أصبح استخدام النماذج اللغوية الكبيرة (Large Language Models) في تطوير البرمجيات والتحسين خريطة طريق جديدة وفرصة لاستغلال الذكاء الاصطناعي لأقصى حد. ومن بين هذه الابتكارات المتقدمة، يبرز نموذج ACEvo الذي يُعد بمثابة إطار عمل مغلق يعيد تشكيل طريقة تطوير الخوارزميات.

بدلًا من الاعتماد على توزيعات مرجعية ثابتة، يقوم ACEvo بتطبيق مفهوم التفاعل المستمر بين خوارزميات الحلول المسماة "الحلول الاستدلالية" (heuristic solvers) ومنتجي المشكلات (problem generators). بحيث يتنافس كلاهما داخل حلقة مغلقة حيث يقوم المنتج بتقديم حالات تتسبب في تحديات أكبر، ويقوم الحل بإجراء تحسينات متواصلة لتجاوز هذه التحديات.

تم تصميم هذا النموذج للتطبيق على مسائل متعلقة بالتوجيه، مثل مشكلة البائع المتجول (TSP)، ومشكلة تقسيم السعة (CVRP). أظهرت النتائج أن ACEvo ليس فقط ينتج توزيعات حالات تضمن فجوات تحسين أكبر من المعايير الثابتة، بل أيضًا يسفر عن برامج حلول تفوق تلك المستمدة من التدريبات الثابتة.

علاوةً على الأداء النهائي، يشكل ACEvo منصة مميزة لدراسة تصميم الخوارزميات القائمة على النماذج اللغوية الكبيرة تحت تأثير توزيعات متغيرة. يتضح أن المفاهيم مثل "التحول الانعكاسي" و"ردود الفعل المعادية" تعزز تطور كل من المولدات والحلول.

تقدم هذه النتائج أسسًا قوية تشير إلى أن التعاون المغلق في التطوير هو نموذج واعد لاحتضان الذكاء الاصطناعي ليس فقط لتوليد الخوارزميات، بل أيضًا لبناء بيئات تقييم تكيفية.