تطور الوكلاء الذاتيين يصطدم بعجز استنتاج القواعد: قوائم استثناءات طويلة بدل التعلم الحقيقي

يبدو الوعد التقني بالوكلاء الأذكياء ذاتيي التطور مغريًا لكل مؤسسة تبحث عن أتمتة لا تتوقف عن التعلم، لكن الاختبارات الميدانية تكشف واقعًا مغايرًا تمامًا لافتراضات الاستيعاب التلقائي. تُظهر دراسة بحثية حديثة قادها الباحث تشينجي تشيو وزملاؤه، في ورقة مكرسة لتقييم خوارزميات التطور الذاتي عبر معيار «سي إل آر بنش» (CLR-Bench)، أن الوكلاء البرمجيين غالبًا ما يعجزون عن استنتاج القواعد المنطقية الكامنة من تلقاء أنفسهم، ويكتفون بدل ذلك بتسجيل كل تصحيح يواجهونه كحالة شاذة واستثناء مستقل، فتتحول آليات التعلّم المزعومة إلى قوائم تراكمية تطول مع كل اختبار دون أن تفهم النظام الذي يحكمها.

أعد الفريق البحثي معيار «سي إل آر بنش» القائم على منهج تدريجي للقواعد الخفية، حيث يضيف كل مسار قاعدة كامنة واحدة فوق القواعد السابقة عبر عشرين مسارًا وُزعت على عشرة مجالات بيانات مختلفة. وتعتمد التجربة على تسميات مبهمة تمثل تصنيفات معروفة ومنشورة رقميًا، مثل الأعضاء المؤسسين لتحالف شركات طيران محدد؛ بحيث يُمنح الوكيل مثالاً واحدًا، ثم تكشف له التغذية الراجعة عضوًا إضافيًا وعنصرًا لا ينتمي إلى المجموعة، بينما يفحص الاختبار النهائي قدرة الوكيل على التعرف على عناصر جديدة غير مرئية وعناصر أخرى مشابهة لا تنتمي للمجموعة. الوكيل الذاتي لا يستنبط المعيار الخفي إلا نادرًا، بل يهرع إلى تسجيل العنصر المكتشف داخل ذاكرته المؤقتة كاستثناء منفرد.

كشفت النتائج التجريبية لست طرق حديثة للتطور الذاتي، عند تشغيلها بواسطة النموذج الأساسي المعياري للاختبار، عن قصور ملحوظ في التعلم؛ إذ لم يتجاوز أفضل تحسن حققته تلك الطرق خمس نقاط مئوية مقارنة بالوكيل الثابت الذي لا يخضع لأي تطور. والأسوأ من ذلك أن تلك الخوارزميات استبعدت ما بين 6 إلى 12 بالمئة فقط من الأعضاء غير المرئيين من العد الإجمالي، وهي نتيجة تفوقت عليها آلية بدائية تكتفي بالاحتفاظ بسجل الممارسات الخام التي سجلت 20 بالمئة. وقد أظهر فحص الحالات الداخلية للوكلاء أن ذاكرتهم احتفظت بالعضو المكتشف في 75 إلى 98 بالمئة من الحالات، في حين غاب اسم الفئة أو القاعدة المنظمة بشكل شبه كامل، فكلما رصدت التجربة عنصرًا مفقودًا، أضافه الوكيل إلى قائمته فحسب.

أحدث تزويد الخوارزميات بإرشاد ثابت يوضح اتفاقية التصنيفات قفزة فورية في الأداء بلغت 14.5 إلى 16.5 نقطة مئوية، ما يبرهن على أن المشكلة تكمن في عجز الاستقراء التلقائي لا في القدرة على الحفظ. التعلم المستقل من التغذية الراجعة وحدها يتطلب قدرات استدلال متقدمة لا تملكها معظم النماذج الأساسية الشائعة. فعند اختبار نماذج أكثر قوة، مثل نموذج «جي بي تي 6 سول» (GPT-6-Sol)، تمكنت أساليب مثل «إيه سي إي» (ACE) و«دايناميك تشيت شيت» (Dynamic Cheatsheet) من استنتاج القواعد بالاعتماد الحصري على التغذية الراجعة، لتقفز دقة الأداء إلى 78 بالمئة وتصل نسبة حل الخلايا الفردية إلى نحو 60 بالمئة، مقابل 53 بالمئة ونحو 8 بالمئة فقط لدى النموذج المعياري السابق.

يحمل هذا التمايز الفني دلالة حاسمة لكل مطور وقائد تقني في بيئات الأعمال بالخليج ومصر وبلاد الشام، حيث يتسابق المطورون لبناء وكلاء أتمتة للعمليات المصرفية واللوجستية وخدمات المستفيدين اعتمادًا على نماذج الذاكرة التراكمية. إذا كان نظامك البرمجي يعتمد على خوارزميات التطور الذاتي فوق نماذج أساسية متوسطة، فلن تحصل على وكيل يستوعب لوائح الامتثال أو سياسات التشغيل المحلية تلقائيًا؛ بل ستدفع ثمن تضخم غير مسبوق في استهلاك الرموز البرمجية وتباطؤ زمن الاستجابة، لأن الوكيل يبني قوائم استثناءات لا تنتهي بدل اختزال القاعدة في سطر برمجي واحد. تحسين الأنظمة المستقلة لا يتحقق بإطلاق العنان لذاكرة الوكيل لتكدس الحالات، بل بضبط البنية الاستدلالية وفحص ما إذا كان النموذج يفهم القواعد أم يرص الاستثناءات.