في عالم الذكاء الاصطناعي، تلعب نماذج اللغة المعتمدة (Language Models) دوراً محورياً في أتمتة المهام المعقدة بناءً على التعليمات اللغوية. ومع ذلك، ما زالت الحاجة قائمة لتطوير هذه النماذج لتصبح أكثر كفاءة في التخطيط الطويل الأجل والتفكير الاستراتيجي. لذا، قرر فريق من الباحثين تقديم إطار عمل متقدم يهدف إلى تجاوز هذه التحديات.

يستند الإطار الجديد إلى تقسيم الأتمتة إلى ثلاثة أدوار رئيسية: المخطط (Planner) الذي يقوم باتخاذ القرارات الاستراتيجية، المنفذ (Actor) المسؤول عن تنفيذ المهام، ومدير الذاكرة (Memory Manager) الذي يدير التفكير السياقي. هذا التقسيم يتماشى مع أنماط التصميم المعترف بها، لكنه يتجاوز ذلك بحل مبتكر يقوم على تحليل توزيع الحوسبة الخاص بكل دور، ليظهر أن التخطيط هو العامل الرئيسي الذي يؤثر بشكل كبير على أداء المهام.

ويظهر البحث أن إدارة التنفيذ والذاكرة تتطلبان قدرًا أقل بكثير من الحوسبة مقارنةً بالتخطيط، وعليه، تم تقديم نهج تعزيز التعلم موجه نحو المخطط. يعتمد هذا النهج على تحسين أداء المخطط باستخدام مكافآت متعددة من خلال نظام VLM-as-judge، بينما تظل المكونات الأخرى ثابتة.

تم إجراء تجارب شاملة على معايير متعددة تشمل تصفح الويب، التحكم في أنظمة التشغيل، واستخدام الأدوات، لتظهر النتائج أنه من خلال التركيز على تحسين التخطيط الاستراتيجي وتخصيص سعة النموذج ذات الصلة، يمكن تحقيق تحسينات قوية وفعالة من ناحية الحوسبة في أتمتة الوكلاء على المدى الطويل.

إذا كنت من المهتمين بالتطورات الحديثة في الذكاء الاصطناعي، فلا شك أن هذا البحث يمثل خطوة مهمة نحو بناء نماذج أكثر ذكاءً وكفاءة في التخطيط. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!