في عالم الذكاء الاصطناعي الهائل، يظهر بروتوكول جديد يدعى FORGE، والذي يتمتع بقدرة فريدة على إحداث تحسينات ملحوظة في عمليات اتخاذ القرار من خلال ذاكرته الذاتية. يطرح هذا البحث سؤالاً مثيرًا: هل يمكن لوكلاء النماذج اللغوية الكبيرة (Large Language Models) أن يرتقوا بتجاربهم من خلال استثمار الذاكرة التي يولدونها بأنفسهم دون الحاجة إلى تحديثات وزنية؟

FORGE، الذي يرمز إلى Failure-Optimized Reflective Graduation and Evolution، يعرض نهجًا مبتكرًا حيث يجمع بين التفكير الذاتي والتعلم التعاوني لتحويل مسارات الفشل إلى معارف قابلة لإعادة الاستخدام.

واحدة من الخصائص الرئيسية لهذا النظام هي استعماله لحلقة انعكاسية، حيث يستخرج وكيل مخصص للتفكير (يستخدم نفس نموذج LLM الأساسي دون تقطير من نموذج أقوى) معرفة قيمة من الأخطاء السابقة، مما يساعد على تطوير استراتيجيات تفاعلية تعتمد على القواعد أو الأمثلة. بالإضافة إلى ذلك، يتم التعامل مع المعرفة المنتَجة من أفضل النماذج في مراحل مختلفة، مما يزيد من كفاءة وفعالية الوكلاء.

أثبتت التجارب التي أجريت على CybORG CAGE-2، شبكة الدفاع العشوائية، أن جميع عائلات النماذج اللغوية الكبيرة التي تم اختبارها أظهرت مكاسب استثنائية، حيث أظهرت تحسينًا في التقييم العام بنسبة تتراوح ما بين 29 إلى 72% مقارنة بالأساليب الأخرى.

فالنتائج ليست مجرد أرقام، بل تعكس قدرة FORGE في تقليل معدلات الفشل الكبرى إلى أقل من 1%، مما يمنحنا لمحة عن مستقبل واعد في استخدام وكالات الذكاء الاصطناعي في اتخاذ القرارات المعقدة.

في الختام، هل تعتقد أن FORGE سيكون حلاً فعالاً لمواجهة تحديات الذكاء الاصطناعي المستقبلية؟ شاركونا آراءكم في التعليقات!