مایکروسافت نشان داد: ۵ ایجنت هوش مصنوعیِ مرتبط با هم معادل ۳۳ ایجنت مستقل عمل می‌کنند

پژوهشگران Microsoft Research و دانشگاه کالیفرنیا برکلی گزارش می‌دهند که ایجنت‌های مبتنی بر مدل‌های زبانی می‌توانند برخی از وظایف جستجوی زمان تست (test-time search) را با تبادل نتایج در حین اجرا، بسیار کارآمدتر حل کنند. در مقاله آن‌ها، تعداد معدودی از ایجنت‌ها که با یکدیگر در ارتباط بودند، توانستند با استخری بسیار بزرگ‌تر از تلاش‌های مستقل برابری کرده یا حتی از آن‌ها پیشی بگیرند. این یافته‌ها نشان می‌دهد که وضعیت مشترک (shared state) و امتیازهای میانی قابل‌تأیید می‌تواند نیاز به نمونه‌برداری کورکورانه (brute-force) برای حل مسائل پیچیده و پایان‌باز را کاهش دهد.

در هر آزمایش، به ایجنت‌های کاملاً یکسان، هدف و بودجه پردازشی برابری اختصاص داده می‌شود. این ایجنت‌ها از طریق یک فضای کاری مشترک، بدون داشتن نقش‌های ازپیش‌تعیین‌شده یا یک هماهنگ‌کننده مرکزی، با یکدیگر همکاری کرده و نتایج جزئی، رویکردهای ناموفق، کدها و دیگر دستاوردهای خود را در حین جستجو تبادل می‌کنند. این مقاله عملکرد گروهی متشکل از k ایجنت مرتبط با هم (team@k) را با بالاترین امتیاز به‌دست‌آمده از k اجرای کاملاً مستقل (best@k) مقایسه کرده است.

برابری عملکرد ۵ ایجنت با ۳۳ تلاش انفرادی

مجموعه آزمایشی ARC-AGI-3 ایجنت‌ها را در بازی‌های گرید-ورلد (grid-world) ناآشنایی می‌سنجد که قوانین آن‌ها باید از طریق تعامل استنتاج شوند. با بزرگ‌تر شدن گروهِ در حال ارتباط، عملکرد نیز بهبود یافت؛ به‌طوری‌که گروه سه نفره (team@3) با بهترین نتیجه از ۱۳ ایجنت مستقل و گروه پنج نفره (team@5) با بهترین نتیجه از ۳۳ ایجنت مستقل برابری کردند. این تیم‌ها به ترتیب نتایجی مشابه با ۴٫۳ و ۶٫۶ برابر تعداد ایجنت‌های مستقل را ارائه دادند.

بررسی بازی‌های انفرادی تفاوت‌های بسیار بزرگ‌تری را نشان داد. در حالی که طی ۶۴ تلاش مستقل در آزمون LP85 هیچ‌کدام موفقیتی کسب نکردند، گروه ۵ نفره ایجنت‌ها توانست به نرخ موفقیت ۶۵ درصدی دست یابد. در آزمون FT09 نیز، گروه ۳ نفره ایجنت‌ها موفق شد نرخ حل مسئله را از حدود ۲۶ درصد به ۹۰ درصد افزایش دهد.