حقق الذكاء الاصطناعي مؤخرًا تقدمًا ملحوظًا بفضل نماذج اللغات الكبيرة (Large Language Models)، والتي أثبتت كفاءتها في المهام ذات اتخاذ القرار المفرد. ولكن، يبقى أداؤها في تجربتها مع اتخاذ القرارات المتسلسلة موضع تساؤل. ولذلك، قامت دراسة جديدة بالتحقيق في هذا الأداء من خلال تحليل ألعاب متكاملة يمكن قياس نتائجها بدقة، مثل لعبة X-O ولعبة Connect Four.

تظهر النتائج أن هذه النماذج غالبًا ما تلعب بشكل غير مثالي، مما يثير التساؤلات حول قدرتها على التعلم من التجارب السابقة. رغم ذلك، الغموض في أداء النماذج كان واضحًا لدى التعامل مع الأجسام الشجرية للألعاب، حيث لم يؤثر تعديل السطح الخارجي لها على الأداء بصورة ملموسة. هذا يشير إلى أن الفجوة في الأداء لا تعود فقط إلى عدم استرجاع الاستراتيجيات المسجلة في الذاكرة.

استجابة لهذا التحدي، تم تقديم إطار عمل جديد يركز على تجربة ذاكرة لتعزيز القدرات في اتخاذ القرارات المتسلسلة. تتيح هذه التقنية للنماذج فرصة التفكير بعد المباريات واستخراج القواعد، مما يؤدي إلى تحسينات قياسية في الأداء، وخاصةً في لعبة X-O، دون الحاجة لتعديل أوزان النموذج.

باختصار، تسلط هذه الدراسة الضوء على الإمكانيات الواعدة لتحسين أداء نماذج اللغات الكبيرة في اتخاذ القرارات المتسلسلة، وتفتح آفاق جديدة لاستغلال الذكاء الاصطناعي في مجالات متعددة.