جوجل يطور نظام دريم آر إس آي لتحسين الذكاء دون تعديل النموذج

أعلنت شركات جوجل وجوجل ديب مايند بالتعاون مع جامعتي ماريلاند وفيرجينيا عن نظام جديد باسم دريم آر إس آي، الذي يطرح منهجية مبتكرة لتحسين كفاءة الذكاء الاصطناعي دون إعادة تدريب النماذج الأساسية أو تعديل أوزانها البرمجية. يركز النظام على طبقة استراتيجية الاستكشاف فقط، مطلقاً بذلك مساراً جديداً لنمو قدرات الذكاء الاصطناعي يعتمد على إدارة التجارب وحفظ مسارات البحث بدلاً من الاعتماد حصراً على ضخ البيانات أو زيادة المقاييس الحسابية. يعتمد دريم آر إس آي على مفهوم التحسين الذاتي التكراري، حيث لا يرسل النماذج إلى التجارب المباشرة فحسب، بل يحول سجلات التجارب السابقة إلى بيئة محاكاة تسمى محاكي الاسترجاع. وبدلاً من إعادة تشغيل الأكواد أو استهلاك موارد الحوسبة في كل جولة بحثية، يسمح النظام للذكاء الاصطناعي بمراجعة مسارات البحث التاريخية واختبار فرضيات جديدة في إطار افتراضي تشبه عملية الحلم الحاسوبي. وعند اكتشاف استراتيجية استكشاف واعدة، يعود النظام إلى البيئة الحقيقية لتطبيقها وجني نتائج جديدة، لتضاف بدورها إلى قاعدة المعرفة التاريخية، مما يخلق حلقة تحسين ذاتي مستدامة وفعّالة. أظهرت الاختبارات الميدانية للنظام، التي شملت هندسة الخوارزميات، والتحسين الرياضي، وتحسين نوى وحدات معالجة الرسومات، كفاءة استثنائية في تقليل استهلاك الموارد. ففي مهمة حل مسار لاسو، تفوق النظام على المكتبات القياسية مع تقليل استدعاءات الوكلاء الذكيين بنسبة تصل إلى 162 ضعفاً مقارنة بالأساليب السابقة، وانخفاض استهلاك الحوسبة بنسبة تفوق 50 ضعفاً في مهام التحسين الرياضي. والأهم من ذلك، أن النموذج الأساسي لم يخضع لأية تحديثات، مما يثبت أن إعادة تنظيم قدرات الذكاء الاصطناعي القائمة يمكن أن تحقق قفزات أدائية ملموسة. وكشف الباحثون عن نتيجة تقنية جوهرية تتمثل في أن تلخيص الخبرات السابقة إلى نصوص طبيعية أو ملاحظات موجزة يؤدي فعلياً إلى تضييق نطاق البحث وتراجع الأداء، بينما يظل الاحتفاظ بمسارات الاستكشاف الكاملة مفتاحاً لتمكين الذكاء الاصطناعي من محاكاة بدائل القرار وتجنب المسارات العقيمة دون فقدان السياق التجريبي الكامل. رغم أن النظام لا يزال بحاجة إلى العودة إلى بيئات حقيقية لاكتشاف مناطق جديدة غير مستكشفة، إلا أن دريم آر إس آي يقدم نموذجاً عملياً لمستقبل تطور الذكاء الاصطناعي، حيث تصبح جودة إدارة الخبرة الاستراتيجية وذاكرة البحث هي المحرك الأساسي للتقدم، وليس فقط قوة النماذج الحسابية أو حجم بيانات التدريب، مما يعيد تعريف معادلات كفاءة الموارد في أبحاث الذكاء الاصطناعي الحالية.