في العالم المتطور للذكاء الاصطناعي، تمثل تفاعلات المحادثة المستمرة والمخصصة تحدياً كبيراً، خاصةً في إطار الوكالات المعتمدة على نماذج اللغات الضخمة (Large Language Models). وتعاني هذه الأنظمة من قيود النوافذ السياقية المحدودة والذاكرة الثابتة، مما يُعيق قدرتها على نمذجة حالات المستخدمين على المدى الطويل عبر الجلسات المتعددة.

لكي نواجه هذه التحديات، ظهر RGMem، وهو إطار ذاكرة ذاتية التطور مستوحى من منظور مجموعة إعادة التهيئة (Renormalization Group). يُمكن RGMem من معالجة ذاكرة المحادثة الطويلة الأجل كعملية تطورية متعددة المستويات، حيث يتم تحويل التفاعلات العرضية إلى حقائق دلالية ورؤى حول المستخدمين، ومن ثم تدمج تدريجياً من خلال عمليات التقسيم الهرمي والتحديثات المعتمدة على العتبات.

تعمل RGMem على فصل الأدلة المتغيرة بسرعة عن الصفات البطيئة التغيير، مما يتيح ديناميات غير خطية تشبه حالات الانتقال الفوضي، وهذا بالتالي يوفر تخصيصاً قوياً يتجاوز طرق الاسترجاع الساكنة أو التلخيص الثابت.

قد أظهرت التجارب الواسعة على مقاييس LOCOMO وPersonaMem أن RGMem يتفوق بشكل ملحوظ على أنظمة الذاكرة الرائدة، محققاً استمرارية أكبر بين الجلسات وتحسيناً في التكيف مع تفضيلات المستخدم المتغيرة.

للمزيد من المعلومات، يمكنكم الاطلاع على الكود المتاح على GitHub.

ما رأيكم في هذا الابتكار الرائع؟ هل تعتقدون أنه سيشكل خطوة نوعية في مجال ذكاء الآلات؟ شاركونا آراءكم في التعليقات.