چرا افزایش ایجنتهای هوش مصنوعی همیشه نتیجه بهتری نمیدهد؟
دانشمندان علوم کامپیوتر در سراسر جهان طیف گستردهای از سیستمهای مبتنی بر هوش مصنوعی را توسعه دادهاند
به گزارش هفت صبح برخی از این سیستمها تنها متکی به یک ایجنت (Agent) واحد هستند، در حالی که برخی دیگر از چندین ایجنت تعاملی تشکیل شدهاند که به تبادل اطلاعات، همکاری و اصلاح پاسخها یا پیشبینیهای یکدیگر میپردازند.
بهتازگی پژوهشگران گوگل ریسرچ، دیپمایند و دانشگاه MIT آزمایشی کنترلشده را با هدف بررسی مزایا و محدودیتهای سیستمهای هوش مصنوعی چندعاملی (Multi-Agent) انجام دادهاند. نتایج این پژوهش که در نشریه Nature Machine Intelligence منتشر شده است، نشان میدهد که افزایش تعداد ایجنتهای هوش مصنوعی همواره مفید نیست؛ چراکه در برخی وظایف، یک ایجنت کارآمد و توانمند عملکرد بهتری نسبت به سیستمهای چندعاملی ثبت میکند.
یوبین کیم، نویسنده اصلی این مقاله پژوهشی، هدف اصلی پروژه را درک ویژگیهای یک ایجنت کارآمد، زمانهای سودمندی یا زیانبخش بودن همکاری میان ایجنتها و همچنین پیشبینی معماری بهینه پیش از استقرار کامل سیستم عنوان کرده است.
ارزیابی سیستمهای تکعاملی در برابر چندعاملی
تیم پژوهشی بهجای ساخت یک سیستم چندعاملی جدید، روشی کمی و دقیق برای سنجش طراحی ایجنتها طراحی کرد. در این آزمایش، عملکرد یک سیستم تکعاملی در کنار چهار مدل استاندارد چندعاملی، در قالب ۶ بنچمارک مختلف و با بهرهگیری از مدلهای زبانی سه خانواده اصلی LLM ارزیابی شد. برای ایجاد شرایط کاملاً برابر و سنجش دقیق اثر ساختار هماهنگی، متغیرهایی همچون دستورالعملها، ابزارهای در دسترس و توان پردازشی در تمام ۲۶۰ پیکربندی آزمایشی یکسان نگه داشته شدند.
پژوهشگران دریافتند که سطح توانایی اولیه یک ایجنت واحد، شاخصی بسیار مهم برای تصمیمگیری درباره لزوم افزودن ایجنتهای بیشتر است. همچنین، مدلی پیشبینیکننده توسعه داده شد که توانست در ۸۷ درصد موارد، بهترین معماری هوش مصنوعی را برای هر وظیفه بهدرستی انتخاب کند.
این مطالعه همچنین به یک قاعده تجربی بر مبنای خط پایه ۴۵ درصد برای ایجنتهای منفرد دست یافت؛ به این معنا که اگر عملکرد یک ایجنت واحد بالاتر از این مرز باشد، افزودن ایجنتهای بیشتر احتمالاً به بهبود کارایی منجر نخواهد شد.
دلایل ناکارآمدی کار تیمی در برخی وظایف
نتایج کلی نشان میدهد که افزایش ایجنتها تنها زمانی سودمند است که ساختار وظیفه با معماری چندعاملی همخوانی داشته باشد.
تفاوت عملکرد در انواع وظایف بسیار چشمگیر گزارش شده است: در بنچمارک تحلیل مالی—جایی که ایجنتها میتوانستند دادههای مستقل را بهصورت موازی بررسی کنند—سیستم چندعاملی عملکرد را تا ۸۱ درصد بهبود داد. اما در وظایف برنامهریزی متوالی (Sequential Planning)، استفاده از چند ایجنت کارایی سیستم را تا ۷۰ درصد کاهش داد. این تفاوت ناشی از پیچیدگی صرف مسئله نیست، بلکه به امکان تقسیم منطقی کار و توجیه داشتن هزینه هماهنگی میان ایجنتها بستگی دارد.
بر اساس این یافتهها، هنگامی که یک ایجنت واحد عملکرد موفقی دارد، ورود ایجنتهای بیشتر میتواند خطاها و سربارهای ناشی از تبادل داده و همگامسازی را افزایش دهد. با این حال، در صورت بروز خطا، سیستمهایی با تایید متمرکز عملکرد بهتری در مهار و عدم انتشار خطا نسبت به ایجنتهای کاملاً مستقل نشان دادهاند.
چشمانداز آینده معماریهای هوش مصنوعی
یافتههای این پژوهش گامی اساسی در جهت خروج از نگاه سلیقهای به انتخاب میان سیستمهای تکعاملی و چندعاملی و حرکت بهسوی تصمیمگیریهای مبتنی بر شواهد است. پژوهشگران در گامهای بعدی در پی بررسی سیستمهایی هستند که ایجنتها در آنها بتوانند با سنجش نوع وظیفه، معماری خود را بهشکل پویا بسازند. همچنین ترکیب هوش عمومی، تخصصهای حوزهای و تخصص انسانی در قالب تیمهای یکپارچه از اهداف کلیدی مطالعات آینده عنوان شده است.
