مدونة NVIDIA للمطورين تستعرض تقنيات تدريب وكلاء الذكاء الاصطناعي بالتعلّم المعزَّز

نشرت مدونة NVIDIA للمطورين في يوليو 2026 مادة بعنوان Mastering Agentic Techniques: AI Agent Reinforcement Learning، تتناول دور التعلّم المعزَّز (reinforcement learning, RL) في مواءمة سلوك النماذج اللغوية وبناء وكلاء الذكاء الاصطناعي.

ما هو RLHF ولماذا أصبح المعيار؟

التعلّم المعزَّز من التغذية الراجعة البشرية (reinforcement learning with human feedback, RLHF) هو التقنية التي قامت عليها معظم مساعدات الذكاء الاصطناعي الحديثة، ومنها ChatGPT وClaude. يتدرّب النموذج أولًا على التنبؤ بالنص، ثم يخضع لتدريب إضافي لتتوافق إجاباته مع تفضيلات المقيِّمين البشريين الذين يقارنون بين صيغ مختلفة للإجابة. وقد حوّل RLHF النماذج اللغوية الخام، التي لا تتدرّب إلا على التنبؤ بالكلمة التالية، إلى مساعدات تتبع التعليمات وتسعى إلى أن تكون مفيدة وآمنة.

• تحلّل المادة تقنيات RL في سياق وكلاء الذكاء الاصطناعي تحديدًا، لا النماذج الحوارية وحدها
• نقطة انطلاق التحليل هي RLHF الكلاسيكي المستخدم في مساعدات الذكاء الاصطناعي الحديثة
• وتتناول المادة كذلك أساليب أحدث للتدريب عبر التغذية الراجعة

كيف يُطبَّق RL على الوكلاء لا على الحوار فقط؟

يختلف التعلّم المعزَّز للوكلاء عن RLHF الكلاسيكي في نطاق المهمة. فالوكيل لا يكتفي بتوليد إجابة واحدة جيدة، بل عليه تنفيذ سلسلة من الإجراءات: استدعاء أداة، وتقييم النتيجة، وتعديل الخطوة التالية. ولا يحصل على المكافأة إلا في نهاية السلسلة كلها أو عند خطوات وسيطة. وهذا يعقّد آلية التدريب نفسها بوضوح مقارنةً بتقييم إجابة نصية واحدة.

وخلال العامين الماضيين تقريبًا، تبحث الصناعة بنشاط عن بدائل وتكملات لـ RLHF الكلاسيكي. من ذلك التدريب القائم على التغذية الراجعة من النموذج نفسه بدلًا من المقيِّمين البشريين، وكذلك الأساليب التي يتلقى فيها النموذج إشارة مكافأة عند حلّ مهام متعددة الخطوات باستخدام الأدوات. وهذا ما تركّز عليه نماذج الاستدلال (reasoning) من الجيل الأحدث، التي "تفكّر" طويلًا أولًا قبل أن تقدّم إجابتها.

لماذا يتصدّر هذا الاتجاه الاهتمام الآن؟

يتطلب تدريب الوكلاء عبر RL موارد حوسبة أكبر بكثير من RLHF الكلاسيكي للنماذج الحوارية. فبدلًا من تقييم إجابة نهائية واحدة، يجب على النظام تشغيل حلقات تفاعل كاملة مع البيئة أو الأدوات، وتجميع المكافأة خطوة بخطوة، ثم تحديث سياسة النموذج بناءً على نتائج عدد كبير من هذه الحلقات. ولهذا تُنشر مثل هذه التحليلات غالبًا على منصات مثل مدونة NVIDIA للمطورين، الموجّهة إلى المهندسين الذين يعملون مع بنية GPU التحتية لتدريب النماذج.

وبالنسبة إلى مهندسي ML الممارسين، تُعدّ هذه المواد عادةً مرجعًا لمعرفة أي تقنيات RL أصبحت معيارًا صناعيًا، وأيها لا يزال في طور التشكّل بوصفه نهجًا واعدًا لكنه تجريبي حتى الآن لتدريب وكلاء ذكاء اصطناعي أكثر استقلالية وموثوقية.

إلى أين يتجه تدريب الوكلاء عبر RL؟

يتمثل الاتجاه في أحدث إصدارات نماذج الاستدلال، من مختبرات OpenAI وAnthropic وغيرها، في أن مرحلة التعلّم المعزَّز لم تعد تُستخدم لـ"تجميل" أسلوب إجابات النموذج فحسب. صارت تُستخدم أيضًا ليتعلّم النموذج بنفسه متى يستدعي أداة وأي أداة يختار، ومدة التفكير في المهمة، ومتى يتوقف. وتحاول مواد مثل منشور NVIDIA شرح هذا التحوّل، من مواءمة نبرة الإجابة إلى تدريب استراتيجية حلّ المهمة ذاتها، للمهندسين الذين يصمّمون مسارات تدريب خاصة بهم للوكلاء.

ماذا يعني ذلك

يُظهر تحليل NVIDIA أن التعلّم المعزَّز يظل أداة محورية، لا لمواءمة النماذج الحوارية فحسب، بل أيضًا لتدريب وكلاء ذكاء اصطناعي متكاملين قادرين على تنفيذ مهام متعددة الخطوات باستخدام الأدوات. وفي هذا الاتجاه بالذات يتحوّل تركيز باحثي RL حاليًا.