في عالم يتزايد فيه استخدام وكلاء الذكاء الاصطناعي (AI agents) للبحث في البرامج والتراكيب الرياضية والبراهين، برزت ضرورة تطوير أساليب جديدة أكثر موثوقية في اكتشاف الحلول. قدّم فريق من الباحثين نظام EPOCH، وهو بنية تحتية قائمة على الأدلة تهدف إلى تعزيز دقة وموثوقية النتائج.

تقليديًا، كانت الأنظمة الموجودة تُركّز على تحسين استجابة المتقييمات (evaluators) دون النظر بعمق في كيفية تفسير تلك الاستجابات أو تحديها أو إعادة استخدامها. ربما يؤدي هذا النهج إلى تصعيد المرشّحين الواعدين ولكن الهشين كاكتشافات، مما يُشوش على التقدم الفعلي المعتمد على معايير مثل التحسينات الجديدة والشهادات المحدودة والمطالب على مستوى النظريات.

EPOCH يعمل على سد هذه الفجوة عبر تنفيذ حلقة اكتشاف مدعومة بالأدلة، تجمع بين عقود المهام (task contracts) والذاكرة المبرمجة (typed memory) وإلغاء التحقق النشط (active falsification) وفحوص القبول (admission checks) وإعادة التشغيل المستقلة (independent replay). كل مرشح يخضع للتقييم بناءً على قوة ونطاق الادعاء الذي يدعمه.

لقد أظهرت EPOCH أداءً غير مسبوق في مجموعة الاختبار AlgoTune، متجاوزة بوضوح أقوى أساسيات الأداء (0.65 مقابل 0.53). كما حققت أعلى معدل في مجموعة Math14 الداخلية (0.57)، وأثبتت سلوكًا إيجابيًا خلال إعادة اختبار رسمي، مما أدى إلى تقديم نتائج موثوقة على AgentHPO.

عبر عشرة مشاكل اكتشاف مختلفة، تمكنت EPOCH من تقديم تحسينات نوعية تشمل إنجازات قابلة للتنفيذ، وتطوير خوارزميات محسنة، وأمثلة مضادة، ونتائج مدعومة بالبراهين. هذه الإنجازات تبرهن على قدرة EPOCH في تحويل عملية البحث إلى تقدم ملموس عبر المجالات الرياضية والحاسوبية.

بشكل عام، تشير النتائج إلى أن حوكمة الأدلة هي خطوة ضرورية نحو تحقيق وكلاء الذكاء الاصطناعي القادرين على إنتاج حلول أقوى واكتشافات علمية أكثر موثوقية.