في عالم الذكاء الاصطناعي، تظل المحاكاة الاجتماعية الكبيرة ضرورية لفهم الأنماط الاجتماعية المعقدة. في هذا السياق، طوّر الباحثون إطار GASim الجديد، الذي يجمع بين نماذج اللغات الكبيرة (Large Language Models) ونماذج وكلاء قائمة على الأرقام (Agent-Based Models) لتقديم حل مبتكر.

تكمن التحديات في استخدام هذه الطرق السابقة في عدم القدرة على مواجهة تأخيرات عالية نتيجة لإعادة استرجاع الذاكرة المكلفة وتنفيذ نماذج الوكلاء بشكل تسلسلي. لكن GASim جاء ليعيد تشكيل المفاهيم من خلال إدخال تقنيات مبتكرة مثل الذاكرة المحسّنة بالرسوم البيانية (Graph-Optimized Memory) التي تستبدل الطرق التقليدية المكثفة بطرق خفيفة الوزن تعتمد على نشر المعلومات عبر رسم بياني ذا ذاكرة متفرقة.

بالإضافة إلى ذلك، يعتمد GASim على تمرير الرسائل عبر الرسم البياني (Graph Message Passing) بدلاً من تنفيذ نماذج وكلاء تسلسلي مما يعجل من عملية التحديث لكافة الوكلاء. يضيف ما يسمى بـ “تجميع مدفوع بالانتروبيا” (Entropy-Driven Grouping) عنصرًا جديدًا، حيث تنسق هذه التقنية بين التقسيمات الهجينة، مستفيدة من المعلومات المتنوعة لتحديد الوكلاء الأساسيين الذين يظهرون في بيئات غنية بالمعلومات.

أظهرت التجارب الواسعة أن GASim يحقق تسريعًا يصل إلى 9.94 مرة مقارنة بالإطار الهجين التقليدي، مع استهلاك أقل من 20% من الرموز الأساسية، مما يؤدي إلى تقليل التكاليف والحفاظ على توافق قوي مع اتجاهات الرأي العام في العالم الحقيقي. يمكنكم الاطلاع على الشفرة المصدرية لهذا الابتكار من خلال الرابط التالي: [https://github.com/Jasmine0201/GASim].

ما رأيكم في هذا التطور الثوري في تقنيات المحاكاة الاجتماعية؟ شاركونا في التعليقات.