Google Cloud AI Research تقدم ReasoningBank لتحسين استراتيجيات التفكير

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ٢٣ أبريل ٢٠٢٦

قدمت Google Cloud AI Research بالتعاون مع جامعة إلينوي في أوربانا-شامبين وجامعة يال إطار عمل جديد يسمى ReasoningBank، الذي يهدف إلى معالجة مشكلة الذاكرة الأساسية التي تعاني منها معظم وكالات الذكاء الاصطناعي اليوم. هذه الوكالات عادة ما تتعامل مع كل مهمة وكأنها لم تواجهها من قبل، مما يؤدي إلى تكرار نفس الأخطاء. يهدف ReasoningBank إلى استخراج استراتيجيات تفكير قابلة للتعميم من كل من النجاحات والإخفاقات، مما يوفر للوكالات القدرة على التعلم والتكيف بمرور الوقت.

المشكلة مع الذاكرة الحالية للوكالات

لفهم أهمية ReasoningBank، يجب أن نفهم كيف تعمل أنظمة الذاكرة الحالية. هناك نوعان شائعان هما: ذاكرة مسار الحركة (trajectory memory) المستخدمة في نظام يسمى Synapse وذاكرة سير العمل (workflow memory) المستخدمة في Agent Workflow Memory أو AWM. الذاكرة الأولى تخزن سجلات الحركة الخام، بينما الثانية تستخرج إجراءات قابلة لإعادة الاستخدام من التجارب الناجحة فقط. لكن كلا النظامين يعانيان من عيوب حادة، حيث أن سجلات الحركة تكون ضوضاء وغير قابلة للاستخدام المباشر، في حين أن ذاكرة سير العمل تتجاهل الدروس المستفادة من الفشل.

كيف يعمل ReasoningBank

يعمل ReasoningBank كعملية ذاكرة مغلقة مع ثلاثة مراحل تدور حول كل مهمة مكتملة: استرجاع الذاكرة، استخراج الذاكرة، وتوحيد الذاكرة. قبل بدء الوكالة مهمة جديدة، تستعلم عن ReasoningBank باستخدام بحث تشابه يعتمد على التضمين لاسترجاع أفضل عناصر الذاكرة ذات الصلة. بعد الانتهاء من المهمة، يقوم Memory Extractor بتحليل المسار المستخرج، ويقوم بتقطيعه إلى عناصر ذاكرة منظمة. كل عنصر يتكون من عنوان، وصف، ومحتوى يتضمن خطوات التفكير المستخلصة أو رؤى تشغيلية.

إضافة MaTTS: ربط الذاكرة بالتوسع في وقت الاختبار

تتجاوز الفريق البحثي بإدخال مفهوم MaTTS (التوسع في وقت الاختبار المعتمد على الذاكرة)، الذي يربط ReasoningBank مع توسيع الحساب في وقت الاختبار. هذا المفهوم يسمح بجني فوائد من تعدد المسارات الناتجة عن نفس المهمة، مما يوفر إشارات تباينية غنية لاستخراج الذاكرة. تمثل هذه الاستراتيجيات الجديدة تحسينًا كبيرًا في أداء الوكالات، مما يعزز من قدرتها على التعلم من أخطائها.

نتائج عبر ثلاثة معايير

تم اختبار ReasoningBank عبر معايير مختلفة مثل WebArena وMind2Web وSWE-Bench-Verified. أظهرت النتائج تحسينًا مستمرًا في معدلات النجاح عبر جميع النماذج المختبرة. على سبيل المثال، في WebArena باستخدام Gemini-2.5-Flash، تحسن معدل النجاح بمقدار 8.3 نقطة مئوية مقارنة بالأساسيات التي لا تحتوي على ذاكرة.

تطور الاستراتيجيات الناشئة

واحدة من أكثر النتائج إثارة للاهتمام هي أن ذاكرة ReasoningBank لا تبقى ثابتة، بل تتطور مع مرور الوقت. في دراسة حالة موثقة، تطورت العناصر الأولية للذاكرة الاستراتيجية إلى استجابات ذاتية تكيفية، ثم إلى فحوصات منهجية قبل المهمة، مما يعكس ديناميكيات التعلم المعزز.

خلاصة

يُظهر ReasoningBank كيف يمكن للتعلم من الفشل أن يصبح إشارة تعليمية قيمة. بدلاً من أن تتجاهل الوكالات الدروس المستفادة من الإخفاقات، فإن هذا النظام الجديد يعزز من مرونتها وقدرتها على التعلم، مما يمهد الطريق لاستراتيجيات تفكير أكثر تطورًا ودقة في المستقبل.