في عالم الأنظمة متعددة العوامل (Multi-Agent Systems - MAS)، يُعتبر التفاعل الاستراتيجي بين العوامل تحديًا محوريًا يتطلب تفكيرًا عميقًا. وقد ساهمت أنظمة المنطق الاستراتيجي، مثل ATL، في تقديم طرق دقيقة لفهم هذه الاستراتيجيات، إلا أن مشكلات التكلفة الحاسوبية تسهم في تقليل استخدامها.

تقدمت دراسة حديثة لتقديم إطار عمل عصبي-رمزي يجمع بين النماذج اللغوية الكبيرة (Large Language Models - LLMs) في عملية التحقق من النماذج الخاصة بالأنظمة متعددة العوامل. يتمثل الابتكار في أن هذه النماذج تعمل كأوراكل لتوليد الاستراتيجيات، حيث تقوم باقتراح استراتيجيات مرشحة يتم التحقق من صحتها لاحقًا بواسطة نظام التحقق المعترف به للأنظمة متعددة العوامل.

يعتمد هذا الهيكل على مبدأ "التوليد-والتوثيق"، حيث يتم استخدام إرشادات النماذج اللغوية الكبيرة لتوجيه الباحثين في استكشاف فضاءات استراتيجيات معقدة، مع الحفاظ على صحة النتائج الرسمية. تُقبل الاستراتيجيات المُولدة فقط عندما يتم التحقق من صحتها.

جاءت التجارب التي أجريت باستخدام نموذج Qwen3-32B بوزن مفتوح، حيث حققت هذه المنظومة حصولها على دقة تصل إلى 92٪ في نتائج توليد الاستراتيجيات. بالإضافة إلى ذلك، عُرض أول مجموعة بيانات لتوليد الاستراتيجيات في NatATL، التي تضم 4211 حالة.

يُعَدّ هذا الإنجاز خطوة هامة نحو تحسين فعالية النظم متعددة العوامل، مما يؤدي إلى تفاعلات أكثر ذكاءً وفعالية. فكيف يمكن أن يُحدث هذا التوجه الجديد فارقًا في مجال الذكاء الاصطناعي؟