ثورة في معمارية الذكاء الاصطناعي: إطلاق نموذج ثلاثي الأبعاد للوكالات المستقلة
تقدم الأبحاث الجديدة نموذج Tri-Spirit الذي يقسم الذكاء إلى ثلاث طبقات، مما يحسن الكفاءة بشكل كبير. يقلل هذا النموذج من الزمن المستغرق والطاقة المستهلكة، مما يغير قواعد اللعبة في تصميم أنظمة الذكاء الاصطناعي.
مع ظهور الأجيال الجديدة من أنظمة الذكاء الاصطناعي المستقلة، لم يعد يكفي الاعتماد على قدرة النماذج فحسب، بل يجب أيضًا التفكير في كيفية تنظيم الذكاء عبر هياكل الأجهزة المتنوعة. في هذا السياق، قدم الباحثون نموذجًا جديدًا يُسمى Tri-Spirit Architecture، وهو عبارة عن إطار معرفي ثلاثي الطبقات يعمل على تحسين الكفاءة ويدعم تفكيك الذكاء إلى ثلاث طبقات أساسية: طبقة التخطيط (Super Layer)، وطبقة التفكير (Agent Layer)، وطبقة التنفيذ (Reflex Layer).
كل من هذه الطبقات مرتبطة بهياكل حسابية متميزة وتتواصل من خلال نظام رسائل غير متزامن. تشمل الابتكارات في هذا النموذج سياسة توجيه محددة، وآلية لتجميع العادات التي تحول مسارات التفكير المتكررة إلى سياسات تنفيذ بدون استدلال، ونموذج ذاكرة متقاربة، والقيود الأمنية الواضحة.
وقد أثبتت النتائج من خلال محاكاة قابلة للتكرار تشمل 2000 مهمة صناعية، أن نموذج Tri-Spirit يقلل متوسط زمن المهمة بنسبة مذهلة تصل إلى 75.6% واستهلاك الطاقة بنسبة 71.1%. بالإضافة إلى ذلك، يؤدي النموذج إلى تقليص استدعاءات نماذج اللغات الضخمة (Large Language Models) بنسبة 30% وتمكين إكمال المهام بنسبة تصل إلى 77.6% بدون اتصال بالإنترنت.
تشير هذه النتائج إلى أن التفكيك المعرفي يُعتبر المحرك الأساسي للكفاءة على مستوى النظام في الأجهزة الذكية، وليس مجرد توسيع نطاق النماذج. هذا الابتكار يفتح آفاقاً جديدة في عالم الذكاء الاصطناعي، ويعد خطوة هامة نحو أنظمة أكثر استدامة وفعالية.
كل من هذه الطبقات مرتبطة بهياكل حسابية متميزة وتتواصل من خلال نظام رسائل غير متزامن. تشمل الابتكارات في هذا النموذج سياسة توجيه محددة، وآلية لتجميع العادات التي تحول مسارات التفكير المتكررة إلى سياسات تنفيذ بدون استدلال، ونموذج ذاكرة متقاربة، والقيود الأمنية الواضحة.
وقد أثبتت النتائج من خلال محاكاة قابلة للتكرار تشمل 2000 مهمة صناعية، أن نموذج Tri-Spirit يقلل متوسط زمن المهمة بنسبة مذهلة تصل إلى 75.6% واستهلاك الطاقة بنسبة 71.1%. بالإضافة إلى ذلك، يؤدي النموذج إلى تقليص استدعاءات نماذج اللغات الضخمة (Large Language Models) بنسبة 30% وتمكين إكمال المهام بنسبة تصل إلى 77.6% بدون اتصال بالإنترنت.
تشير هذه النتائج إلى أن التفكيك المعرفي يُعتبر المحرك الأساسي للكفاءة على مستوى النظام في الأجهزة الذكية، وليس مجرد توسيع نطاق النماذج. هذا الابتكار يفتح آفاقاً جديدة في عالم الذكاء الاصطناعي، ويعد خطوة هامة نحو أنظمة أكثر استدامة وفعالية.
