Hexo Labs تفتح شيفرة SIA وتتيح لوكيل ذكاء اصطناعي مواصلة تعليم نفسه
قدمت Hexo Labs إطار عمل مفتوح المصدر لوكلاء الذكاء الاصطناعي باسم SIA، اختصاراً لـ Self Improving Agent. ولا يقتصر الإطار على تحسين المطالبات ومسارات العمل، إذ يقوم ادعاؤه الأساسي على فكرة أكثر طموحاً: يحلل الوكيل محاولاته، ويغير أساليب عمله، ويبدأ عند الحاجة ضبطاً داخلياً دقيقاً للنموذج كي يتعامل مع الدورة التالية بصورة أفضل.
لم يعد الوكيل ذاتي التحسين يعني مجرد مطالبة أفضل.
حتى الآن، سار تطوير وكلاء الذكاء الاصطناعي في مسارين رئيسيين. في الأول، يحسن مطور أو وكيل فوقي النظام من الخارج، عبر المطالبات، واختيارات الأدوات، ومنطق إعادة المحاولة، واستراتيجية البحث. وفي الثاني، يجري فريق ضبطاً دقيقاً للنموذج نفسه باستخدام ملاحظات مستمدة من المهام. يجمع SIA بين النهجين داخل حلقة واحدة.
المصطلح المحوري هنا هو الضبط الدقيق الداخلي للنموذج، ويعني تغيير معاملات الشبكة العصبية أثناء التدريب. وبصيغة أبسط، لا يتلقى الوكيل تعليمات أفضل فحسب، بل يتعلم النموذج نفسه من الأخطاء والنتائج المتكررة. وهذا ما يميز SIA عن الوكلاء الذين يكتفون بإعادة كتابة مطالبة أو إضافة خطوة أخرى إلى مسار العمل.
ثلاثة وكلاء يقودون حلقة التحسين.
وفقاً للوصف الرسمي على GitHub، يعمل SIA من خلال ثلاثة مكونات رئيسية. يقرأ Meta Agent وصف المهمة وينشئ الوكيل المستهدف الأول. ويتولى Task Specific Agent حل المهمة وتسجيل أفعاله ونتائجه. أما Feedback Agent فيراجع السجلات، ويحدد نقاط الضعف، ويقرر ما إذا كان سيحسن هيكل الوكيل أو يطلق الضبط الدقيق الداخلي للنموذج.
هذا التمييز مهم تقنياً. يحدد هيكل الوكيل كيفية بحث النظام عن حل، واستخدامه للأدوات، وفحصه للنتائج. أما الضبط الدقيق الداخلي للنموذج، فيفترض أن يضيف حكماً متخصصاً في المجال لا يمكن لأي مطالبة أن تكتبه ببساطة داخل النموذج. وفي ورقة arXiv، يقول مؤلفو SIA إن استخدام الرافعتين معاً تفوق على التحسين المعتمد على الهيكل وحده في المجالات الثلاثة المختبرة كلها.
تبدو النتائج قوية، لكنها تحتاج إلى قياس متزن.
قيمت الورقة التقنية الخاصة بـ SIA الإطار عبر ثلاث مهام متباينة للغاية: تصنيف التهم من نصوص قانونية صينية، وتحسين نوى GPU منخفضة المستوى، وإزالة التشويش من بيانات RNA لخلية واحدة. يمنح هذا الاختيار النظام اختباراً أوسع من معيار روبوت محادثة تقليدي، لأن المهام تتطلب أنماطاً مختلفة من الدقة والتجريب والمخرجات القابلة للقياس.
على الورق، تبدو النتائج لافتة. وفقاً للمؤلفين، جمع SIA بين تحسين الهيكل والضبط الدقيق الداخلي للنموذج، وتفوق على أفضل مستوى سابق بنسبة 25.1 في المئة على LawBench. كما عملت نواة GPU بسرعة أعلى بنسبة 12.4 في المئة من أفضل مستوى سابق، بينما تحسنت إزالة التشويش من بيانات RNA بنسبة 20.4 في المئة. ويورد مستودع GitHub أيضاً دقة Top 1 بلغت 70.1 في المئة على LawBench، وتسريعاً قدره 14 مرة لنواة TriMul مقارنة بخط الأساس، ودرجة MSE_norm بلغت 0.289 في مهمة تسلسل RNA لخلية واحدة.
ادعاء «350 مرة» عبارة صحفية، وليس حكماً مستقلاً.
تقول Hexo Labs في بيانها الصحفي إن SIA يسرع الطريق نحو الذكاء الفائق بمقدار 350 مرة. يستحق هذا الادعاء الحذر. تربط الشركة الادعاء بمعيار MLE bench من OpenAI، لكن ذلك ليس دليلاً مستقلاً على أن SIA يدفع الذكاء الاصطناعي فعلاً نحو الذكاء الفائق. ما تعرضه المواد العامة حالياً أكثر واقعية: يقدم SIA إطاراً تجريبياً قوياً لمهام تطوير قابلة للقياس.
تصف OpenAI معيار MLE bench بأنه معيار لاختبار قدرة وكلاء الذكاء الاصطناعي على أداء أعمال هندسة تعلم الآلة، مثل تدريب النماذج، وإعداد البيانات، وتشغيل التجارب. ويضم 75 مسابقة لتعلم الآلة من Kaggle، ما يمنح الوكلاء هدفاً عملياً أكثر بكثير من معايير الأسئلة والأجوبة المعتادة.
من منظور أوروبا، الشفافية هي العنصر الأهم.
بالنسبة إلى المطورين والمؤسسات البحثية في أوروبا، تكمن القيمة الرئيسية لـ SIA في انفتاحه. يوضح مستودع GitHub أن الإطار يستخدم رخصة MIT، ومكتوب بلغة Python، ويمكن استخدامه مع مهام مخصصة تعرّف فيها المدخلات العامة وبيانات التقييم المخفية والمقيّم بصورة منفصلة. يساعد ذلك الباحثين على تكرار التجارب والتحقق مما يغيره الوكيل فعلياً.
في الوقت نفسه، يفرض الضبط الدقيق الداخلي للنموذج مسؤولية أكبر. عندما يستطيع الوكيل تغيير سلوكه على نحو أعمق، يجب على إطار التقييم أيضاً أن يرصد ما إذا كان النظام يصبح أفضل عموماً، أم أنه يتعلم فقط استغلال مقياس محدد. لذلك، يناسب SIA حالياً المهام العلمية والهندسية ذات المقاييس الواضحة أكثر من اتخاذ القرارات الذاتية ذات الأهداف المفتوحة.
لمحة تقنية.
يجمع SIA بين تحسين هيكل الوكيل والضبط الدقيق الداخلي للنموذج داخل حلقة واحدة للتحسين الذاتي.
يستخدم النظام Meta Agent وTask Specific Agent وFeedback Agent.
غطت الاختبارات النصوص القانونية، وتحسين نوى GPU، وإزالة التشويش من بيانات RNA لخلية واحدة.
وفقاً لمستودع GitHub، فإن SIA مفتوح المصدر، ومرخص برخصة MIT، ومبني للعمل مع Python 3.11+.
الادعاء الكبير بشأن «350 مرة» مصدره بيان Hexo Labs الصحفي، وليس تدقيقاً مستقلاً.
قد لا يكون SIA طريقاً مختصراً إلى الذكاء الفائق. لكنه يقدم شيئاً أكثر عملية، وأكثر فائدة في الوقت الحالي: طريقة تجعل وكلاء الذكاء الاصطناعي يعرضون ما فعلوه، ويتعلمون منه، ويواجهون الاختبار التالي بما يتجاوز مجرد جرعة تشجيع أفضل.
