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

في السنوات الأخيرة، ظهرت الذكاء الاصطناعي كأداة عملية لتعزيز الابتكار عبر الصناعات. وفي طليعة هذا التقدم، نجد نماذج اللغة الكبيرة (LLM) المعروفة بقدرتها على فهم وإنتاج اللغة البشرية. بينما تؤدي نماذج LLM أداءً جيدًا في المهام مثل الذكاء الاصطناعي الحواري وإنشاء المحتوى، غالبًا ما تواجه صعوبات في تحديات العالم الحقيقي المعقدة التي تتطلب التفكير المنظم والتخطيط.

على سبيل المثال، إذا سألت نماذج LLM لتخطيط رحلة عمل متعددة المدن التي تتضمن تنسيق جداول الطيران وأوقات الاجتماعات والقيود المالية والراحة الكافية، قد تقدم اقتراحات حول جوانب فردية. ومع ذلك، غالبًا ما تواجه صعوبات في دمج هذه الجوانب لتحقيق توازن فعال بين الأولويات المتضاربة. يصبح هذا القصور أكثر وضوحًا مع زيادة استخدام نماذج LLM في بناء وكلاء ذكاء اصطناعي قادرة على حل مشكلات العالم الحقيقي بشكل مستقل.

طور ديب مايند最近 حلًا لمعالجة هذه المشكلة. مستوحى من الانتخاب الطبيعي، يُطلق على هذا النهج اسم تطور العقل، ويحسن استراتيجيات حل المشكلات من خلال التكيف التكراري. من خلال توجيه نماذج LLM في الوقت الفعلي، يسمح لها بمعالجة مهام العالم الحقيقي المعقدة بشكل فعال والتكيف مع السيناريوهات الديناميكية. في هذه المقالة، سنستكشف كيفية عمل هذا الأسلوب المبتكر وتطبيقاته المحتملة وما يعنيه لمستقبل حل المشكلات القائمة على الذكاء الاصطناعي.

لماذا تواجه نماذج LLM صعوبات في التفكير المعقد والتخطيط

تُدرّب نماذج LLM على التنبؤ بالكلمة التالية في الجملة من خلال تحليل الأنماط في مجموعات بيانات نصية كبيرة، مثل الكتب والمقالات والمحتوى عبر الإنترنت. هذا يسمح لها بإنتاج استجابات تبدو منطقية وملائمة سياقيًا. ومع ذلك، يعتمد هذا التدريب على التعرف على الأنماط بدلاً من فهم المعنى. ونتيجة لذلك، يمكن لنماذج LLM إنتاج نص يبدو منطقيًا ولكنها تواجه صعوبات في المهام التي تتطلب تفكيرًا أعمق أو تخطيطًا منظمًا.

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

كيف يعمل تطور العقل

يُعالج ديب مايند تطور العقل هذه النقصان من خلال تبني مبادئ من التطور الطبيعي. بدلاً من إنتاج استجابة واحدة لمسألة معقدة، يُنتج هذا النهج عدة حلول محتملة، ويعمل على تحسينها تكراريًا، ويتخير أفضل نتيجة من خلال عملية تقييم منظمة. على سبيل المثال، يمكن اعتبار فريق يُجرى мозاكرة أفكار لمشروع. بعض الأفكار رائعة، بينما البعض الآخر أقل جودة. يقوم الفريق بتقييم جميع الأفكار، ويحتفظ بالأفضل ويلغي الباقي. ثم يحسن الأفكار الجيدة، ويقدم تنويعات جديدة، ويكرر العملية حتى يصل إلى الحل الأمثل. يطبق تطور العقل هذا المبدأ على نماذج LLM.

هذا هو كيفية عمله:

1. التنمية: يبدأ العملية بإنشاء نموذج LLM لمجموعة من الاستجابات لمسألة معينة. على سبيل المثال، في مهمة التخطيط للسفر، قد يُنشئ النموذج عدة جداول زمنية بناءً على الميزانية والوقت و تفضيلات المستخدم.
2. التقييم: يتم تقييم كل حل بناءً على وظيفة اللياقة، وهي مقياس لمدى удовлетворение المتطلبات المحددة للمهمة. يتم التخلص من الاستجابات المتدنية الجودة، بينما تتقدم المرشحات الأكثر وعدًا إلى المرحلة التالية.
3. التحسين: يُعتبر تحسين تطور العقل ابتكارًا فريدًا، وهو الحوار بين شخصيتين داخل نموذج LLM: الكاتب والناقد. يقترح الكاتب حلولًا، بينما يُحدد الناقد العيوب ويوفر التغذية الراجعة. يُشبه هذا الحوار المنظم كيفية تحسين البشر الأفكار من خلال الانتقاد والمراجعة. على سبيل المثال، إذا اقترح الكاتب خطة سفر تتضمن زيارة لمطعم يتجاوز الميزانية، يشير الناقد إلى ذلك. ثم يُعدل الكاتب الخطة لمعالجة مخاوف الناقد. هذا يسمح لنماذج LLM بإجراء تحليل sâu الذي لم تكن قادرة على إجرائه من قبل باستخدام تقنيات التوجيه الأخرى.
4. التحسين التكراري: يتم تقييم الحلول المُحسنة وتجميعها مرة أخرى لإنتاج حلول مُحسنة.

من خلال تكرار هذه الدورة، يحسن تطور العقل جودة الحلول تكراريًا، مما يسمح لنماذج LLM بمعالجة التحديات المعقدة بشكل أكثر فعالية.

تطور العقل في العمل

اختبر ديب مايند هذا النهج على معايير مثل TravelPlanner و Natural Plan. باستخدام هذا النهج، حقق نموذج Gemini من جوجل نسبة نجاح بلغت 95.2٪ في TravelPlanner، وهو تحسين كبير من القيمة الأساسية البالغة 5.6٪. مع نموذج Gemini Pro الأكثر تقدمًا، زادت نسبة النجاح إلى ما يقرب من 99.9٪. هذا الأداء المتحول يُظهر فعالية تطور العقل في معالجة التحديات العملية.

من المثير للاهتمام أن فعالية النموذج تزداد مع تعقيد المهمة. على سبيل المثال، بينما عانت الأساليب التي تستخدم الممرات الواحدة من صعوبة في جداول السفر متعددة الأيام التي تتضمن مدن متعددة، تفوق تطور العقل بانتظام، مع الحفاظ على معدلات نجاح عالية حتى مع زيادة عدد القيود.

التحديات والتوجيهات المستقبلية

على الرغم من نجاحه، فإن تطور العقل ليس خاليًا من القيود. يتطلب النهج موارد حسابية كبيرة بسبب عمليات التقييم والتحسين التكرارية. على سبيل المثال، حل مهمة TravelPlanner باستخدام تطور العقل استهلك ثلاثة ملايين رمز و 167 مكالمة API – وهو ما يفوق بكثير الأساليب التقليدية.

علاوة على ذلك، قد يكون تصميم وظائف اللياقة الفعالة لمهام معينة مهمة صعبة. قد تركز الأبحاث المستقبلية على تحسين الكفاءة الحسابية وتوسيع مجال تطبيق هذه التقنية إلى نطاق أوسع من المشكلات، مثل الكتابة الإبداعية أو اتخاذ القرارات المعقدة.

منطقة أخرى مثيرة للاهتمام للتحقيق هي دمج المقييمين المحددين بالمجال. على سبيل المثال، في التشخيص الطبي، يمكن أن يعزز دمج المعرفة الخبيرة في وظيفة اللياقة دقة وثقة النموذج.

التطبيقات ما وراء التخطيط

على الرغم من أن تطور العقل تم تقييمه بشكل رئيسي على مهام التخطيط، إلا أنه يمكن تطبيقه على مجالات مختلفة، بما في ذلك الكتابة الإبداعية والاكتشاف العلمي و حتى إنشاء الشفرة. على سبيل المثال، قدم الباحثون معيارًا يُسمى StegPoet، الذي يُطالب النموذج بتشفير رسائل مخفية داخل القصائد. على الرغم من أن هذه المهمة لا تزال صعبة، يتجاوز تطور العقل الأساليب التقليدية بتحقيق معدلات نجاح تصل إلى 79.2٪.

قدرة تطور العقل على التكيف والتطور للحلول في اللغة الطبيعية تفتح إمكانيات جديدة لمعالجة المشكلات التي يصعب تحديدها، مثل تحسين سير العمل أو إنشاء تصاميم منتجات مبتكرة. من خلال توظيف قوة الخوارزميات التطورية، يوفر تطور العقل إطارًا مرنًا وقابل للتطوير لتعزيز قدرات حل المشكلات لنماذج LLM.

الخلاصة

يُقدم تطور العقل من ديب مايند طريقة عملية وفعالة للتغلب على القيود الرئيسية في نماذج LLM. من خلال استخدام التحسين التكراري المستوحى من الانتخاب الطبيعي، يعزز قدرة هذه النماذج على معالجة المهام المعقدة متعددة الخطوات التي تتطلب التفكير المنظم والتخطيط. أظهر هذا النهج نجاحًا كبيرًا في سناريوهات تحديات مثل تخطيط السفر، ويوحى بالوعد عبر مجالات متعددة، بما في ذلك الكتابة الإبداعية والبحث العلمي وإنشاء الشفرة. على الرغم من أن التحديات مثل التكاليف الحسابية العالية وضرورة وظائف اللياقة المصممة جيدًا لا تزال قائمة، يوفر هذا النهج إطارًا قابلًا للتطوير لتحسين القدرات الذكية. يُحدد تطور العقل المرحلة لإنشاء أنظمة ذكاء اصطناعي أكثر قوة قادرة على التفكير والتخطيط لحل التحديات في العالم الحقيقي.