في عالم الذكاء الاصطناعي، تعتبر أنظمة الوكلاء المتعددة (Multi-Agent Systems) من أهم الإنجازات التي حظيت باهتمام كبير. لكن المشكلة تكمن في أن هذه الأنظمة غالباً ما تُبنى بناءً على سير عمل محدد مُصمم مسبقاً، حيث يتم تخصيص أدوار دلالية لوكلاء معينين وتحديد بروتوكولات الاتصال سلفاً. ولكن هنا يأتي دور NeuroMAS، الطريقة التي تقلب الموازين!

يقوم NeuroMAS بمعالجة نظام الوكلاء المتعددة بوصفه بنية مثل الشبكات العصبية قابلة للتدريب والتوسع، حيث يعد وكلاء نماذج اللغة الكبيرة (LLM) نقاطاً في الشبكة، في حين تمثل الإشارات النصية المتوسطة الحواف. في هذا النظام، تصبح نقاط الوكلاء بلا أدوار ولكنها واعية بالبنية، مما يعني أن الهيكل يحدد فقط كيفية تدفق المعلومات بشكل عام، بينما تحدد عمليات التدريب بالتعلم المعزز كيفية التواصل والتخصص والتنسيق بين الوكلاء.

هذا التحول في صياغة التصميم الانتقائي عن أنظمة الوكلاء المتعددة يأخذنا من هندسة سير العمل إلى تصميم البنية، حيث يصبح العمق والعرض والترابط والبروتوكولات مصادر قابلة للتوسع للقدرات. بالإضافة إلى ذلك، نقدم منظوراً نظرياً يوضح لماذا تكون مثل هذه الحسابات النصية المودولارية أكثر كفاءة من حيث المعلمات عندما تتاح المهام لتقسيمات هرمية.

تظهر التجارب أن NeuroMAS يحقق تحسينات كبيرة مقارنةً بأساسيات الوكلاء المتعددة المدربة. ويشير البحث كذلك إلى أن توسيع التنظيم يعتمد على المسار: فقد تكون الأنظمة الكبيرة صعبة التدريب من الصفر، لكنها تصبح ممكنة عندما يتم تطويرها تدريجياً من أنظمة أصغر مدربة. تشير هذه النتائج إلى أن أنظمة الوكلاء العصبية المتعلمة تمثل محوراً واعداً لتوسيع نطاق نماذج اللغة الكبيرة (LLMs).

ما رأيكم في هذا التطور الثوري؟ شاركونا آراءكم في التعليقات!