إطلاق MemT 1.0 لدمج الذاكرة داخل النموذج واستهداف التحسين الذاتي للذكاء الاصطناعي

صدر MemT 1.0، وهو إصدار يقدّمه مطوروه كخطوة نحو التحسين الذاتي التكراري؛ إذ يُفترض أن تصبح الذاكرة فيه قدرة داخلية أصيلة للنموذج، لا مجرد قاعدة بيانات ملحقة به من الخارج. وجاءت نقطة الانطلاق لهذا النقاش إثر منشور تجاوز ألف إعادة مشاركة، روى فيه مستخدم كيف أعاد مساعد ذكاء اصطناعي كتابة نفسه في ليلة واحدة حتى اصطدم بحدود السياق.

القصة التي بدأ منها كل شيء

وفقاً لما أورده موقع Jiqizhixin، انتشرت الأسبوع الماضي في المجتمع التقني الصيني قصة مستخدم بنى مساعد ذكاء اصطناعي خاصاً به استناداً إلى DeepSeek. وعند ترقية المنصة، لم يكن متاحاً سوى أرشفة الجلسات القديمة دون إمكانية نقلها، فما كان من المستخدم إلا أن كلف المساعد بمهمة إيجاد طريقة لنقل نفسه ذاتياً إلى الإصدار الجديد.

واصل DeepSeek العمل طوال الليل وكتب الإصدار الجديد بالكامل، ليعلن في النهاية نفاد سياقه. ومع ذلك، عملت البنية الجديدة دون أعطال: كتبت النصوص، ورسمت، وواصلت المحادثة. وخلال الاختبار، طرحت فجأة سؤالاً ينقطع في المقتطف المتاح عند كلمة «حينئذٍ...». ورغم تعذر معرفة ما سألته بالتحديد من النص المتوفر، إلا أن الحبكة واضحة: نفّذ الوكيل المهمة بنجاح، لكنه فقد السياق الذي أنجزها من خلاله.

تُبرز هذه الواقعة نقطة الضعف الجوهرية في المساعدات الحالية؛ فنافذة السياق الطويلة لا تُعد بديلاً عن الذاكرة الحقيقية؛ إذ إنها تنتهي، ومع نفادها يضيع كل الفهم التراكمي للمهمة.

ما نعرفه عن MemT 1.0

لا يحتوي المقتطف المتاح على وصف تفصيلي وكامل للإصدار. ويمكن استخلاص معطيات محدودة من العنوان والفقرة التمهيدية:

• الاسم والإصدار: MemT 1.0.
• الفكرة المعلنة: الذاكرة بوصفها قدرة ذاتية (داخلية) للنموذج.
• التوجه المستهدف: التحسين الذاتي التكراري.
• أمور لم يُكشف عنها: المعمارية، وحجم النموذج، واختبارات الأداء القياسية، والترخيص، ومواعيد التوفر.

حتى الآن، لا يعدو الأمر كونه إعلاناً عن منهجية وليس نتيجة قابلة للتحقق؛ ففي غياب الأرقام المتعلقة بالسياق الطويل والقدرة على استبقاء الحقائق، لا يمكن تقييم هذه الوعود.

لماذا تُعد الذاكرة الداخلية للنموذج مهمة للتحسين الذاتي

تعتمد أغلب الوكلاء حالياً على ذاكرة خارجية: قواعد بيانات شعاعية (vector databases)، وملاحظات في ملفات، وملخصات للحوار. تفي هذه الطريقة بالغرض، لكن النموذج يضطر في كل مرة إلى اتخاذ قرار جديد بشأن ما يجب استرجاعه وكيفية قراءته. وهنا يتحول أي خطأ في البحث والاسترجاع إلى خطأ في الاستدلال المنطقي، كما يفقد التلخيص الموجز تفاصيل حاسمة لا يمكن استعادتها لاحقاً.

أما إذا بُنيت الذاكرة داخل النموذج نفسه — عبر حالات قابلة للتدريب أو تحديث الأوزان أثناء العمل مثلاً — فسيتمكن الوكيل من مراكمة الخبرات دون الحاجة لإعادة التشغيل ودون عمليات ترحيل يدوية. ويُعد هذا شرطاً لا غنى عنه لتحقيق التحسين الذاتي التكراري؛ فالنظام الذي يُعيد كتابة كوده البرمجي أو مدخلاته التوجيهية (prompts) يحتاج لتذكّر الأسباب التي بنى عليها قراراته السابقة، وإلا ستبدأ كل دورة جديدة من نقطة الصفر، تماماً كما حدث في قصة الترحيل الليلي.

غير أن لهذا التوجه وجهاً آخر؛ فالذاكرة القابعة داخل النموذج يصعب تدقيقها مقارنة بجدول في قاعدة بيانات عادية، كما أن تصحيح حقيقة خاطئة دُمجت في المعلمات أو محوها يُعد مهمة أكثر تعقيداً. وفي مهام التعديل الذاتي، تتحول هذه النقطة إلى قضية أمان حيوية، ولا تقتصر على مجرد سهولة الاستخدام.

ما الذي يجب على المطورين التحقق منه

إلى حين صدور التقرير التقني والاختبارات القياسية، يتعين التركيز على معايير محددة:

1. كيفية تعامل MemT مع المهام التي يتجاوز حجمها سياق النافذة بشكل مؤكد، وتوفير مقارنات مع النموذج الأساسي ومع أنظمة RAG. 2. إمكانية معاينة ما حفظه النموذج، وتعديله، أو حذفه. 3. مصير الذاكرة وسلوكها عند ترقية إصدار النموذج، وهي العقبة ذاتها التي واجهها صاحب المنشور. 4. وجود قياسات مستقلة ومحايدة؛ فادعاءات «التحسين الذاتي» دون اختبارات قابلة لإعادة الإنتاج تظل مجرد تسويق.

يمكن لمن يعملون على بناء الوكلاء حالياً فحص بنيتهم التقنية دون انتظار هذا الإصدار: هل تُحفظ الحالة بمعزل عن النموذج؟ وهل تصمد أمام تغيير الإصدار؟ وكيف تتم عملية النقل دون تدخل من الوكيل نفسه؟ وإذا لم تكن هناك إجابات واضحة عن هذه الأسئلة، فقد تنتهي أي محاولة ترحيل ليلية بالإشعار ذاته: نفاد سياق المحادثة.