في عالم الذكاء الاصطناعي، يتطلب تطوير النماذج اللغوية الحديثة (Large Language Models) تجاوز الطرق التقليدية. وقد جاء مفهوم "إنتاج البدائل الاستدلالية" (Reasoning Primitive Induction) ليحدث ثورة في هذا الشأن. تسعى هذه التقنية إلى استغلال تجارب الوكلاء التي تتبع أسلوب ReAct، والتي غالبًا ما تعيد اكتشاف نفس روتينات الاستدلال عبر مشاكل متعددة، لكنها تبقي هذه الروتينات محصورة في مسودات مؤقتة.

باستخدام طريقة المرور الواحد، تقوم هذه التقنية بالتنقيب عن آثار ReAct الناجحة، وتصنيف خطوات الاستدلال المتكررة، وتحويل الأنماط الأكثر شيوعًا إلى مكتبة مدمجة من أدوات الزيف (pseudo-tools). كل أداة من هذه الأدوات تُحدد من خلال وصف باللغة الطبيعية يُفسر بواسطة النموذج اللغوي عند وقت الاستدعاء. بينما تتفاعل دائرة ReAct القياسية مع هذه البدائل في وقت الاختبار.

أحد النتائج البارزة لهذه التقنية هو أن المكتبات المُنتَجة تتفوق على الوكيل الذي أنشأ آثارها، مما يظهر تحسنًا ملموسًا: زيادة تصل إلى 44 نقطة مئوية في أداء لعبة RuleArena NBA (30 إلى 74)، و30 نقطة مئوية في تخصيص فريق MuSR (38 إلى 68)، و22 نقطة مئوية في تخطيط اجتماع NatPlan (7 إلى 29). هذه النتائج تعكس فعالية الاستدلال الجديد عبر خمسة مهام فرعية متعلقة بالاستدلال السردي، وتطبيق القواعد، والتخطيط القائم على القيود.

تتيح هذه المكتبة الثابتة تحسينًا ملحوظًا مقارنةً بأسلوب Chain-of-Thought بلا سابق، كما أنها تتفوق أو تضاهي حلول الخبراء في تفكيك المشاكل، إلى جانب تقديمها أداءً أفضل بتكلفة استنتاج متوسطة أقل.

هل تعتقد أن هذه التقنية ستشكل مستقبل الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!