مع تقدم التكنولوجيا في مجال الذكاء الاصطناعي، أصبحت نماذج اللغة الكبيرة (LLM) تتجه نحو ما يُعرف بالتفكير المنهجي (System 2 reasoning)، والذي يتميز بالقدرة على حل المشكلات بدقة عالية وبشكل مدروس. لكن، كانت هناك مشكلة رئيسية تتمثل في كيفية الحفاظ على الذاكرة السياقية بشكل موثوق خلال فترات زمنية طويلة.

تتضمن الأساليب الحالية لتحضير الذاكرة تدميرًا للتوافق السياقي، مما يعيق التفكير العميق. غالبًا ما تقوم هذه الأساليب بضغط التبعيات التسلسلية المعقدة إلى هياكل محددة مسبقًا مثل التضمينات (embeddings) أو الرسوم البيانية، مما يؤدي إلى انقطاع المعلومات الحيوية المطلوبة للتفكير العميق.

لإصلاح هذه الثغرات، تُقدم E-mem كإطار عمل مبتكر ينقل تركيز الذاكرة من التحضير التقليدي إلى إعادة بناء السياقات الزمنية. مستوحاة من الأنجمات البيولوجية، تستخدم E-mem بنية هرمية غير متجانسة حيث تبقي الوكلاء المساعدون على سياقات الذاكرة غير المضغوطة، بينما يقوم وكيل رئيسي بتنظيم الخطط العالمية.

ما يميز هذا الإطار هو قدرته على تمكين الوكلاء المساعدين من التفكير محلياً ضمن مقاطع مفعلّة، مما يسمح لهم باستخلاص الأدلة المستندة إلى السياق قبل التجميع. وفق تقييمات أجريت على معيار LoCoMo، أثبتت E-mem تفوقها بتحقيق أكثر من 54% في درجة F1، متفوقةً على الأنظمة الحالية (GAM) بفارق 7.75%، مع خفض الكلفة الخاصة بالتوكنات بما يتجاوز 70%.

تعتبر E-mem خطوة ثورية في تطوير الوكلاء الذكاء الاصطناعي، حيث تقدم نهجًا جديدًا فعالاً ولافتًا للنظر، يمكن أن يحدث تحولاً جذريًا في طريقة تفكير هذه الأنظمة المعقدة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.