EvoLib от Microsoft Research: языковые модели учатся на опыте без переобучения

أعلنت Microsoft Research عن EvoLib — إطار عمل يحوّل الخبرة المتراكمة لنماذج اللغة إلى مهارات ومعارف قابلة لإعادة الاستخدام، مما يساعد نماذج LLM على التكيف مع مهام جديدة بعد أشهر من النشر دون الحاجة إلى تدريب إضافي.

لماذا الذاكرة البسيطة لا تكفي

يرتكز EvoLib على أطروحة يصوغها فريق Microsoft Research بشكل مباشر: لا تصبح نماذج اللغة أكثر ذكاءً لمجرد أنها تتذكر أكثر.

"LLMs do not get smarter just by remembering more"، — ورد في الوصف الرسمي لـ

EvoLib من Microsoft Research.

إن توسيع نافذة السياق وأرشفة الحوارات هو تخزين لا تعلّم. إذا كان النموذج قد عالج آلاف المهام المتعلقة بتحليل الشيفرات البرمجية أو كتابة الوثائق، فيجب أن يستخلص منها مبادئ وأنماطاً، لا أن يكتفي بتجميع الأمثلة.

تمتلك نماذج LLM الحديثة عدة طبقات من "الذاكرة": نافذة السياق (مؤقتة)، وقواعد المعرفة الخارجية من نوع RAG (البحث عن مقاطع مشابهة)، والذاكرة البارامترية (أوزان النموذج). يضيف EvoLib طبقة رابعة — مكتبة مهارات ديناميكية تنمو من الخبرة وتتحسن في سياق العمل الفعلي.

بعد النشر، تنجمد معظم نماذج LLM في الواقع: تتغير المهام والسياق، بينما يبقى النموذج على حاله. يستلزم التكيف التقليدي عبر الضبط الدقيق (fine-tuning) إعداد البيانات والموارد الحسابية، وكثيراً ما يستوجب توقف النظام مؤقتاً.

كيف تعمل مكتبة المعرفة المتطورة

يستخلص EvoLib من كل تفاعل مهاراتٍ ورؤىً قابلة لإعادة الاستخدام، مشكّلاً "مكتبة معرفة متطورة" (evolving knowledge library). هذه المكتبة ليست ذاكرة تخزين مؤقت للإجابات ولا سجلاً للحوارات — بل هي تجريدات منظَّمة: أي نهج نجح في حل مهمة ما، وما الذي أثبت فعاليته.

يكمن الاختلاف الجوهري عن مناهج الذاكرة المعيارية لنماذج LLM في طبيعة ما يُحفظ. يعثر نظام RAG على إجابة سابقة مشابهة؛ أما EvoLib فيستخلص مهارةً معمَّمة قابلة للتطبيق على مواقف جديدة. حين يواجه النموذج مهمة غير مألوفة، يستنجد بهذا الترسانة ويطبق أنماطاً مستقاة من الخبرة السابقة، فيما تواصل المكتبة نموها وتحسُّنها.

في سياق وكلاء AI، يكتسب هذا الأمر قيمةً استثنائية: ينبغي لوكيل حلّ مئات المهام المتشابهة في بيئة مؤسسية أن يصبح أكثر فاعلية — أقدر على اختيار الأدوات، وتفادي الأخطاء السابقة، وتطبيق سلاسل الإجراءات المثلى. صُمِّم EvoLib تحديداً لمثل هذه السيناريوهات طويلة الأمد.

يعكس الاسم EvoLib (اختصاراً لـ Evolving Library) الفكرة المحورية: المعرفة ليست ثابتة — بل تتطور جنباً إلى جنب مع ممارسة النموذج. وفقاً لتصور Microsoft Research، يقترب هذا النهج من الناحية المفاهيمية من طريقة تعلم الإنسان — من خلال تراكم الخبرة المعمَّمة، لا عبر الحفظ الحرفي للأمثلة.

ما معنى ذلك لأنظمة AI في بيئة الإنتاج

يقدم EvoLib بديلاً لدورات إعادة التدريب المكلفة. تُعدّ مشكلة تدهور الجودة بعد النشر من المشكلات المعروفة في الصناعة: تنزاح البيانات، وتزداد المهام تعقيداً، ويتخلف النموذج تدريجياً عن مواكبة الواقع. إذا أثبت EvoLib قابليته للتوسع، فسيغيّر منطق دورة حياة أنظمة AI: بدلاً من الضبط الدقيق الدوري — تراكم مستمر للمعرفة مباشرةً أثناء العمل.

بالنسبة لأنظمة AI المؤسسية التي تعالج مهاماً متكررة لأشهر — دعم العملاء، وتحليل الوثائق، وأتمتة العمليات — يمثّل التكيف العضوي دون إيقاف النظام قيمةً عملية ملموسة.

وصفت Microsoft Research EvoLib حتى الآن على المستوى المفاهيمي: لم تُكشَف معايير الأداء (benchmarks) المحددة ولا تفاصيل التنفيذ في الإعلان. ومع ذلك، يعالج EvoLib أحد المشكلات الجوهرية المفتوحة في AI التطبيقي — كيف يمكن جعل النموذج يزداد ذكاءً من العمل، لا من التدريب وحده.