حدود التوسع: لماذا لا يضمن المزيد من وكلاء AI النتائج

اعتنقت صناعة الذكاء الاصطناعي منذ فترة طويلة شعاراً بسيطاً: الأكبر يعني الأفضل. معاملات أكثر، بيانات أكثر، قوة حوسبة أكثر. امتداد منطقي لهذا المنطق أصبح فكرة الأنظمة متعددة الوكلاء — هندسات معمارية حيث تعمل عشرات أو مئات من نماذج اللغة معاً، وتنقل المعلومات لبعضها، وتحل المشاكل المعقدة بشكل جماعي. لكن بحثاً جديداً يطرح تحدياً خطيراً لهذا النهج، مما يدل على أن التوسع غير المنضبط لأنظمة الوكلاء لا يتوقف عن تقديم النتائج ببساطة — بل يضر بشكل فعلي بجودة القرارات المتخذة.

أثارت الأنظمة متعددة الوكلاء المبنية على نماذج اللغة الكبيرة حماساً حقيقياً لدى المطورين والمستثمرين على مدار السنتين الماضيتين. بدت الفكرة مقنعة: إذا كان وكيل واحد قادراً على التفكير وحل المشاكل، فينبغي لفريق من الوكلاء المتخصصين أن يتعامل مع تحديات أكثر تعقيداً — بالمثل مع كيف يتفوق فريق منسق من الخبراء على خبير واحد. تم بناء مشاريع طموحة لأنظمة العمال المستقلة ومنسقات الوكلاء وأنابيب متعددة المستويات على هذه الحدس. الآن يتضح أن القياس مع العمل في فريق بشري لا يعمل بشكل مباشر كما بدا.

يكمن جوهر المشكلة المكتشفة في طبيعة المعلومات التي يتبادلها الوكلاء. عندما ينقل نموذج اللغة نتائج عمله إلى نموذج آخر، يدمج هذا النموذج البيانات المستلمة في سياقه الخاص وينقلها — بنسخة مثرية بالفعل. مع عدد قليل من الوكلاء، تعمل هذه العملية بشكل جيد. لكن مع نمو النظام، يحدث شيء غير متوقع: نفس الحقائق والصيغ والاستنتاجات الوسيطة تبدأ في الدوران عبر الشبكة مراراً وتكراراً، متراكمة في سياق كل وكيل لاحق. يصف الباحثون هذه الظاهرة بأنها زيادة في المعلومات — موقف حيث تغرق الإشارة في فيض من التكرارات الذاتية. الخوارزمية التي تتلقى نفس الحقيقة في عشر صيغ مختلفة لا تصبح أكثر ثقة بعشر مرات — بل على العكس، تفقد القدرة على تحديد ما هو حقاً مهم.

تفاقم المشكلة من خلال حقيقة أن نماذج اللغة الحديثة تفتقر إلى آلية إزالة التكرار الدلالية للسياق. لا تعرف النموذج أن المعلومات حول حدث معين قد ظهرت بالفعل ثلاث مرات في أجزاء نصية مختلفة — فهو يعالج السياق بأكمله بشكل موحد، مولياً اهتماماً كبيراً بشكل غير متناسب للعناصر المتكررة. نتيجة لذلك، يبدأ النظام في اتخاذ قرارات منحازة لصالح البيانات الأكثر ذكراً بدلاً من الأكثر صلة. تنخفض الدقة بالضبط عندما يتوقع أن يؤدي النظام بأقصى طاقته — عند حل المشاكل المعقدة متعددة المراحل التي تتطلب تحليلاً دقيقاً.

بالنسبة للصناعة، لهذا الاكتشاف عواقب عملية محددة تماماً. هذا يعني أن الطريق السائد الحالي للتطوير — إضافة مزيد من الوكلاء بأمل تحقيق مكاسب خطية في الإنتاجية — يؤدي إلى طريق مسدود. تواجه الشركات التي استثمرت موارد كبيرة في بناء هندسات معمارية متعددة الوكلاء على نطاق واسع الحاجة إلى إعادة التفكير في المبادئ الأساسية لتصميم أنظمتها. هذا ليس عن تغييرات سطحية بل عن تحول في النموذج: من النمو الموسع في عدد الوكلاء إلى التحسين المكثف في جودة تفاعلهم.

يشير الباحثون إلى عدة اتجاهات قد تساعد المطورين على تجاوز هذا الطريق المسدود. الأول — الترشيح الذكي للسياق: يجب ألا ينقل الوكلاء جميع المعلومات المتراكمة ببساطة، بل يختاروا بشكل فعال فقط ما هو ضروري فعلاً للحلقة التالية في السلسلة. الثاني — تطوير بروتوكولات جديدة أساساً للتواصل بين الوكلاء تدمج إزالة التكرار وضغط المعلومات مباشرة في عملية الاتصال. سيتطلب هذا عملاً هندسياً جاداً وربما نهجاً جديداً لتدريب النماذج نفسها.

يذكر الموقف بتاريخ توسيع الشبكات العصبية، عندما آمن الباحثون لفترة طويلة بأن زيادة عمق الشبكة بكل بساطة ستؤدي إلى تحسينات متناسبة في الجودة — حتى واجهوا مشكلة الاختفاء المتدرج. حينها جاء الحل في شكل الاتصالات المتبقية والتطبيع. اليوم، تواجه الأنظمة متعددة الوكلاء تحدياً مماثلاً، وحله سيكون على الأرجح غير واضح بنفس القدر. يمكن تأكيد شيء واحد بكل تأكيد: مستقبل أنظمة الذكاء الاصطناعي القوية لا يكمن في مضاعفة العدد غير المدروس من الوكلاء، بل في قدرة كل منهم على العمل مع المعلومات بدقة وانتقائية وبدون ضوضاء غير ضرورية.