في عالم الذكاء الاصطناعي، يتجه الباحثون نحو طرق جديدة ومتطورة لتحسين جودة النتائج. وقد تم تقديم نظام DEI: التنوع في الاستنتاج التطوري، وهو إطار عمل بحثي مصمم لتعزيز فعالية البحث عن الجودة والتنوع (Quality-Diversity Search) باستخدام نماذج لغوية كبيرة ومتنوعة (Large Language Models).

يعمل نظام DEI على توزيع نماذج لغوية متعددة كعوامل طفرة عبر نقاط نظرية مختلفة، مما يعزز من التواصل غير المحجوب بين هذه النماذج. بعكس البحث المتوازي التقليدي الذي يعتمد على نموذج واحد، يعامل DEI كل نموذج كلغرض تكميلي يضيف سمة جديدة إلى النتائج.

تم تحسين إطار عمل الملكة الحمراء الرقمية (Digital Red Queen) من خلال DEI، حيث يتم تبادل حلول محلية مثلى بعد كل جولة لتأصيل سكان الحلقة التالية. هذه العملية تخلق ضغطًا تنافسيًا بين النماذج الذي يدفع نحو تعزيز القدرة على التكيف.

عند تقييمه في مجال Core War، وهو معيار برمجي تنافسي حيث تتواجه برامج محاربين بلغة Redcode داخل آلة محاكاة، أظهر فريق مكون من أربعة نماذج لغوية متنوعة (GPT-5.4-mini، Claude Sonnet 4.6، GPT-5.2، وClaude Haiku 4.5) زيادة مذهلة في نقاط جودة وتنوع النتائج بنسبة 124% (45.90 مقابل 20.46)، وزيادة بنسبة 28% في تغطية النتائج (80.6% مقابل 63.0% من الخلايا).

هذه النتائج تبرز أهمية تنوع النماذج، حيث تُظهر التجارب أن التنوع هو العنصر الحاسم الذي يحفز التحسين في البحث الجماعي القائم على النماذج اللغوية الكبيرة، وليس مجرد التوازي.

في عالم الذكاء الاصطناعي سريع التطور، هل تعتقد أن التنوع في النماذج سيحدث ثورة في جودة النتائج؟ نود سماع آرائكم في التعليقات!