Anthony Patera Rohan Abeyaratne

الملخص

يمكن لذكاء اصطناعي التوليد، وبشكل خاص نموذج GPT، أن يُنتج حلًا ملحوظًا لمشكلة تحليلية في الهندسة الميكانيكية – ولكن في بعض الأحيان أيضًا يُنتج حلًا غير صحيح. على سبيل المثال، يُحل مثال بسيط من مسائل الميكانيكا بشكل مثالي في إصدار واحد من GPT، بينما يُحل بشكل خاطئ في إصدار لاحق، مع احتمال نجاح يبلغ فقط 85٪. تُعد هذه العُسرية في الأداء تجعل استخدام GPT "جاهزًا للعمل" غير مناسب للتطبيق في التعليم أو الممارسة الهندسية. نُقدّم وكالة GPT من نوع "N-زائد-1" لتحليل أولي (منخفض التكلفة) لبيانات المشكلات في الهندسة الميكانيكية. حيث تبدأ الوكالة بتشغيل N نسخة من الوكيل "حل" لتوليد N تطبيقات مستقلة لحل المشكلة المقترح؛ ثم تُفعّل الوكالة الوكيل "مقارنة" لتلخيص ومقارنة هذه الحلول المقترحة، وتقديم حل مُوصى به. ونُبرر من خلال نظرية المحلفين كوندورسيه أن، بالنسبة لبيانات مشكلة يتميز احتمال نجاح كل حل فيها بقيمة تزيد عن 1/2 (وإذا كانت N كبيرة بما يكفي)، فإن الحل المقترح السائد (الذي يُحدده الوكيل "مقارنة") سيكون، مع احتمال عالٍ، مساويًا للحل الصحيح. علاوةً على ذلك، يمكن للوكيل "مقارنة" أيضًا دمج جوانب من الحلول المقترحة الثانوية (التي يُقدّمها الوكيل "مقارنة" نفسه)، خصوصًا عندما تمثل هذه الحلول تفسيرات بديلة لبيانات المشكلة – أي نماذج رياضية مختلفة – أو إجراءات حل رياضية بديلة. وتشير المقارنات مع نموذج Grok Heavy، وهو نموذج تجاري متعدد الوكلاء، إلى تشابهات في التصميم والأداء، لكنها تُظهر أيضًا فروقات مهمة في التركيز: حيث تركز وكيالتنا على الشفافية والقيمة التربوية.