طور باحثون تقنية جديدة تسمى MemRL تسمح لوكلاء الذكاء الاصطناعي بتعلم مهارات جديدة دون الحاجة إلى تعديل مكلف، مما قد يحدث ثورة في كيفية تكيف تطبيقات الذكاء الاصطناعي مع البيئات الديناميكية. يزود هذا الإطار، الذي ابتكره باحثون في جامعة شنغهاي جياو تونغ ومؤسسات أخرى، الوكلاء بذاكرة عرضية، مما يمكنهم من استرجاع التجارب السابقة وتطبيقها لحل المهام الجديدة.
تسمح MemRL للوكلاء بتحسين استراتيجياتهم لحل المشكلات باستمرار بناءً على التغذية الراجعة البيئية. يعالج هذا النهج تحديًا رئيسيًا في الذكاء الاصطناعي: معضلة الاستقرار والمرونة، التي تتعلق بالتوازن بين الاحتفاظ بالمعرفة الحالية (الاستقرار) والتكيف مع المعلومات الجديدة (المرونة).
في التجارب التي أجريت على معايير صناعية رئيسية، تفوقت MemRL على طرق الأساس الأخرى، بما في ذلك الاسترجاع المعزز بالتوليد (RAG) وتقنيات تنظيم الذاكرة البديلة. كان التفوق ملحوظًا بشكل خاص في البيئات المعقدة التي تتطلب الاستكشاف والتجريب. وفقًا لفريق البحث، تشير هذه النتائج إلى أن MemRL يمكن أن يصبح مكونًا حاسمًا في بناء تطبيقات الذكاء الاصطناعي المصممة للعمل في بيئات العالم الحقيقي حيث تتطور المتطلبات والمهام باستمرار.
يعد تطوير MemRL جزءًا من اتجاه أوسع في مجتمع أبحاث الذكاء الاصطناعي يركز على إنشاء قدرات تعلم مستمر للذكاء الاصطناعي. يهدف التعلم المستمر إلى تمكين أنظمة الذكاء الاصطناعي من التعلم والتكيف بمرور الوقت، مثلما يفعل البشر، دون نسيان المعرفة المكتسبة مسبقًا. تعمل RAG، وهي تقنية شائعة، على تحسين نماذج اللغة عن طريق استرجاع المعلومات ذات الصلة من مصادر المعرفة الخارجية لتحسين الدقة وتقليل الهلوسة. ومع ذلك، يشير الأداء المتفوق لـ MemRL في البيئات المعقدة إلى خطوة كبيرة إلى الأمام في الذكاء الاصطناعي الوكيلي.
تمتد آثار MemRL إلى قطاعات مختلفة، بما في ذلك الروبوتات والأنظمة المستقلة ومساعدي الذكاء الاصطناعي الشخصيين. على سبيل المثال، يمكن لروبوت مزود بـ MemRL أن يتعلم كيفية التنقل في بيئة جديدة بكفاءة أكبر من خلال تذكر التجارب السابقة في بيئات مماثلة. وبالمثل، يمكن لمساعد الذكاء الاصطناعي أن يتكيف مع احتياجات المستخدم المتغيرة وتفضيلاته بمرور الوقت دون الحاجة إلى إعادة التدريب.
يعتقد الباحثون أن قدرة MemRL على التعلم دون تعديل دقيق يمكن أن تقلل بشكل كبير من تكلفة وتعقيد نشر تطبيقات الذكاء الاصطناعي في البيئات الديناميكية. يركز المزيد من الأبحاث على توسيع نطاق MemRL ليشمل مهامًا أكثر تعقيدًا واستكشاف إمكاناتها في مجالات تطبيق مختلفة. يخطط الفريق لإصدار التعليمات البرمجية ومجموعات البيانات المستخدمة في تجاربهم لتسهيل المزيد من البحث والتطوير في هذا المجال.
Discussion
Join the conversation
Be the first to comment