DeepMind: كلما زاد عدد الوكلاء، ساءت النتيجة؟

عاشت صناعة الذكاء الاصطناعي منذ فترة طويلة وفقاً لمنطق بسيط: الأكثر يعني الأفضل. مزيد من المعاملات، مزيد من البيانات، مزيد من قوة الحوسبة. الآن تطرح DeepMind تحدياً للخطوة التالية من هذه الفكرة—الاعتقاد بأن زيادة عدد وكلاء الذكاء الاصطناعي داخل النظام يؤدي تلقائياً إلى زيادة في قدراته. يشير البحث الجديد للشركة إلى أن الهياكل متعددة الوكلاء لها سقف هيكلي، واقترابك منه قد يكون مكلفاً لمن راهنوا على توسع الوكلاء كالطريق الرئيسي الذي يجب اتباعه.

فكرة الأنظمة متعددة الوكلاء ليست جديدة في حد ذاتها. على مدار السنتين الماضيتين، عززت المختبرات الرائدة—OpenAI وAnthropic وGoogle—بنشاط مفهوماً يعمل فيه عدة وكلاء ذكاء اصطناعي متخصصين معاً، موزعين المهام والتحقق من نتائج بعضهم البعض. كان يُفترض أن هذا الهيكل يحاكي الذكاء الجماعي: وكيل واحد يكتب الكود، وآخر يختبره، والثالث يبحث عن الأخطاء، ومنسق عام يشرف على العملية. بدت المنطقية لا تشوبها شائبة—حتى بدأت DeepMind بقياس ما يحدث فعلياً في الممارسة.

وجد البحث تأثيراً مفاجئاً: ابتداءً من عتبة معينة، إضافة وكلاء جدد لا تحسن النتيجة بل تزعجها. السبب يكمن في تكاليف التنسيق. كل وكيل جديد في النظام ليس مجرد قوة حوسبة إضافية، بل هو أيضاً مصدر جديد لتناقضات محتملة. يجب على الوكلاء تنسيق النتائج الوسيطة ونقل السياق وحل النزاعات في التفسير. مع عدد صغير من المشاركين، تكون هذه التكاليف الإضافية غير مهمة. مع نمو عددهم، تبدأ بالقضاء على نفس الفوائد التي أُنشئ النظام من أجلها. في نقطة ما، يتوقف النظام عن كونه فرقة موسيقية ويصبح حشداً.

من الناحية التقنية، تعقد المشكلة بحقيقة أن نماذج اللغة الحديثة تفتقر إلى آلية موثوقة لحل التناقضات بين الوكلاء. عندما يصل وكيلان إلى استنتاجات مختلفة—وهذا يحدث بشكل أكثر تكراراً كلما كانت المهمة أكثر تعقيداً—يحتاج النظام إما إلى حكم أو بروتوكول تصويت أو تراجع إلى أحد الخيارات. كل من هذه الطرق يدخل تشويهاته الخاصة. قد يرتكب الحكم أخطاء. التصويت بالأغلبية يقتل الحلول غير القياسية لكن الصحيحة. التراجع يعني أن جزءاً من العمل تم إجراؤه بلا جدوى. كل هذا—ليس أخطاء في التطبيقات المحددة، بل خصائص أساسية للأنظمة الموزعة التي يحارب المهندسون معها منذ عقود حتى في البرامج الكلاسيكية.

بالنسبة للصناعة، لهذا الاكتشاف عواقب عملية خطيرة. استثمرت الشركات الناشئة والشركات الكبرى موارد كبيرة في بناء ما يسمى إطارات الوكلاء—AutoGen من Microsoft وCrewAI وLangGraph وعدد من الأدوات الأخرى الموجهة بشكل خاص لتنظيم عدد كبير من الوكلاء. أصبحت أطروحة أن توسع الوكلاء يعوض عن قيود النماذج الفردية تقريباً عقيدة في عروض التكنولوجيا. إذا كانت DeepMind محقة، فإن بعض هذه الحلول المعمارية سيحتاج إلى إعادة النظر فيها ليس في سنوات، بل الآن.

في الوقت ذاته، من المهم عدم المبالغة في تقدير تشاؤم البحث. «سقف الوكلاء» ليس حكماً على الموت للنهج متعدد الوكلاء كما هو، بل مؤشر على أن التوسع يجب أن يكون ذكياً وليس آلياً. تستمر الأنظمة ذات عدد صغير من الوكلاء المتخصصين جيداً، مع مناطق محددة بوضوح من المسؤولية وتداخل أدنى للمهام، في إظهار مكاسب إنتاجية حقيقية. تظهر المشكلة عندما يضيف المطورون وكلاء وفقاً لمبدأ «الأكثر أفضل» دون التفكير في كيفية تنظيم التنسيق بينهم.

يندرج اكتشاف DeepMind في نقاش أوسع حول حدود التوسع في الذكاء الاصطناعي، والذي كثف بشكل ملحوظ في الأشهر الأخيرة. بعد عدة سنوات أعطت فيها زيادة قوة الحوسبة تحسينات في الجودة بشكل تقريبي تلقائي، تواجه الصناعة بشكل متزايد عوائد متناقصة—سواء في التدريب المسبق للنماذج الكبيرة أو، الآن، في الهياكل المعمارية للوكلاء. هذا لا يعني أن التقدم توقف. هذا يعني أن الوصفات البسيطة لم تعد تعمل ويجب أن يحل محلها حلول معمارية نوعية. بالنسبة للمختبرات التي تتنافس على الزعامة في عصر الذكاء الاصطناعي القائم على الوكلاء، نتائج DeepMind ليست سبباً للذعر، بل سبب للتفكير الجدي في كيفية بناءهم لأنظمة الجيل القادم.