تعد أنظمة الوكلاء المتعددين المرئيين (VMAS) من أبرز التقنيات في مجال الذكاء الاصطناعي، حيث تسعى لتعزيز القدرات الشاملة من خلال التعاون بين الوكلاء. ولكن، وكما كشفت الأبحاث، هناك جدار مقاوم للتوسع يُعرف بـ "جدار القياس"، حيث يؤدي زيادة تفاعلات الوكلاء إلى تدهور الأداء وزيادة تكاليف التوكنز بشكلٍ مضاعف.

هنا، نبحث في الأسباب وراء هذا الفشل، والذي يعود إلى عنق الزجاجة في التواصل القائم على النصوص، حيث يؤدي تحويل المسارات الإدراكية والتفكير إلى لغة طبيعية محددة إلى فقدان معنوي لا يُستهان به.

لذا، نقدم نموذج L²-VMAS، وهو إطار عمل مبتكر مستقل عن النماذج يسهل التعاون بين الوكلاء من خلال ذاكرات مزدوجة. هذا النموذج لا يكتفي بتفكيك الإدراك والتفكير، بل يجدد التعامل مع الذكريات بشكل ديناميكي، مما يتيح الوصول الفعال للذاكرة عند الحاجة.

ولإيضاح قوة هذا النموذج، تم إجراء تجارب شاملة على مختلف الأبعاد والهياكل، حيث أثبتت النتائج أن L²-VMAS يتجاوز "جدار القياس" بفضل قدرته الفائقة على التوسع. وقد أدى ذلك إلى تحسين الدقة المتوسطة بنسبة تتراوح بين 2.7% إلى 5.4%، بينما تم تقليل استخدام التوكنز بنسبة تتراوح بين 21.3% إلى 44.8%. وبذلك، يُعتبر L²-VMAS خطوة هامة في تطوير أنظمة ذكاء اصطناعي أكثر فعالية وكفاءة.

إنها ثورة حقيقية في ساحة الذكاء الاصطناعي، فما رأيكم في هذا الابتكار؟ لا تترددوا في مشاركتنا آراءكم وتعليقاتكم!