في عالم الذكاء الاصطناعي، يمثل الاكتشاف العلمي تحديًا مستمرًا يتطلب منهجيات متطورة. وفي هذا السياق، يتناول البحث الأخير خوارزمية مبتكرة تحمل اسم "Agentic Reasoning for Tree Search" (ARTS)، التي تعيد صياغة كيفية تقييم الفرضيات العلمية وتجربتها.

تستند ARTS إلى مفهوم البحث التكراري ضمن مساحة الفرضيات والتجارب، حيث تعمل على تحسين القدرة على تحديد الفرضيات الأكثر وعدًا بناءً على تنفيذها السابق. وهذا يعني أن الخوارزمية تتجاوز الطرق التقليدية التي كانت تعتمد على جودة التنفيذ فقط لتقييم الفرضيات، مما يؤدي إلى تصنيف سيئ للفرضيات الجيدة في حال كان تنفيذها الأولي غير مثالي.

تعمل ARTS من خلال استخدام نموذج لغوي ذكي يقوم بفحص سجلات التنفيذ السابقة، ويقوم بتشخيص الأسباب وراء أي إخفاقات قد تكون حدثت، سواء كانت بسبب تنفيذ خاطئ أو فرضيات غير صحيحة. وهذا يساعد في اختيار الفرضية التالية التي ينبغي العمل عليها.

واحدة من أبرز ميزات ARTS هي قدرتها على التغلب على تحديات طول السياق (context length) بواسطة تدريب في وقت الاختبار، مما يعزز كفاءة الخوارزمية. وفي اختبارها على 22 مهمة من MLGym وMLEBench، أظهرت ARTS تحسناً نسبته 15.3% على الأداء مقارنة بالخوارزميات الرائدة، حيث كان بإمكان نموذج Qwen3-4B تجربة ذات أداء يوازي نماذج مغلقة مثل Gemini-3 Pro وGPT o3-reasoning مع تكلفة استدلال أقل بخمس مرات.

على الصعيد الآخر، أظهرت ARTS أيضًا أداءً متفوقًا في مهام التعلم المعزز (Reinforcement Learning) عندما استخدم العلماء نموذج Qwen3-4B المدرب في وقت الاختبار. حيث استطاعوا استعادة الحل الأمثل الذي يميل البشر إلى اكتشافه، والذي غالبًا ما يتم تجاهله بواسطة الأساليب التقليدية.

إذاً، تضعنا ARTS في مقدمة ثورة جديدة في مجال الاكتشاف العلمي، حيث تقدم نفسها كأداة قوية لتعزيز الفهم والتقدم في العلم. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!