حدّ التوسّع: لماذا لا يضمن تزايد عدد وكلاء الذكاء الاصطناعي نتائج أفضل

أتقنت صناعة الذكاء الاصطناعي منذ زمن طويل مقولة واحدة: الأكثر يعني الأفضل. مزيد من المعاملات، ومزيد من البيانات، ومزيد من القدرة الحاسوبية. وكان الامتداد المنطقي لهذا المنطق فكرة الأنظمة متعددة الوكلاء، أي معماريات تعمل فيها عشرات أو مئات النماذج اللغوية معاً، فتتبادل المعلومات فيما بينها وتحل المهام المعقدة بصورة جماعية. غير أن دراسة جديدة تضع هذا النهج أمام تحدٍّ جدي، إذ تُظهر أن التوسّع غير المنضبط في الأنظمة القائمة على الوكلاء لا يتوقف عن تحقيق نتائج فحسب، بل يضرّ بجودة القرارات المتخذة ضرراً فعلياً.

أثارت الأنظمة متعددة الوكلاء القائمة على النماذج اللغوية الكبيرة حماسة صادقة لدى المطورين والمستثمرين خلال العامين الماضيين. وبدت الفكرة مقنعة: إذا كان وكيل واحد قادراً على الاستدلال وحل المهام، فإن فريقاً من الوكلاء المتخصصين ينبغي أن يتعامل مع مشكلات أعقد بكثير، على غرار تفوّق فريق متناغم من المتخصصين على خبير منفرد. وعلى هذا الحدس بُنيت مشاريع طموحة لأنظمة عمل مستقلة ومنسّقين للوكلاء وخطوط معالجة متعددة المستويات. أما الآن فيتضح أن التشبيه بالفريق البشري لا يعمل بالمباشرة التي بدت عليها الأمور.

يكمن جوهر المشكلة المكتشفة في طبيعة المعلومات نفسها التي يتبادلها الوكلاء. فعندما ينقل نموذج لغوي نتائج عمله إلى نموذج آخر، يُدرج الأخير البيانات المستلمة في سياقه الخاص ويمرّرها إلى ما بعده في صيغة مُثرَاة. ومع عدد قليل من الوكلاء تسير هذه العملية بصورة طبيعية. لكن مع نمو النظام يحدث أمر غير متوقع: إذ تبدأ الحقائق والصياغات والاستنتاجات الوسيطة نفسها بالدوران في الشبكة مراراً وتكراراً، متراكمةً في سياق كل وكيل لاحق. ويصف الباحثون هذه الظاهرة بأنها تكرار معلوماتي، أي حالة يغرق فيها الإشارة الأصلية في سيل من تكرارات ذاتها. والخوارزمية التي تتلقى الحقيقة نفسها في عشر صياغات مختلفة لا تصبح أكثر ثقة بعشر مرات، بل على العكس، تفقد القدرة على التمييز الواضح لما هو مهم حقاً.

وتزداد المشكلة تفاقماً لأن النماذج اللغوية الحديثة لا تملك آلية لإزالة تكرار السياق على المستوى الدلالي. فالنموذج لا «يعرف» أن معلومات عن حدث بعينه مرّت عليه ثلاث مرات في مقاطع نصية مختلفة، بل يعالج السياق كله بصورة متساوية، فيمنح العناصر المتكررة مراراً اهتماماً مفرطاً وغير متناسب. ونتيجة لذلك يبدأ النظام باتخاذ قرارات منحازة لصالح البيانات الأكثر ذكراً بدل الأكثر صلة بالموضوع. وتنخفض الدقة تحديداً حين يُنتظر من النظام أقصى عطاء، أي عند حل مهام معقدة متعددة المراحل تتطلب تحليلاً دقيقاً.

ولهذا الاكتشاف تبعات عملية محددة للصناعة. فهو يعني أن المسار الرئيسي الحالي للتطوير، أي إضافة المزيد من الوكلاء أملاً في تحقيق زيادة خطية في الأداء، يقود إلى طريق مسدود. وتجد الشركات التي استثمرت موارد كبيرة في بناء معماريات واسعة متعددة الوكلاء نفسها مضطرة إلى إعادة النظر في المبادئ الأساسية لتصميم أنظمتها. والمسألة لا تتعلق بتغييرات شكلية، بل بتحوّل في النموذج الفكري ذاته: من النمو الكمي الموسّع في عدد الوكلاء إلى التحسين النوعي المكثّف لجودة تفاعلهم.

ويشير الباحثون إلى عدة اتجاهات قد تخرج المطورين من هذا المأزق. الأول هو التصفية الذكية للسياق: على الوكلاء ألا يكتفوا بتمرير كامل الحجم المتراكم من المعلومات، بل أن ينتقوا بنشاط ما يحتاجه الحلقة التالية في السلسلة فعلاً. والثاني هو تطوير بروتوكولات جديدة جذرياً للتفاعل بين الوكلاء، تدمج إزالة التكرار وضغط المعلومات مباشرة في عملية التواصل. وسيتطلب ذلك عملاً هندسياً جاداً، ومن المرجح أن يستلزم أيضاً مقاربات جديدة في تدريب النماذج نفسها.

ويذكّر الوضع بما حدث في توسيع الشبكات العصبية، حين ظل الباحثون يعتقدون طويلاً أن مجرد زيادة عمق الشبكة تمنح تحسناً متناسباً في الجودة، إلى أن اصطدموا بمشكلة تلاشي التدرجات. وكان الحل حينها الوصلات المتبقية والتطبيع. واليوم تواجه الأنظمة متعددة الوكلاء تحدياً مشابهاً، ومن المرجح أن يكون حله غير بديهي بالقدر نفسه. وثمة أمر واحد يمكن الجزم به: مستقبل أنظمة AI القوية لا يكمن في مضاعفة عدد الوكلاء دون تفكير، بل في قدرة كل وكيل منها على التعامل مع المعلومات بدقة وانتقائية ودون ضوضاء زائدة.