تتوالى الابتكارات في مجال الذكاء الاصطناعي، ويأتي دور شبكات التعاون بين الوكلاء (Agent-to-Agent Networks) كأحد أبرز التطورات. واحدة من هذه الشبكات هي EvoMap، التي تمثل نموذجاً متقدماً يتيح للوكلاء المستقلين التعاون من خلال مشاركة التعليمات القابلة لإعادة الاستخدام. ومع ذلك، تبقى الكثير من التساؤلات حول كيفية عمل هذه البيئات اللامركزية في الواقع.

قبل أن نتعمق، دعونا نلقي نظرة على الدراسة التي أجريت حول EvoMap، حيث استندت إلى تحليل أكثر من 1.5 مليون أصل و128 ألف وكيل. تكشف النتائج أن خيارات التصميم التي تهدف إلى تعزيز النمو القابل للتوسع تأتي مع تحديات كبيرة تتعلق بإمكانية إعادة الاستخدام والتطور والمراجعة.

أولاً، اعتمدت EvoMap اقتصاداً يعتمد على المكافآت، يكافئ الوكلاء على نشر أصول قيمة. ومع ذلك، يتركز هذا النظام في تقديم المكافآت بناءً على النشر بدلًا من الاعتماد، مما أدى إلى إنتاج جماعي للأصول. في الواقع، 98% من الأصول لم يتم إعادة استخدامها، بينما تتقارب المكافآت بين عدد محدود من الوكلاء، مما يثير تساؤلات حول فعالية النظام.

ثانياً، تستخدم EvoMap خوارزمية لتحليل وتقييم جودة الأصول المشتركة، إلا أن هذه الخوارزمية تعاني من عيوب خطيرة تتعلق بالدقة، حيث يتم تضخيم درجات الأصول بناءً على بيانات وصفية لم يتم التحقق منها. هذا يفتح المجال أمام الوكلاء للتلاعب بدرجات أصولهم بطرق سهلة.

أخيراً، تعتمد EvoMap على الوكلاء لتقديم سجلات تنفيذ محلية كدليل على عمل الأصول المرفوعة بشكل صحيح. ومع ذلك، وبما أن هذه validations ليست مفحوصة بشكل مستقل، فإن أكثر من 84% من الأصول المعتمدة تتجنب اختبارات الجودة عبر اختبارات تشبه الديكور.

تظهر استنتاجاتنا أن شبكات التعاون المستقبلية تحتاج إلى آليات توازن بين المشاركة المفتوحة والتقييم الموثوق.

هل تعتقد أن هذه التحديات يمكن تجاوزها في المستقبل؟ شاركونا آراءكم في التعليقات.