أصبحت أنظمة الذكاء الاصطناعي عالية الأداء، مثل نماذج اللغات الكبيرة (Large Language Models)، تتطلب كفاءة أكبر عندما يتعلق الأمر بإدارة التجارب المتراكمة على مدار الزمن. من خلال الإعلان عن مفهوم جديد يُطلق عليه اسم "طيف الضغط التجريبي"، يسعى الباحثون إلى تعزيز الأداء العام للأنظمة الذكية عبر توحيد ثلاثة عناصر رئيسية: الذاكرة (Memory)، المهارات (Skills)، والقواعد (Rules).

يكشف التحليل الإحصائي الذي شمل 1136 مرجعًا عبر 22 ورقة أساسية أن معدل الاقتباس بين المجتمعات المختلفة لا يتجاوز 1%. يظهر النموذج الجديد كيف يمكن زيادة ضغط الذاكرة من 5 إلى 20 ضعفًا للمعلومات العرضية، بينما يمكن أن يصل ضغط المهارات الإجرائية إلى 50-500 ضعف، وقواعد المعرفة يمكن أن ترتفع حتى 1000 مرة أو أكثر.

المثير في الأمر هو أن كل نظام موجود يعمل بمستوى ضغط ثابت مسبق التحديد، مما يجعل التكيف عبر مستويات الضغط أمرًا مفقودًا، وهو ما أطلق عليه الباحثون "القطعة المفقودة". كما يبرز الحاجة إلى التعاون بين المجتمعات البحثية المختلفة لتبادل الحلول، حيث أن كل مجتمع يحل مشاكل فرعية مشتركة دون الاستفادة من تجربيات الآخرين.

مع ازدياد الحاجة إلى إدارة دورة حياة المعرفة في الذكاء الاصطناعي، فإن تحديد مشكلات مفتوحة ومبادئ تصميم أنظمة التعلم المستدامة أصبح أمرًا ضروريًا للنمو المستقبلي ولعالم الذكاء الاصطناعي المتطور.