في إطار سعي العلماء لتحقيق هدف مثير يخص الذكاء الاصطناعي، تم تقديم AI4AI-Bench، وهو معيار جديد يتم استخدامه لاختبار قدرة الأنظمة الذكية على تحسين نفسها بشكل تدريجي. يطرح مفهوم التحسين الذاتي المتكرر (Recursive Self-Improvement - RSI) سؤالًا جذريًا: هل يمكن لنظام الذكاء الاصطناعي أن يحسن عملية إنتاج أنظمة الذكاء الاصطناعي؟

تقوم فكرة RSI على تطوير خوارزميات التدريب بما يتيح لتحسينات سابقة أن تُرَثَّ لشبكات الذكاء الاصطناعي المقبلة، وبالتالي زيادة القدرة على تبادل الموارد. لكن التحدي الأكبر هنا هو الحاجة لتصميم خوارزميات التدريب من قبل هذه الأنظمة، وهو الأمر الذي لم يتم قياسه بشكل كافٍ في السابق. بالإضافة إلى ذلك، لم تكن هناك معايير موثوقة تقيم قدرة الأنظمة على تعديل الخوارزميات بأمان.

تعتمد AI4AI-Bench على عشرة مستودعات بحثية متجمدة، تغطي عشرة عائلات مختلفة من خوارزميات التدريب. في كل مهمة، تُعطى للوكيل (الأداة الذكية) أربع ساعات لإعادة كتابة خوارزمية التدريب، وتُعيد تشغيل الكود من جديد لمدة تصل إلى 12 ساعة، ثم تُقيَّم النتائج من قبل مقيّم ثابت لا يعرف الوكيل عنه شيئًا.

تشير النتائج إلى أن متوسط النقاط عبر 29 تكوينًا لستة أنظمة على جميع المهام العشرة كان 0.166، في حين أن أفضل نظام وصل إلى 0.250. ومن المثير للاهتمام، أن معظم الوكلاء لم يغيروا طريقة تعلم النموذج على الإطلاق، بينما أولئك الذين فعلوا ذلك حصلوا على نتائج أفضل (بمتوسط 0.226 مقابل 0.126 للبقية).

مع هذه الانطلاقة، نحن نطلق مجموعة المهام، والمقيّمين، وكل جولة مسجلة لضمان إمكانية تكرار القياسات. يبدو أننا في بداية فصل جديد مثير في عالم الذكاء الاصطناعي، كيف ترون التطورات المقبلة في هذا المجال؟ شاركونا آرائكم في التعليقات!