في عالم الذكاء الاصطناعي (Artificial Intelligence) الذي يتطور بسرعة، تبقى مسألة اتخاذ القرارات المتسلسلة (Sequential Decision Making) محور اهتمام كبير. حيث تمثل الألغاز، مثل برج هانوي (Tower of Hanoi)، أدوات فعّالة لتقييم مهارات التفكير والتعقل لأنظمة الذكاء الاصطناعي. لكن، ما يثير التساؤل، هو نقص المقارنات المنهجية بين الأساليب المختلفة بشكل موحّد.

لحل هذه المشكلة، تمكّن الباحثون من تقديم إطار تصنيف ثلاثي الأبعاد (3D Characterization Framework) يساعد المحللين على تقييم طرق الذكاء الاصطناعي بشكل أكثر دقة. يشمل هذا الإطار ثلاثة محاور أساسية: 1) دمج الطرق في صيغة عملية اتخاذ قرار ماركوف (Markov Decision Process - MDP)، 2) درجة الاستقلالية من خلال التصنيف السابق من البشر لتصميماتها، و3) المهارة والتكلفة الحسابية.

تم استخدام هذا الإطار لتحليل اختلافات الطرق المستندة إلى الرسم البياني (Graph-Based)، التعلم المعزز (Reinforcement Learning)، ونماذج اللغات الكبيرة (Large Language Models - LLM). نموذج الجرافات والاختيار الأوتوماتيكي (Neurosolver) يمثل تصميمًا متميزًا لهذا التحليل، في حين تمثّله أيضًا طرق التعلم المعزز مثل (FBRL) ومنهجية البحث الأوتوماتيكي (AutoToS)، بما في ذلك تمديد مزدوج الوكيل (DA-ToS).

تحليل النتائج استخدم لغز برج هانوي كمعيار مُنضبط يسمح بمقارنات دقيقة عبر تعقيدات متزايدة. وقد أظهر التصنيف الثلاثي الأبعاد أن طرق LLM، بفضل تصميمها السلطوي الضعيف، تنقل التعقيد من الهندسة المعمارية إلى التحقق أثناء التنفيذ، مما يتسبب في تكاليف ذاكرة ووقت تنفيذ أعلى بكثير مقارنةً بـNeurosolver وFBRL.

هذا الإطار الجديد يعد بمثابة خطوة كبيرة نحو تحسين فعالية أنظمة الذكاء الاصطناعي، حيث يقدم رؤى عميقة حول كيفية تصميم وتحسين نماذج الذكاء الاصطناعي لتحقيق أداء أعلى.