في عصر الذكاء الاصطناعي، تصدرت أنظمة متعددة الوكلاء (Multi-Agent Systems) المشهد، حيث أثبتت نماذج اللغة الكبيرة (Large Language Models) قدرتها على أداء المهام المعقدة بشكل متفوق. لكن غالبية الأبحاث اتجهت نحو تحديد أدوار الوكلاء وتنظيمهم، بينما كانت تتجاهل جوانب التواصل بينهم كواجهة ثابتة. الأمر الذي قد يُحد من فعالية تلك الأنظمة في تحسين أدائها.

لكن مع ظهور فكرة التواصل الكامن من خلال التمثيلات الداخلية، مثل التخزين المؤقت للقيم الرئيسية (Key-Value Caches)، بات هناك أمل جديد في تطوير بروتوكولات تواصل أكثر مرونة بعيدة عن الاعتماد على النصوص. ومع ذلك، لم تكن هناك طرق مُعتمدة تعمل على تحسين التواصل بالتوازي مع التفكير الجمعي بين الوكلاء.

لذا، تم تقديم نموذج جديد يُعرف بـ DiffMAS، وهو إطار تدريبي يُعتبر التواصل الكامن جزءًا قابلًا للتعلم في أنظمة متعددة الوكلاء. يقوم DiffMAS بتدريب مدروس بشكل فعّال عبر مسارات كامنة متعددة الوكلاء، مما يمكّن الوكلاء من تعلم كيفية ترميز وتفسير المعلومات بشكل يُحسّن من جودة التفاعل بينهم.

أجريت تجارب على مهام التفكير الرياضي، والأسئلة العلمية، وتوليد الأكواد، وغيرها من المعايير المعرفية، حيث أظهر DiffMAS تحسنًا ملحوظًا في دقة الاستدلال واستقرار فك الشفرات مقارنةً بالاستدلال الأحادي، والأنظمة النصية متعددة الوكلاء، والأساليب السابقة المعتمدة على التواصل الكامن، مُحققًا نسب تحسين وصلت إلى 26.7% في AIME24 و20.2% في GPQA-Diamond مع مكاسب ملحوظة أخرى عبر معايير الاستدلال المختلفة.

لا شك أن DiffMAS يمثل نقلة نوعية في تحسين أفق التواصل بين الوكلاء، مما قد يغير طريقة تفكيرنا وتفاعلنا مع الأنظمة الذكية في المستقبل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!