تجاوز الإجماع: قوة استنباط التفاصيل في تجمعات الوكلاء الذكيين

في عالم الذكاء الاصطناعي، حيث تتنافس نماذج لغوية ضخمة (Large Language Models) لحل المشكلات، غالبًا ما تُعتمد طريقة التصويت لإيجاد الحلول. لكن ماذا لو كانت هذه الطريقة مضيعة؟ في دراسة حديثة، تمت تسليط الضوء على الظاهرة المعروفة باسم “أزمة التجميع”، التي تظهر عندما تتعاون عدة نماذج لبلوغ نفس الحل. بدلاً من دمج آراء الوكلاء عبر تصويت الأغلبية، يمكن لمجمع النماذج الذكية أن يستفيد من مسارات التفكير الكاملة لكل وكيل، مما يتيح له التعرف على الحلول الصحيحة حتى في حالات الإجماع.

تظهر الأبحاث أن التصويت الجماعي ينطوي على حد أعلى لا تستطيع تنوع الاضطراب (perturbation diversity) رفعه، حيث أن الارتباطات في الأخطاء تبقى ثابتة. ومع ذلك، تأتي مكاسب المجمع من complementarity بمستوى التفاصيل، حيث يتم تجميع خطوات صحيحة من سلاسل أقلية يتم تجاهلها بالإجماع.

تم تقديم نظام جديد يُعرف باسم “Self-Consistent Mixture of Agents”، والذي يعمل على توليد تنوع في المسارات من خلال التعديلات المدخلة التي تحافظ على المعنى. كما يحمي الأغلبية عبر تحسين متسق يضمن عدم تدهور الحلول، ويستمر في عملية الاستنباط دون الانتظار للتوصل إلى إجماع.

تظهر النتائج أن نموذجًا واحدًا به تنوع يتسبب في منح ميزة تفوق حتى تجميع نماذج هجينة في مجالات من التفكير المنظم، العلوم على مستوى الدكتوراه، الرياضيات التنافسية، والبرمجة التنافسية. الفكرة هنا واضحة: يجب أن تكون الوحدة الأساسية للتجميع هي مسار التفكير، وليس فقط الجواب النهائي. ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات.