في عالم الذكاء الاصطناعي، تكتسب النماذج اللغوية الضخمة (Large Language Models) دوراً متزايد الأهمية، حيث تُستخدم في العديد من المؤسسات لتحقيق الأداء الفعّال. لكن، كما يُعرف الكثيرون، لكل نموذج قيود خاصة به، مما يتسبب في تحديات عند نشرها. لكن، في تناقض مثير، قد تتيح هذه القيود المجال لإمكانية جديدة: إذا تم تنسيق النماذج بشكل استراتيجي، يمكن أن تُحرِّك قوة جماعية تتجاوز قدرة أي نموذج بمفرده.

قد تبدو طريقة دمج النماذج التقليدية غير كافية في ظل البيئة الديناميكية المعقدة، لذا تأتي فكرة "حكمة الحشود" لتعيد تصور الذكاء الجماعي للنماذج اللغوية الضخمة (LLMs) كعملية تكميلية تعتمد على التسلسل، حيث يتم اختيار كل نموذج لاحق لمواجهة نقاط الضعف المحددة في ناتج النموذج السابق.

لتطبيق هذه الفكرة، يُقترح إطار عمل جديد يسمى WILC (Wisdom Integration of LLM Crowds)، الذي يعتمد على مبدأين أساسيين. الأول هو "التفكر والتكرار"، حيث يساهم النماذج في مراجعة وتحسين نواتجها السابقة بشكل دوري. والثاني هو "اختيار النماذج المعزز بالتكامل"، الذي يحكم الانتقالات بين النماذج من خلال آلية مدخل مزدوج. حيث يقوم "الملاءمة المستقبلية" بتحديد النموذج الأكثر ملاءمة للتعامل مع الفجوات الحالية، ويخصص "زيادة الملاءمة اللاحقة" لتقييم ما إذا كانت الانتقالة المحسوبة قد حسّنت من الحل المتطور.

أظهرت التجارب التي أُجريت على أربعة معايير متنوعة أن WILC يتفوق على الأساليب الحالية، بما في ذلك تحسين النموذج الفردي، وأساليب التجميع، وطرق توجيه الاستفسارات. بموجب افتراضات تسعير موحدة، تتماشى أداء WILC مع الأداء المتوسط لنموذج GPT-5.2 عند تكلفة تقديرية أدنى بست مرات، مما يعزز السيادة على البيانات من خلال نشر ذاتي.

تفتح هذه الدراسة آفاقاً جديدة في نظرية "حكمة الحشود"، حيث تنتقل من التجميع الثابت إلى التكامل التسلسلي في الذكاء الاصطناعي، وتقدم مبادىٔ قابلة للتحويل لتنسيق أنظمة ذكاء متعددة.