EvoLib من Microsoft Research: نماذج اللغة تتعلم من التجربة دون إعادة تدريب

أعلنت Microsoft Research عن EvoLib، وهو إطار عمل يحوّل الخبرة المتراكمة لنماذج اللغة إلى مهارات ومعارف قابلة لإعادة الاستخدام. وتساعد هذه المهارات نماذج LLM على التكيف مع المهام الجديدة بعد أشهر من نشرها، دون تدريب إضافي.

لماذا لا تكفي الذاكرة البسيطة

يقوم EvoLib على فرضية يصوغها فريق Microsoft Research بصراحة: نماذج اللغة لا تصبح أذكى لمجرد أنها تحفظ المزيد.

«LLMs do not get smarter just by remembering more»، كما يرد في الوصف الرسمي لـ

EvoLib من Microsoft Research.

توسيع نافذة السياق وأرشفة المحادثات مجرد تخزين، وليس تعلّمًا. فإذا عالج النموذج آلاف المهام في تحليل الشيفرة البرمجية أو كتابة الوثائق التقنية، ينبغي له أن يستنتج المبادئ والقواعد العامة، لا أن يكدّس الأمثلة فحسب.

تملك نماذج LLM الحديثة عدة طبقات من «الذاكرة»: نافذة السياق (مؤقتة)، وقواعد المعرفة الخارجية مثل RAG (البحث عن مقاطع مشابهة)، والذاكرة المعلمية (أوزان النموذج). ويضيف EvoLib طبقة رابعة، هي مكتبة مهارات ديناميكية تنمو من التجربة وتتحسن أثناء العمل الفعلي.

بعد النشر، تتوقف معظم نماذج LLM عمليًا عن التطور: تتغير المهام والسياق، بينما يبقى النموذج على حاله. أما التكيف التقليدي عبر fine-tuning فيتطلب تحضير البيانات وموارد حاسوبية، وغالبًا ما يستلزم إخراج النظام من الخدمة مؤقتًا.

كيف تعمل مكتبة المعارف المتطورة

يستخلص EvoLib من كل تفاعل مهارات ورؤى قابلة لإعادة الاستخدام، ويبني منها «مكتبة معارف متطورة» (evolving knowledge library). وهي ليست ذاكرة تخزين مؤقت للإجابات ولا سجلًّا للمحادثات، بل تجريدات منظَّمة: أي نهج نجح في حل المهمة، وما الذي ثبتت فاعليته.

يكمن الفرق الجوهري عن المقاربات المعتادة لذاكرة LLM في طبيعة ما يُحفظ. فنظام RAG يعثر على إجابة سابقة مشابهة، أما EvoLib فيستخلص مهارة معمَّمة تنطبق على مواقف جديدة. وحين يواجه النموذج مهمة غير مألوفة، يلجأ إلى هذا المخزون ويطبّق الأنماط المستمدة من تجربته السابقة، فيما تواصل المكتبة النمو والتحسن.

وتزداد قيمة هذا النهج في سياق وكلاء الذكاء الاصطناعي: فالوكيل الذي حلّ مئات المهام المتشابهة في بيئة مؤسسية ينبغي أن يصبح أكثر كفاءة، فيحسن اختيار الأدوات، ويتجنب أخطاءه السابقة، ويطبّق سلاسل الإجراءات المثلى. وقد صُمّم EvoLib لمثل هذه السيناريوهات طويلة الأمد.

ويعكس اسم EvoLib (اختصار Evolving Library) الفكرة المحورية: المعارف ليست ثابتة، بل تتطور مع ممارسة النموذج. ووفق تصور Microsoft Research، يقترب هذا النهج مفاهيميًا من طريقة تعلّم الإنسان، أي عبر تراكم الخبرة المعمَّمة لا عبر الحفظ الحرفي للأمثلة.

ماذا يعني ذلك للذكاء الاصطناعي في بيئات الإنتاج

يقدّم EvoLib بديلًا لدورات إعادة التدريب المكلفة. فمشكلة تراجع الجودة بعد النشر معروفة جيدًا في الصناعة: تنزاح البيانات، وتزداد المهام تعقيدًا، ويتخلف النموذج تدريجيًا عن الواقع. وإذا ثبتت قابلية EvoLib للتوسع، فسيغيّر ذلك منطق دورة حياة أنظمة الذكاء الاصطناعي: فبدل fine-tuning دوري، يحلّ تراكم مستمر للمعارف أثناء العمل نفسه.

وبالنسبة لأنظمة الذكاء الاصطناعي المؤسسية التي تعالج مهامَّ متكررة على مدى أشهر، مثل دعم العملاء وتحليل المستندات وأتمتة العمليات، تمثّل القدرة على التكيف العضوي دون إيقاف النظام قيمة عملية ملموسة.

وصفت Microsoft Research إطار EvoLib حتى الآن على المستوى المفاهيمي فقط: فلم يكشف الإعلان عن معايير أداء محددة ولا عن تفاصيل التنفيذ. ومع ذلك، يمسّ EvoLib إحدى المشكلات المفتوحة الجوهرية في الذكاء الاصطناعي التطبيقي: كيف نجعل النموذج يزداد ذكاءً من العمل نفسه، لا من التدريب وحده.