابية العالية وضرورة تصميم دوال لياقة جيدة، يوفر النهج إطارًا قابلًا للتطوير لتحسين القدرات الذكية. يُحدد تطور العقل المرحلة لإنشاء أنظمة ذكية أكثر قوة وقدرة على التفكير والتخطيط لحل التحديات في العالم الحقيقي.