شهدت مجالات الذكاء الاصطناعي اهتمامًا متزايدًا بالتعاون بين نماذج اللغات الضخمة (Large Language Models) من خلال مفهوم المناقشة متعددة الوكلاء (Multi-Agent Discussion)، حيث تتفاعل هذه النماذج لحل القضايا بشكل جماعي. ومع ذلك، يواجه هذا النوع من المناقشات مشكلة التداخل والفوضى نتيجة عدم توافق السياقات الفردية لكل وكيل.

في دراسة جديدة، توصل الباحثون إلى تقنية مبتكرة تُدعى "تعلم السياق لعدة نماذج لغوية" (Multi-LLM Context Learning) أو اختصارًا M2CL. تتيح هذه الطريقة لكل وكيل تعلم سياق جديد ديناميكيًا، مما يمكّن النماذج من تحسين تناسق المناقشات والوصول إلى حلول متكاملة.

تعتمد التقنية على مبدأ التعلم الذاتي القائم على سياقات المناقشات، حيث يتم تدريب مولدات السياق للتحكم في تماسك السياقات وتقليل الفجوات. وهذا يُعزز قدرة النماذج على تجنب الضجيج والتوصل إلى توافق حقيقي ونتائج دقيقة.

أظهرت التجارب على مهام صعبة مثل التفكير الأكاديمي والمهمات المتكاملة والتحكم في الأجهزة المحمولة، أن أداء تقنية M2CL يتفوق بشكل ملحوظ على الأساليب السابقة بنسبة تتراوح بين 20% إلى 50%، مع تحقيق كفاءة عالية في الحوسبة وسهولة في التحويل بين المهام.

مع هذه التطورات، يبدو أن مستقبل المناقشات متعددة الوكلاء واعد. كيف ترى تأثير هذه الابتكارات في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!