في السنوات الأخيرة، شهدت مجالات الذكاء الاصطناعي تقدمًا ملحوظًا بفضل تطور نماذج اللغات الضخمة (Large Language Models - LLMs)، مما أدى إلى تدفق من الأبحاث حول مفهوم الوكالة (Agency)، وهو القدرة على التفكير، والتخطيط، والتصرف. تمخضت هذه الجهود عن إنشاء أطر وكيلة (Agentic Frameworks) تنظم عمليات الإدراك، والذاكرة، واتخاذ القرارات حول هياكل أساسية قوية من نماذج اللغات الضخمة.

ومع ظهور النماذج المتعددة الوسائط (Large Multimodal Models - LMMs)، أصبح بإمكان هذه الأنظمة معالجة وتكامل الموديلات المتنوعة، بما في ذلك الصور، والصوت، والفيديو، مما يعزز من إمكانية تطبيقها في العالم الحقيقي. ومع ذلك، على الرغم من وجود دراسات حول الوكالات المستندة إلى نماذج اللغات الضخمة، لم يتم فحص دور التعددية في تشكيل الوكالة بشكل منهجي في السنوات الأخيرة.

يأتي هذا المسح لتغطية هذه الفجوة من خلال تحليل تأثير التعددية عبر الوحدات الوظيفية الأساسية للإطار الوكيل: الإدراك، والتفكير، والتخطيط، والذاكرة، والفعل. باستخدام هذه المنظور، نتتبع التطور من الوكلاء المتمحورين حول النصوص إلى الأطر المتعددة الوسائط، وندرس كيفية تكامل الموديلات من خلال هيكليات دمج متأخر (Late-Fusion)، ودمج مبكر (Early-Fusion).

كما نقوم بتقييم ظهور سلوكيات وكيلة مُمكّنة من خلال الإدراك المتجذر والتفكير المتعدد الوسائط. يتم تنظيم الأعمال الحالية من خلال تصنيف مركزي يربط بين خيارات التصميم المعمارية وقدرات الوكيل.

علاوةً على ذلك، نستعرض الأنظمة الوكيلة المتعددة الوسائط عبر مختلف مجالات التطبيق، بما في ذلك الروبوتات، والتنقل عبر واجهات الرسوم، وإنشاء وتحرير المحتوى المتعدد الوسائط، وفهم واسترجاع الفيديو الطويل. بجانب القدرات، نقوم بتحليل الأداء عبر هذه الإعدادات ونناقش التحديات المتعلقة بالكفاءة وقابلية التوسع، بما في ذلك تكاليف التدريب والاستدلال، وأوقات الاستجابة، وقيود النشر.

من خلال التركيز على تأثير التعددية في تصميم الوكالة، نهدف إلى تحديد الفجوات الرئيسية ورسم خارطة طريق نحو أنظمة ذكاء اصطناعي قوية وعامّة الاستخدام.