في عصر الذكاء الاصطناعي، تظل نماذج اللغة الكبيرة (Large Language Models - LLMs) هي المحرك الرئيسي للتطويرات الحديثة. ولكن، كيف يمكن لهذه النماذج أن تتعامل مع علمٍ جديدٍ ومعقدٍ لا تستطيع معرفة تفاصيله من المعرفة السابقة فقط؟

تقدم الأبحاث الأخيرة مفهوم Agents التجريبية الهرمية (Hierarchical Experimentalist Agents - HExA)، الذي يمثل خطوة هامة نحو تحسين الطريقة التي يمكن بها لنماذج الذكاء الاصطناعي التعلم من خلال التجربة.

HExA لا يعتمد فقط على المعرفة الثابتة أو المعلومات التي تم الحصول عليها مسبقًا، بل بدلاً من ذلك يستخدم إطار عمل للتحسين الذاتي من خلال التجارب النشطة. يقوم HExA بتصميم تجارب ذات صلة بالأسئلة التي يتم طرحها، ويتعلم من تلك التجارب لبناء مكتبة مهارات قابلة للاستخدام المستقبلي.

واحدة من أهم الميزات التي يقدمها HExA هي عدم احتياجه لبيانات تدريبية خارجية أو إشراف. بل يكفيه استخدام النموذج بنفسه لتعلم وتجميع المعرفة. ولتقييم الأداء في التجارب النشطة، تم تقديم أداة Interphyre، التي تتطلب من العملاء تقديم تدخلات واختبار فرضيات عبر واجهات المحاكاة.

تظهر التجارب أن النماذج الحالية مثل Claude Sonnet 4.6 تعاني في هذه البيئات، حيث حققت فقط 2% نسبة نجاح. ولكن، مع استخدام HExA، ارتفعت هذه النسبة إلى 77%! بل أنه أظهر أيضا قدرة على التعلم من المهام السهلة ونقل المعرفة، محققا نسبة نجاح بلغت 44%. لذا، نستنتج أن HExA ليس مجرد نموذج، بل ثورة في طريقة تعلم الذكاء الاصطناعي من خلال التجارب، ويمكنه أن يحدث فرقًا حقيقيًا في الحلول للأمور المعقدة.