حصلت نماذج الذكاء الاصطناعي الصغيرة على دفعة مفاجئة من لعبة قديمة جدًا. فمن خلال تحويل لعبة السفينة الحربية إلى ساحة تدريب للذكاء الاصطناعي، ساعد الباحثون في معهد ماساتشوستس للتكنولوجيا النماذج الأصغر حجمًا على التفكير بشكل أكثر كفاءة.
استخدم باحثون من معهد ماساتشوستس للتكنولوجيا إعدادًا على طراز لعبة السفينة الحربية لاختبار ما إذا كان وكلاء الذكاء الاصطناعي يمكنهم تحسين طريقة جمع المعلومات قبل اتخاذ أي خطوة. وكانت النتيجة قفزة حادة في أداء الأنظمة الأصغر حجمًا، بما في ذلك نموذج تحول من نادرًا ما كان يتفوق على البشر إلى الفوز بمعظم ألعابه بعد أن غيّر الباحثون طريقة بحثه على اللوحة.
يتجه هذا التحول مباشرة إلى واحدة من أكبر نقاط الضعف في وكلاء الذكاء الاصطناعي المعاصرين. غالبًا ما يُطلب منهم التعامل مع مهام تعتمد إجابتها على تفاصيل ليست لديهم بعد. يشير عمل معهد ماساتشوستس للتكنولوجيا إلى أن التخطيط الأفضل للأسئلة يمكن أن يجعل النموذج الأرخص يعمل بشكل أكثر قدرة وفعالية.
كيف أصبح الذكاء الاصطناعي أكثر ذكاءً؟
استخدم اختبار معهد ماساتشوستس للتكنولوجيا نسخة من لعبة السفينة الحربية مبنية على أسئلة اللغة الطبيعية. لعب أحد وكلاء الذكاء الاصطناعي دور زميله في الفريق الذي يحاول تحديد موقع السفن المخفية، بينما تمكن وكيل آخر من الوصول إلى اللوحة والإجابة على الأسئلة.
جاءت أكبر قفزة في الأداء من نموذج Llama 4 Scout. ذكر معهد ماساتشوستس للتكنولوجيا أن النموذج الأصغر كان يتغلب على اللاعبين البشريين في 8% فقط من الألعاب في البداية. وبعد أن أضاف الباحثون استراتيجية استدلال أكثر تعمدًا، تفوق النموذج على البشر بنسبة 82% من الوقت، وتجاوز نموذجًا حدوديًا أكبر بينما كان يعمل بحوالي 1% من التكلفة.
هذا هو الرقم الذي يجب مراقبته إذا كنت مهتمًا بتكاليف الذكاء الاصطناعي. لم ينجح النموذج من خلال زيادة حجمه، بل فاز من خلال اختيار أسئلة أكثر وضوحًا والاستفادة بشكل أفضل من كل إجابة يتلقاها.
لماذا تساعد لعبة السفينة الحربية الذكاء الاصطناعي على التعلم؟
تعمل لعبة السفينة الحربية كاختبار مثالي لأنها تجبر وكيل الذكاء الاصطناعي على التصرف بمعلومات محدودة. لا يمكنه رؤية اللوحة بأكملها، لذلك يجب على كل سؤال أن يضيق نطاق البحث ويُعد الخطوة التالية.
هذا يعكس بدقة تحديات أدوات الذكاء الاصطناعي العملية. غالبًا ما يحتاج روبوت الدعم أو مساعد البحث أو وكيل التخطيط إلى طلب معلومات متابعة قبل أن يتمكن من تقديم المساعدة. عندما تتعطل هذه العملية، يمكن أن يفقد النموذج تفاصيل أساسية، أو يكرر نفسه، أو يقدم توصية في وقت مبكر جدًا.
ويضع نهج معهد ماساتشوستس للتكنولوجيا الضغط على تلك النقطة الضعيفة. فهو يقيس ما إذا كان الوكيل يمكنه جمع المعلومات الصحيحة قبل تقديم إجابة.
آفاق المستقبل
الاختبار الأصعب هو ما إذا كان النهج نفسه يعمل خارج نطاق الألعاب. يتم التحكم في لعبة السفينة الحربية، مما يجعل تسجيل النقاط أسهل من سير عمل الوكيل المفتوح في البحث أو دعم العملاء أو برامج مكان العمل.
ومع ذلك، فإن هذا الاتجاه يستحق المشاهدة. إذا تعلمت النماذج الأصغر طرح أسئلة أكثر وضوحًا قبل التصرف، فيمكن للشركات بناء أدوات ذكاء اصطناعي أرخص وأكثر قدرة في الاستخدام اليومي.
المعلم التالي هو الانتقال من لوحة اللعبة إلى العمل الحقيقي. سيكون حل المهمة التي تحتوي على تعليمات غير واضحة وملفات مفقودة ومستخدم متعجل أصعب بكثير، ولكنه يمثل الخطوة المنطقية التالية نحو ذكاء اصطناعي أكثر فاعلية ومرونة.