أظهرت دراسة حديثة أجرتها فرق بحثية من جامعة جنوب الصين الزراعية وUniversité de finance et d’économie de Shanghai تقدماً ملحوظاً في تحسين القدرة التحليلية والمنطقية لنموذجات الذكاء الاصطناعي الكبيرة (LLMs)، خاصة في مجالات الرياضيات والمعرفة الدقيقة. فبينما أصبحت هذه النماذج شائعة في إنشاء المحتوى وتحليل المعلومات وكتابة الكود، تظل تواجه مشكلة في إنتاج إجابات تحتوي على أخطاء واقعية أو تناقضات منطقية، ما يحد من مصداقيتها في السياقات التعليمية والمهنية. لحل هذه المشكلة، طوّر الباحثان يان تشو ويانغوانغ تشين إطاراً جديداً يُسمى "النقاش متعدد الوكالات المتكيف والمتعدد التخصصات" (A-HMAD). يعتمد هذا الإطار على فكرة تفعيل مناقشات بين عدة نماذج ذكاء اصطناعي، كل منها يمتلك خبرة محددة — مثل التفكير المنطقي، التحقق من الحقائق، أو التخطيط الاستراتيجي — مما يعزز التنوع في الآراء ويقلل من فرص الخطأ. على عكس النماذج السابقة التي تعتمد على وكالات متماثلة، يُعدّ A-HMAD متكيفاً، حيث يُحدد سياسة تنسيقية تختار تلقائياً أي الوكالات ستشارك في كل جولة من جولات النقاش بناءً على طبيعة السؤال والحالة المتغيرة للنقاش. لضمان اتخاذ قرار دقيق، طوّر الباحثون "مُحسّن التوافق" (consensus optimizer)، أداة تُقيّم مساهمات كل وكالة بناءً على موثوقيتها ودرجة ثقة النظام في المعلومات المقدمة. هذا يسمح بدمج الأدلة بذكاء وتحقيق إجماع دقيق على الإجابة. أُختبر الإطار على ستة مهام صعبة، تشمل المسائل الحسابية، الرياضيات الابتدائية (GSM8K)، الإجابات على أسئلة متعددة الجوانب (MMLU)، إنشاء سير ذاتية واقعية، وتحليل استراتيجيات الشطرنج. أظهرت النتائج أن A-HMAD تفوق بشكل ملحوظ على النماذج الأحادية والأساليب السابقة للنقاش، مع تحقيق مكاسب مطلقة في الدقة تتراوح بين 4% و6%، وخفض أخطاء الحقائق في السير الذاتية بأكثر من 30%. كما أثبتت الدراسات التحليلية (ablation studies) فعالية التخصصات المختلفة، وعدد جولات النقاش، ووظيفة المُحسّن. يُعد هذا الإنجاز خطوة مهمة نحو تطوير أنظمة ذكاء اصطناعي أكثر موثوقية، قابلة للاستخدام في المدارس، الجامعات، والبيئات البحثية. وينبغي أن يسهم في تطوير منصات ذكية تساعد المعلمين والباحثين على استخلاص إجابات دقيقة ومبنيّة على منطق قوي، دون الحاجة إلى التحقق اليدوي لكل إجابة. يرى الباحثان أن هذا النموذج، الذي يشبه "مجتمعًا من العقول"، يفتح آفاقاً جديدة لذكاء اصطناعي أكثر أماناً، شفافية، وملاءمة للتعليم.