في عصر الذكاء الاصطناعي الحديث، يواجه الوكلاء المعتمدون على نماذج اللغة الضخمة (LLMs) تحديات ملحوظة في ما يتعلق بالفهم التراكبي (compositional generalization). لذلك، تم تقديم AGEL-Comp، وهو إطار عمل جديد يهدف إلى تحسين هذه القدرات من خلال دمج تقنيات الذكاء الاصطناعي الرمزي (neuro-symbolic AI).

تتمثل الابتكارات الرئيسية في AGEL-Comp في ثلاثة مكونات أساسية:
1. **رسم بياني ديناميكي للبرامج السببية (Causal Program Graph)** كتصور للعالم، يمثل المعرفة الإجرائية والسببية كنموذج معقد.
2. **محرك البرمجة المنطقية الاستقرائية (Inductive Logic Programming)**، الذي يقدم أقواس هورن جديدة بناءً على التغذية الراجعة التجريبية، مما يتيح تفاعل المعرفة الرمزية مع البيئة.
3. **نواة استدلال هجينة** حيث يقوم نموذج اللغة الضخم باقتراح مجموعة من الأهداف الفرعية التي يتم التحقق من اتساقها المنطقي بواسطة مُثبت النظريات العصبي (Neural Theorem Prover).

يعمل AGEL-Comp من خلال دورة تعلم استقرائية واستنتاجية، حيث يمكنه استنتاج الخطط وتوسيع نموذج العالم الرمزي بشكل استنتاجي. مع دورة تأقلم عصبية، يبقى محرك الاستدلال متماشياً مع المعرفة الجديدة.

لتحقيق ذلك، تم اقتراح بروتوكول تقييم داخل بيئة محاكاة **Retro Quest** لاختبار السيناريوهات المتعلقة بالفهم التراكبي. وأظهرت النتائج تفوق AGEL-Comp على النماذج المعتمدة على LLMs بشكل خالص.

يمثل هذا الإطار خطوة هامة نحو وكلاء يتمتعون بفهم صريح وقابل للتفسير ومنظم من الناحية التركيبية لعالمهم. هل تعتقد أن مثل هذه الابتكارات ستحدث ثورة في الذكاء الاصطناعي التفاعلي؟ شاركونا آراءكم!