في عالم الذكاء الاصطناعي، تسعى الفرق البحثية باستمرار نحو تحقيق تصميمات متقدمة تعمل على تحسين أداء نماذج اللغة. ومن بين أهم هذه الابتكارات يأتي نموذج CoCoDA (Co-evolving Compositional DAG) الذي يغيّر قواعد اللعبة.

يهدف CoCoDA إلى معالجة مشكلة رئيسية تواجه نماذج اللغة المدعومة بالأدوات: كيف يمكن للحل أن يتطور مع تطور مكتبة الأدوات؟ يجب على المكتبة أن تتفاعل مع مجموعة جديدة من الإجراءات القابلة للاستخدام، بينما تبقى في حدود ميزانية معينة. بدلاً من التعامل مع الأدوات كمجرد ذاكرة نصية مسطحة، يقدم CoCoDA هيكلًا مفهوماً يُعرف باسم Directed Acyclic Graph (DAG) يضم الأدوات البدائية أو المُركبة، بطرق تتميز بالاعتماد على الرموز وتنوع الأنماط.

عند إجراء الاستدلال، يُستخدم نموذج الاسترجاع القائم على الـ DAG لتقليص المرشحات المحتملة اعتمادًا على موحدات الرموز، حيث يتم تقييم الناجين حسب الأوصاف وتصفية النتائج وفقًا للمواصفات السلوكية. هذا يضمن تقليل التكاليف المرتبطة بعمليات الاسترجاع بينما يحافظ على دقة البرامج المعقدة.

خلال فترة التدريب، يتم دمج المسارات الناجحة في أدوات مركبة مؤكد عليها، ويتم تحديث المخطط الحاسوبي وفقًا لمكافآت معينة تعزز من تطورها. وهنا تظهر النتائج النظرية التي تؤكد أن CoCoDA يقلل تكاليف الاسترجاع، ويحقق أداءً متميزًا عبر مختلف المهمات، حيث أظهر كيف يمكن لنموذج بمساحة 8 مليار أن يتفوق على نماذج بمساحة 32 مليار في مهام الرياضيات.

بهذا النهج المُبتكر، يفتح CoCoDA آفاقًا جديدة للذكاء الاصطناعي، مما يجعله أداة فعالة في عالمٍ تسعى فيه التقنيات إلى التطور المستمر.

ما رأيكم في هذا التطور المثير؟ هل تتوقعون أن يغير من مستقبل الذكاء الاصطناعي؟ شاركونا في التعليقات.