قدرة وكلاء البرمجة المعتمدين على الذكاء الاصطناعي على تنفيذ مهام معقدة ما زالت تصطدم بمشكلة متكررة: كلما طال العمل وامتلأ السياق، بدأت النماذج تنسى ما جربته سابقاً، فتكرر الأخطاء نفسها وتعود إلى المسارات المسدودة ذاتها. هذا القصور لا يستهلك وقتاً فقط، بل يهدر أيضاً موارد الحوسبة والرموز المستخدمة في تشغيل النموذج.
في هذا السياق، طوّر باحثون من كلية قاو لينغ للذكاء الاصطناعي في جامعة رنمين الصينية، بالتعاون مع Microsoft Research، إطاراً جديداً يحمل اسم Arbor، يقوم على فكرة شجرة فرضيات دائمة تحفظ ما تم اختباره وما تعلّمته المنظومة خلال جلسات البحث الطويلة. الهدف ليس مجرد إطالة زمن التشغيل، بل تحويل التجربة المتفرقة إلى عملية تراكم معرفي منظم.
ذاكرة بحثية بدل النسيان بين الجولات
الفكرة الأساسية في Arbor تقوم على فصل الأدوار داخل النظام. هناك منسق طويل العمر يتولى الإشراف على استراتيجية البحث العامة، بينما تعمل وحدات تنفيذ قصيرة العمر على تجربة فرضيات مختلفة داخل مسارات فرعية مستقلة. وعندما تعود النتائج، لا تُترك في الذاكرة المؤقتة وحدها، بل تُدمج في الشجرة بحيث تتوسع أو تُقلم أو يُعاد دمج بعض فروعها وفقاً للأدلة الجديدة.
هذا التنظيم يمنح النظام ما يشبه سجلّاً حياً للبحث: الفرضيات، والأكواد أو الإعدادات التي اختبرت تلك الفرضيات، والنتائج المقاسة، ثم الخلاصات المستخرجة من كل تجربة. وبهذا لا يعود الوكيل معزولاً داخل كل محاولة، بل يستند إلى تاريخ واضح من النجاحات والإخفاقات.
ويؤكد الباحثون أن طول مدة التنفيذ وحده لا يضمن تقدماً حقيقياً. فبدون بنية تحفظ المعرفة وتربط التجارب ببعضها، قد يتحول العمل المستمر إلى دوران في حلقة مفرغة. لذلك صُمم Arbor ليخدم ما يصفه مطوروه بـ"التحسين التراكمي للفرضيات"، أي تحويل كل تجربة إلى خطوة قابلة للبناء عليها لاحقاً.
ثلاثة شروط لبنية بحثية أكثر نضجاً
يضع الإطار الجديد ثلاثة متطلبات رئيسية لأي نظام بحثي ذاتي يعتمد على الوكلاء:
- التفرع المنظم: يجب أن يتيح النظام اختبار فرضيات متعددة في آن واحد، لكن من دون أن يتحول هذا التوسع إلى فوضى تنظيميّة.
- فصل التنفيذ المحلي عن الاستراتيجية العامة: المهام القصيرة مثل التحرير والتصحيح والتقييم ينبغي ألا تحجب الرؤية الكلية لمسار البحث.
- التمييز بين التحسن الاستكشافي والتحسن الموثق: فليس كل تغيير يعطي نتيجة أفضل في الاختبار المؤقت يعد تحسناً حقيقياً قابلًا للاعتماد.
ويحاول Arbor معالجة هذه النقاط عبر جعل الشجرة نفسها تمثل الحالة التشغيلية الأساسية للنظام، أي أنها ليست مجرد هيكل تنظيمي بل أيضاً الواجهة التي تُختزن فيها الذاكرة وسجل المراجعة ومسار الاستكشاف في الوقت نفسه.
اختبارات عملية على مهام هندسية حقيقية
لاختبار فاعلية الإطار، جربه الباحثون في سياق تحسين ذاتي مستقل، حيث يُمنح الوكيل أثراً بحثياً أولياً مثل حزمة بيانات أو أداة اختبار أو نص تدريب، ثم يُطلب منه رفع الأداء على بيانات غير مرئية من قبل، من دون توجيه بشري مباشر. ويعد هذا النوع من التقييم قريباً من سيناريوهات العمل الواقعية في تطوير البرمجيات وهندسة النماذج.
وشملت التجارب ثلاث فئات من المهام: تحسين أساليب التدريب والمعاملات الفائقة، وتطوير بيئات الاختبار أو أدوات التشغيل، وتوليد بيانات أفضل للتدريب أو التقييم. وفي هذه المهام، أظهر Arbor متوسط مكاسب أعلى بنحو 2.5 مرة مقارنةً بنتائج أدوات برمجية شائعة مثل Codex وClaude Code، وذلك ضمن الميزانية الحسابية نفسها.
هذه النتيجة تشير إلى أن المشكلة ليست دائماً في قوة النموذج الخام، بل في الطريقة التي يُدار بها البحث نفسه. فالنموذج الذي ينسى يمكن أن يتصرف كأنه يبدأ من الصفر في كل مرة، بينما النموذج الذي يحتفظ بالسياق والتجارب السابقة يملك فرصة أفضل لتقليل الهدر وتسريع الوصول إلى حلول ذات جودة أعلى.
أهمية التراكم المعرفي في الوكلاء الذاتيين
يرى مختصون في تقنيات الذكاء الاصطناعي أن الفارق الحقيقي في الجيل المقبل من الوكلاء لن يكون فقط في القدرة على توليد الشيفرة أو اقتراح التعديلات، بل في القدرة على بناء ذاكرة تشغيلية قابلة للتفسير. هذا ما يجعل Arbor لافتاً، لأنه يقدّم آلية لاكتساب المعرفة من التجربة المباشرة، ثم استعادتها لاحقاً عند الحاجة.
وتكمن أهمية ذلك أيضاً في تقليل إعادة الاختراع. فبدلاً من اختبار الفكرة ذاتها أكثر من مرة، يستطيع النظام الرجوع إلى ما سبق تعلمه وتوجيه الجهد نحو فرضيات أكثر وعداً. كما أن الشجرة تساعد على تحديد المسارات الواعدة، وإهمال الفروع التي ثبت ضعفها، ونقل الدروس المفيدة إلى بقية العمل.
لكن هذا التقدم يفتح في المقابل أسئلة حول قابلية التدقيق. فكلما أصبحت الأنظمة أكثر استقلالاً وأقل اعتماداً على الإشراف البشري المباشر، زادت الحاجة إلى وضوح يشرح لماذا اتخذ الوكيل قراراً معيناً، وكيف وصل إلى استنتاج محدد، وما الأدلة التي بُني عليها.
ما الذي يعنيه Arbor لمستقبل تطوير البرمجيات بالذكاء الاصطناعي
يوحي Arbor بأن مستقبل وكلاء البرمجة قد لا يعتمد على نماذج أكبر فقط، بل على هياكل إدارة معرفة أذكى. فالتحدي لم يعد مقتصراً على توليد الاستجابة، بل على الاحتفاظ بسياق التجارب السابقة وتحويله إلى تراكم قابل للاستخدام العملي.
وفي بيئات العمل التي تتعامل مع مشاريع طويلة ومعقدة، قد تكون هذه الفكرة أكثر قيمة من مجرد تسريع التنفيذ. إذ إن الوكيل الذي يتعلم من أخطائه ويحتفظ بتاريخ بحثه يكون أقرب إلى العمل البشري المنظم، حيث تتجمع الملاحظات والنتائج والقرارات في مسار واحد متصل.
إذا استمرت هذه المقاربة في التطور، فقد تتحول من إطار بحثي واعد إلى معيار جديد في تصميم الوكلاء الذاتيين: ذكاء لا يكتفي بالعمل، بل يتذكر ما عمله سابقاً، ويستفيد من ذلك في الجولة التالية.