أعلنت إنفيديا عن إطلاق إطار العمل FLARE Auto-FL، وهي أداة مستقلة تعتمد على وكلاء الذكاء الاصطناعي لتسريع دورات البحث في التعلم الفيدرالي. تهدف المنصة إلى معالجة التحديات المنهجية التقليدية، مثل صعوبة المقارنات العادلة، وإهدار الوقت في التجارب المتكررة، وقلة إمكانية إعادة إنتاج النتائج. تعمل الأداة عبر نموذج بحث مغلق الحلقة وخاضع للقيود. تبدأ بخطة تحكم رئيسية تمنح الوكلاء صلاحيات إجراء تعديلات محدودة ومصرح بها فقط، مع الالتزام بميزانية تدريب ثابتة ومعيار تقييم موحد. يقترح الوكيل استراتيجية جديدة، يشغل المحاكاة، يستخرج النتيجة، ويوثقها تلقائياً في سجل تجارب مركزي. يقيّم النظام كل مرشح، ويقرر الإبقاء عليه، تعديله، أو رفضه، مما يحول العملية من التجريب العشوائي إلى سير عمل تجريبي منظّم. تدمج المنصة آلية استعادة مبنية على الأدبيات العلمية، تنشط تلقائياً عند ملاحظة ثبات الأداء. عند توقف التحسن، ينتقل الوكيل من التعديلات المحلية إلى مراجعة المنهجيات الحديثة، واستخراج نماذج مقترحة آمنة، ثم يعيد دمجها في حلقة التجربة دون كسر عقود التكامل البرمجية. يعتمد الهيكل التقني على ملف تحكم رئيسي، ونماذج مهام قابلة لإعادة التهيئة، وتطبيقات واجهة القياسية لعميل ومضيف إنفيديا، بالإضافة إلى قوالب لحفظ التعديلات. عند انتهاء الحملة، تولد الأداة تقريراً نهائياً يلخص الرفع في الدقة، التكلفة الحسابية، الحزم البرمجية، وأسباب رفض المرشحين، مما يربط بين الأتمتة ومراجعة الباحثين. أظهرت الاختبارات التطبيقية على بيانات CIFAR-10، ونموذج لغوي بصري طبي مع محولات LoRA، تحسناً دقيقاً في النتائج، لا سيما على مجموعات البيانات غير المتجانسة. تبرز المنصة مرونتها، إذ يمكن تكييف ملفات المهام مع أي بنية نماذج أو مجموعة بيانات جديدة، مع بقاء الإطار الأساسي ثابتاً. يمثل FLARE Auto-FL تحولاً عملياً في منهجية البحث التقني، حيث ينقل الجهد من المهام التكرارية إلى صياغة فرضيات أدق، ويوفر بيئة قابلة للتكرار، موثقة بدقة، وفعّالة من حيث التكلفة، مما يعزز اعتماد تقنيات التعلم الفيدرالي في البيئات البحثية والصناعية.