هنا، أسعى لتنظيم نظام الذكاء الاصطناعي للتعلم (ALIS) من خلال تغطية مفاهيمه ومبادئه، وصولاً إلى تصميمه الأساسي وطرق تطويره.
المفهوم
تعتمد أنظمة الذكاء الاصطناعي التوليدية الحالية، وخاصة النماذج اللغوية الكبيرة، على التدريب المستند إلى التعلم الموجه باستخدام الشبكات العصبية.
نحن نعتبر عملية تدريب الشبكة العصبية هذه بمثابة تعلم فطري.
ALIS هو نظام يتيح الاستدلال الشامل من خلال دمج عمليتي التعلم الفطري والمكتسب، وذلك عن طريق تضمين عملية تعلم مكتسبة منفصلة عن التعلم الفطري.
في هذا التعلم المكتسب، يتم تخزين المعرفة المتعلمة خارج الشبكة العصبية واستخدامها أثناء الاستدلال.
ولذلك، يكمن جوهر ALIS التقني في استخراج وتخزين المعرفة القابلة لإعادة الاستخدام، واختيار واستخدام المعرفة أثناء الاستدلال.
علاوة على ذلك، فإن ALIS ليس مجرد تقنية أساسية واحدة، بل هو تقنية نظام تجمع بين التعلم الفطري والتعلم المكتسب.
عناصر نظام الذكاء التعليمي
يعامل نظام ALIS كلاً من التعلم الفطري الحالي والتعلم المكتسب المستقبلي على أنهما يعملان وفق المبادئ نفسها ضمن إطار التعلم والاستدلال.
لشرح مبادئ التعلم في ALIS، نعرّف خمسة عناصر لنظام الذكاء التعليمي:
الأول هو المعالج الذكي. ويشير هذا إلى نظام معالجة يقوم بالاستدلال باستخدام المعرفة ويستخرج المعرفة لأغراض التعلم.
ومن الأمثلة التمثيلية للمعالجات الذكية نماذج اللغة الكبيرة (LLMs) وأجزاء من الدماغ البشري.
الثاني هو مخزن المعرفة. ويشير هذا إلى موقع تخزين يتم فيه حفظ المعرفة المستخرجة ويمكن استرجاعها حسب الحاجة.
في نماذج اللغة الكبيرة، مخزن المعرفة هو معلمات الشبكة العصبية. أما في البشر، فإنه يتوافق مع الذاكرة طويلة المدى في الدماغ.
الثالث هو العالم. ويشير هذا إلى البيئة الخارجية كما تدركها أنظمة الذكاء التعليمي مثل البشر أو ALIS.
بالنسبة للبشر، العالم هو الواقع نفسه. وفي حالة نماذج اللغة الكبيرة، تُعتبر الآلية التي تتلقى المخرجات من النموذج اللغوي وتقدم التغذية الراجعة إليه هي المكافئ للعالم.
الرابع هو ذاكرة الحالة. ويشير هذا إلى ذاكرة مؤقتة داخلية، أشبه بالمسودة، يستخدمها نظام الذكاء التعليمي أثناء الاستدلال.
في نماذج اللغة الكبيرة، هذه هي مساحة الذاكرة المستخدمة أثناء الاستدلال، والمعروفة بالحالات المخفية. وفي البشر، فإنها تتوافق مع الذاكرة قصيرة المدى.
الخامس هو الإطار. وهذا هو ما يُعرف بإطار الفكر. في مصطلحات نظام الذكاء التعليمي، يشير إلى معايير اختيار المعرفة الضرورية أثناء الاستدلال وهيكل مساحة الحالة المنطقية لتنظيم ذاكرة الحالة.
في نماذج اللغة الكبيرة، هو الهيكل الدلالي للحالات المخفية، وعادةً ما يكون محتواه غامضًا وغير مفهوم للبشر. علاوة على ذلك، يتم دمج اختيار المعرفة في آلية الانتباه، التي تختار أي الرموز الموجودة يجب الرجوع إليها لكل رمز تتم معالجته.
بالنسبة للبشر، كما ذكرنا سابقًا، هو إطار الفكر. عند التفكير باستخدام إطار فكر معين، يتم استدعاء مجموعات معينة من المعرفة العملية من الذاكرة طويلة المدى وتحميلها في الذاكرة قصيرة المدى. ثم يتم تنظيم المعلومات المدركة حاليًا وفقًا لإطار الفكر لفهم الموقف.
مبادئ نظام الذكاء التعليمي
يعمل نظام الذكاء التعليمي على النحو التالي:
يتصرف المعالج الذكي تجاه العالم. يستجيب العالم بالنتائج بناءً على هذا التصرف.
يستخرج المعالج الذكي المعرفة القابلة لإعادة الاستخدام من هذه النتائج ويخزنها في مخزن المعرفة.
عندما يتصرف المعالج الذكي بشكل متكرر تجاه العالم، فإنه يختار المعرفة من مخزن المعرفة ويستخدمها لتعديل طريقة تصرفه.
هذه هي الآلية الأساسية.
ومع ذلك، تحدد طرق استخراج المعرفة وتخزينها واختيارها واستخدامها بشكل أساسي ما إذا كان النظام يمكنه تحقيق تعلم ذي معنى.
يمتلك البشر آليات تمكنهم من استخراج المعرفة وتخزينها واختيارها واستخدامها بفعالية، مما يسمح لهم بالتعلم.
تمتلك الشبكات العصبية، بما في ذلك نماذج اللغة الكبيرة (LLMs)، آليات للتخزين والاختيار والاستخدام، على الرغم من أن جزء الاستخراج يتم التعامل معه بواسطة معلم خارجي. وهذا يسمح لها بالتعلم طالما يقدم المعلم المدخلات.
علاوة على ذلك، يمكن لنظام الذكاء التعليمي تحقيق تعلم أكثر تعقيدًا من خلال تعلم استخراج الأطر وتخزينها واختيارها، واستخدامها في ذاكرة الحالة، كمعرفة.
أنواع المعرفة
بناءً على هذا المبدأ، عند تصميم التعلم المكتسب، من الضروري توضيح شكل المعلومات الذي ستتخذه المعرفة المكتسبة.
من الممكن تعلم المعرفة المكتسبة بشكل منفصل كمعاملات لشبكة عصبية.
ومع ذلك، لا يلزم أن تقتصر المعرفة المكتسبة على معاملات الشبكة العصبية فقط. المرشح الواقعي هو المعرفة المكتوبة باللغة الطبيعية.
إذا كانت المعرفة مكتوبة باللغة الطبيعية، فيمكن استخلاصها واستخدامها من خلال الاستفادة من قدرات معالجة اللغة الطبيعية في نماذج اللغة الكبيرة (LLMs). علاوة على ذلك، يمكن التعامل معها كبيانات في نظام تكنولوجيا معلومات عادي، مما يسهل تخزينها واختيارها.
بالإضافة إلى ذلك، فإن المعرفة المكتوبة باللغة الطبيعية يسهل على البشر ونماذج اللغة الكبيرة الأخرى فحصها وفهمها، وفي بعض الحالات تعديلها.
يمكن أيضًا مشاركتها مع أنظمة ذكاء تعليمية أخرى، ودمجها أو تقسيمها.
لهذه الأسباب، سيتم تصميم المعرفة المكتسبة في مفهوم ALIS في البداية لاستهداف المعرفة المكتوبة باللغة الطبيعية.
ذاكرة الحالة المكتسبة والإطار
لقد شرحت مزايا اختيار المعرفة المكتوبة باللغة الطبيعية كمعرفة مكتسبة.
وبالمثل، يمكن استخدام نصوص اللغة الطبيعية أيضًا لذاكرة الحالة والإطار للاستدلال.
يمكن أيضًا تخزين الإطار، وهو هيكل مفاهيمي، واستخدامه في مخزن المعرفة كمعرفة مكتوبة باللغة الطبيعية.
عند تهيئة أو تحديث الحالات بناءً على الهيكل المحدد بواسطة ذلك الإطار، يمكن استخدام ذاكرة الحالة النصية.
من خلال تصميم ALIS لاستخدام تنسيق النص ليس فقط للمعرفة المكتسبة ولكن أيضًا للأطر وذاكرة الحالة، يمكن لـ ALIS الاستفادة من قدرات معالجة اللغة الطبيعية لنماذج اللغة الكبيرة (LLMs) لكل من التعلم المكتسب والاستدلال العام.
المعرفة الرسمية
يمكن تمثيل المعرفة المكتسبة، والأطر، وذاكرة الحالة ليس فقط عن طريق نصوص اللغة الطبيعية ولكن أيضًا عن طريق لغات رسمية أو نماذج رسمية أكثر دقة.
بينما كتبت "اختيار"، فإن الهدف من ALIS هو دمج آليات تعلم معرفية مكتسبة متعددة للسماح باستخدام هجين للتعلم الفطري والمكتسب.
يمكن أن تكون المعرفة الممثلة باللغات الرسمية أو النماذج الرسمية أكثر دقة وخالية من الغموض.
علاوة على ذلك، إذا تم التعبير عن إطار عمل باستخدام لغة رسمية أو نموذج رسمي، وتم توسيع حالة أولية في ذاكرة الحالة، فيمكن لمعالج ذكي (ليس نموذج لغوي كبير) معالجة نموذج رسمي لإجراء عمليات محاكاة دقيقة واستدلال منطقي.
ومن الأمثلة الرئيسية لهذه اللغات الرسمية والنماذج الرسمية لغات البرمجة.
عندما يتعلم النظام عن العالم، إذا كان بإمكانه التعبير عن القوانين والمفاهيم الأساسية كبرامج ضمن إطار عمل، فيمكن حينئذٍ محاكاتها بواسطة الكمبيوتر.
عمود 1: أنواع المعرفة
عند تنظيم المعرفة داخل نظام ذكاء تعليمي، يصبح من الواضح أنه يمكن تصنيفها بشكل عام إلى ثلاثة أنظمة ونوعين.
الأنظمة الثلاثة هي: معرفة معاملات الشبكة التي تعالجها الشبكات العصبية، المعرفة الطبيعية في اللغة الطبيعية، والمعرفة الرسمية في اللغات الرسمية.
النوعان هما: عديم الحالة (stateless) وذو حالة (stateful).
معرفة معاملات الشبكة عديمة الحالة هي معرفة بديهية، كتلك الموجودة في الذكاء الاصطناعي للتعلم العميق. خصائص القطط والكلاب، التي لا يمكن التفكير فيها أو تحديدها لفظياً، يمكن تعلمها كمعرفة معاملات شبكة عديمة الحالة.
معرفة معاملات الشبكة ذات الحالة هي معرفة غامضة، مشتقة من عملية تكرارية، كتلك الموجودة في الذكاء الاصطناعي التوليدي.
المعرفة الطبيعية عديمة الحالة هي معرفة مثل المعنى المرتبط بكلمة.
المعرفة الطبيعية ذات الحالة هي معرفة تتضمن السياق الموجود داخل الجملة.
بعض المعرفة الطبيعية تكون متضمنة بشكل جوهري في معرفة معاملات الشبكة ذات الحالة، ولكن هناك أيضاً معرفة يمكن اكتسابها بعد الولادة من نصوص اللغة الطبيعية.
المعرفة الرسمية عديمة الحالة هي المعرفة التي يمكن التعبير عنها بصيغ رياضية لا تتضمن تكراراً. المعرفة الرسمية ذات الحالة هي المعرفة التي يمكن التعبير عنها بالبرامج.
يمكن أيضاً استخدام الذاكرة قصيرة المدى للدماغ البشري كذاكرة حالة للمعرفة الطبيعية والرسمية.
ومع ذلك، بما أنها ذاكرة قصيرة المدى، توجد مشكلة تتمثل في صعوبة الحفاظ على حالة مستقرة. كما أنها ليست جيدة في الاحتفاظ بالمعرفة في حالة رسمية وغير مبهمة.
من ناحية أخرى، يمكن استخدام الورق أو أجهزة الكمبيوتر أو الهواتف الذكية كذاكرة حالة لتدوين وتحرير نصوص اللغة الطبيعية، أو اللغات الرسمية، أو النماذج الرسمية.
بشكل عام، غالباً ما يُنظر إلى البيانات على الورق أو أجهزة الكمبيوتر على أنها شيء لتخزين المعرفة كمخزن للمعرفة، ولكن يمكن أيضاً استخدامها كذاكرة حالة لتنظيم الأفكار.
وهكذا، من الواضح أن البشر يقومون بأنشطة فكرية من خلال الاستفادة بمهارة من هذه الأنظمة الثلاثة والنوعين من المعرفة.
لدى ALIS أيضاً القدرة على تحسين قدراتها بشكل كبير من خلال تمكين وتعزيز الأنشطة الفكرية التي تستفيد من هذه الأنظمة الثلاثة والنوعين من المعرفة.
على وجه الخصوص، يتمتع ALIS بقوة القدرة على استخدام مخازن معرفة وذاكرة حالة واسعة. علاوة على ذلك، يمكنه بسهولة إعداد عدة مثيلات لكل منها وأداء مهام فكرية عن طريق التبديل أو الجمع بينها.
عمود 2: التنسيق الفكري
بينما توجد قوة في القدرة على تخزين كمية كبيرة من المعرفة في مخزن المعرفة، فإن مجرد وجود كمية كبيرة من المعرفة ليس بالضرورة مفيدًا للنشاط الفكري بسبب القيود المفروضة على عدد الرموز التي يمكن للذكاء الاصطناعي التوليدي استخدامها في وقت واحد، والقيد الذي يجعل المعرفة غير ذات الصلة تتحول إلى ضوضاء.
من ناحية أخرى، من خلال تقسيم مخزن المعرفة بشكل مناسب وإنشاء مخازن معرفة متخصصة عالية الكثافة تجمع المعرفة الضرورية لمهام فكرية محددة، يمكن التخفيف من مشاكل حدود الرموز والضوضاء.
في المقابل، فإن مخازن المعرفة المتخصصة هذه ستكون قابلة للاستخدام فقط لتلك المهام الفكرية المحددة.
العديد من الأنشطة الفكرية هي تركيبات معقدة من مهام فكرية متنوعة. لذلك، من خلال تقسيم المعرفة إلى مخازن معرفة متخصصة وفقًا لنوع المهمة الفكرية وتقسيم النشاط الفكري إلى مهام فكرية فرعية، يمكن لـ ALIS تنفيذ النشاط الفكري بأكمله مع التبديل المناسب بين مخازن المعرفة المتخصصة.
هذا يشبه الأوركسترا المكونة من موسيقيين محترفين يعزفون آلات مختلفة وقائد يقود المجموعة بأكملها.
من خلال تقنية النظام هذه، "التنسيق الفكري"، سيتمكن ALIS من تنظيم أنشطته الفكرية.
التصميم الأساسي لـ ALIS وطريقة التطوير
من هنا، سأقوم بتنظيم منهجية تطوير ALIS.
كما ذُكر بالفعل في المبادئ والأعمدة، تم تصميم ALIS بطبيعته ليمكّن من توسيع وظائفه وموارده بسهولة. وذلك لأن جوهر ALIS لا يكمن في وظائف محددة، بل في عمليات استخراج المعرفة وتخزينها واختيارها واستخدامها.
على سبيل المثال، يمكن إعداد أنواع متعددة من آليات استخراج المعرفة، ثم اختيارها أو استخدامها في وقت واحد، حسب تصميم النظام.
علاوة على ذلك، يمكن جعل ALIS يقوم بهذا الاختيار بنفسه.
وبالمثل، يمكن اختيار التخزين والاختيار والاستخدام بحرية أو توازيها.
لذلك، يمكن تطوير ALIS بشكل تدريجي ورشيق، دون الحاجة إلى تصميم الوظائف بأكملها بطريقة الشلال.
بداية ALIS
الآن، دعونا نصمم نظام ALIS بسيطاً جداً.
ستكون واجهة المستخدم الأساسية هي واجهة الذكاء الاصطناعي للمحادثة المألوفة. في البداية، سيتم تمرير مدخلات المستخدم مباشرة إلى نموذج اللغة الكبير (LLM). ثم سيتم عرض استجابة نموذج اللغة الكبير على الواجهة، وسينتظر النظام مدخلات المستخدم التالية.
عند وصول المدخلات التالية، سيتلقى نموذج اللغة الكبير ليس فقط المدخلات الجديدة ولكن أيضاً سجل المحادثة الكامل بين المستخدم ونموذج اللغة الكبير حتى تلك النقطة.
خلف واجهة مستخدم الذكاء الاصطناعي للمحادثة هذه، سنقوم بإعداد آلية لاستخراج المعرفة القابلة لإعادة الاستخدام من سجل المحادثة.
يمكن إضافة هذا إلى نظام الذكاء الاصطناعي للمحادثة كعملية يتم تنفيذها عند انتهاء المحادثة أو على فترات منتظمة. بالطبع، سيتم استخدام نموذج لغة كبير لاستخراج المعرفة.
سيتم تزويد نموذج اللغة الكبير هذا بمفهوم ومبادئ ALIS، بالإضافة إلى كيفية استخراج المعرفة، كتعليمات نظام. إذا لم يتم استخراج المعرفة كما هو مقصود، فيجب تحسين تعليمات النظام من خلال التجربة والخطأ.
سيتم تخزين المعرفة المستخرجة من سجل المحادثة مباشرة في "بحيرة المعرفة". بحيرة المعرفة هي آلية لتخزين المعرفة ببساطة في حالة مسطحة وغير مهيكلة قبل أن يتم هيكلتها.
بعد ذلك، سنقوم بإعداد آلية هيكلة لتسهيل اختيار المعرفة من بحيرة المعرفة.
هذا يعني توفير مخازن متجهات تضمين للبحث الدلالي، كما هو مستخدم عادة في RAG (استرجاع المحتوى المعزز)، وفهارس الكلمات الرئيسية، من بين أمور أخرى.
تشمل الخيارات الأكثر تقدماً إنشاء رسم بياني للمعرفة أو إجراء تصنيف فئوي.
سيُطلق على هذه المجموعة من المعلومات المهيكلة لبحيرة المعرفة "قاعدة المعرفة". وستشكل قاعدة المعرفة وبحيرة المعرفة بأكملها "مخزن المعرفة".
بعد ذلك، سنقوم بدمج مخزن المعرفة في معالجة واجهة مستخدم المحادثة.
هذا هو نفسه بشكل أساسي آلية RAG العامة. بالنسبة لمدخلات المستخدم، يتم اختيار المعرفة ذات الصلة من مخزن المعرفة وتمريرها إلى نموذج اللغة الكبير مع مدخلات المستخدم.
يسمح هذا لنموذج اللغة الكبير باستخدام المعرفة تلقائياً عند معالجة مدخلات المستخدم.
بهذه الطريقة، ستتراكم المعرفة مع كل محادثة مع المستخدم، مما يحقق نظام ALIS بسيطاً يستخدم المعرفة المتراكمة من المحادثات السابقة.
سيناريو بسيط
على سبيل المثال، تخيل مستخدمًا يطور تطبيق ويب باستخدام نظام ALIS البسيط هذا.
يُبلغ المستخدم أن الكود المقترح من قبل نموذج اللغة الكبير (LLM) أدى إلى خطأ. وبعد تعاون المستخدم والنموذج لحل المشكلة، يكتشفون أن مواصفات واجهة برمجة التطبيقات (API) الخارجية المعروفة للنموذج كانت قديمة، ويعمل البرنامج بشكل صحيح بعد تكييفه مع أحدث مواصفات واجهة برمجة التطبيقات.
من سلسلة المحادثات هذه، يمكن لـ ALIS حينئذٍ تجميع المعرفة في مخزن المعرفة الخاص به: على وجه التحديد، أن مواصفات واجهة برمجة التطبيقات المعروفة للنموذج قديمة، وما هي أحدث مواصفات واجهة برمجة التطبيقات.
بعد ذلك، في المرة القادمة التي يتم فيها إنشاء برنامج يستخدم نفس واجهة برمجة التطبيقات، سيكون ALIS قادرًا على الاستفادة من هذه المعرفة لإنشاء برنامج يعتمد على أحدث مواصفات واجهة برمجة التطبيقات منذ البداية.
تحسينات على ALIS الأولية
مع ذلك، لكي يحدث هذا، يجب اختيار هذه المعرفة استجابةً لمدخلات المستخدم. من المحتمل ألا تكون هذه المعرفة مرتبطة مباشرة بمدخلات المستخدم، حيث قد لا يظهر اسم واجهة برمجة التطبيقات (API) التي بها مشكلة في مدخلات المستخدم.
في هذه الحالة، لن يظهر اسم واجهة برمجة التطبيقات إلا أثناء استجابة نموذج اللغة الكبير (LLM).
لذلك، سنوسع نظام ALIS البسيط قليلاً بإضافة آليات للتحليل المسبق والتحقق اللاحق.
يشبه التحليل المسبق "وضع التفكير" في نماذج اللغة الكبيرة الحديثة. سيتم إعداد ذاكرة قادرة على الاحتفاظ بالنص كذاكرة حالة، وستوجه تعليمات النظام نموذج اللغة الكبير لإجراء تحليل مسبق عند تلقي مدخلات المستخدم.
سيتم تخزين نتيجة التحليل المسبق لنموذج اللغة الكبير في ذاكرة الحالة. وبناءً على هذه النتيجة، سيتم اختيار المعرفة من مخزن المعرفة.
بعد ذلك، سيتم تمرير سجل المحادثة، ونتيجة التحليل المسبق، والمعرفة المطابقة لمدخلات المستخدم، والمعرفة المطابقة لنتيجة التحليل المسبق إلى نموذج اللغة الكبير لتلقي استجابة.
علاوة على ذلك، سيتم استخدام النتيجة التي يعيدها نموذج اللغة الكبير للبحث عن المعرفة في مخزن المعرفة. وبما في ذلك المعرفة التي تم العثور عليها هناك، سيُطلب من نموذج اللغة الكبير إجراء فحص لاحق.
إذا تم العثور على أي مشكلات، فسيتم تضمين النقاط الإشكالية وأسباب الملاحظة وإعادتها إلى نموذج اللغة الكبير للمحادثة.
من خلال توفير فرص لاختيار المعرفة أثناء التحليل المسبق والتحقق اللاحق، يمكننا زيادة فرص الاستفادة من المعرفة المتراكمة.
رؤية مستقبلية
إن هذا النهج المتمثل في بناء نظام ALIS مبدئي ثم إضافة تحسينات لمعالجة نقاط ضعفه يوضح تماماً التطوير الرشيق والتحسين التدريجي لنظام ALIS.
علاوة على ذلك، وكما يتضح من الأمثلة، فإن نظام ALIS الأولي هو الأنسب للاستخدام في تطوير البرمجيات. وهذا لأنه مجال ذو طلب عالٍ وأيضاً مجال يمكن فيه تجميع المعرفة بوضوح وسهولة.
إنه نوع تكون فيه الأمور واضحة تماماً، ومع ذلك فهو أيضاً مجال حاسم حيث تكون التجربة والخطأ وتراكم المعرفة التكراري ضروريين ومهمين.
بالإضافة إلى ذلك، نظراً لأن تطوير ALIS نفسه هو تطوير برمجيات، فإن حقيقة أن مطوري ALIS يمكن أن يكونوا مستخدمين لـ ALIS أنفسهم هي أيضاً جذابة.
وبجانب نظام ALIS، يمكن أيضاً مشاركة بحيرة المعرفة بشكل مفتوح على منصات مثل GitHub.
هذا من شأنه أن يسمح للعديد من الأشخاص بالتعاون في تحسين نظام ALIS وتراكم المعرفة، مع استفادة الجميع من النتائج، مما يسرع من تطوير ALIS بشكل أكبر.
وبالطبع، لا تقتصر مشاركة المعرفة على مطوري ALIS فحسب، بل يمكن جمعها من جميع مطوري البرمجيات الذين يستخدمون ALIS.
إن حقيقة أن المعرفة باللغة الطبيعية توفر ميزتين إضافيتين:
الميزة الأولى هي أنه يمكن الاستفادة من المعرفة حتى عندما يتغير نموذج LLM أو يتم تحديثه.
الميزة الثانية هي أنه يمكن استخدام بحيرة المعرفة المتراكمة الضخمة كمجموعة بيانات للتدريب المسبق لنماذج LLM. ويمكن القيام بذلك بطريقتين: إما باستخدامها للضبط الدقيق (fine-tuning)، أو باستخدامها للتدريب المسبق لـ LLM نفسه.
في كلتا الحالتين، إذا أمكن استخدام نماذج LLM التي تعلمت بشكل فطري المعرفة المتراكمة في بحيرة المعرفة، فسيصبح تطوير البرمجيات أكثر كفاءة.
علاوة على ذلك، ضمن تطوير البرمجيات، توجد عمليات مختلفة مثل تحليل المتطلبات، والتصميم، والتنفيذ، والاختبار، والتشغيل، والصيانة، وتوجد معرفة متخصصة لكل مجال ومنصة برمجية. إذا تم إنشاء آلية لتقسيم المعرفة المتراكمة الواسعة من هذه المنظورات، يمكن أيضاً تشكيل أوركسترا ALIS.
وهكذا، فإن التقنيات الأساسية لـ ALIS موجودة. والمفتاح الآن هو تجربة أساليب مختلفة عملياً — مثل كيفية استخراج المعرفة، واختيار المعرفة المناسب، وتقسيم المعرفة المتخصصة، وكيفية استخدام ذاكرة الحالة — لاكتشاف الأساليب الفعالة. أيضاً، مع زيادة التعقيد، ستزداد أوقات المعالجة وتكاليف استخدام LLM، مما يستلزم التحسين.
يمكن متابعة عمليات التجربة والخطأ والتحسين هذه بشكل تكيفي من خلال تطوير الأطر وتحسينها.
في البداية، سيقوم المطورون، كمستخدمين، بدمج الأطر في ALIS من خلال التجربة والخطأ. ومع ذلك، حتى في هذه الحالة، يمكن جعل نموذج LLM نفسه يولد أفكار الأطر.
وبدمج الأطر في ALIS التي تحسن أو تكتشف الأطر بناءً على النتائج المستلمة من العالم والمعرفة المستخرجة، سيقوم ALIS نفسه بإجراء التجربة والخطأ والتحسين بشكل تكيفي.
ALIS في العالم الحقيقي
بمجرد أن يتم تحسين نظام ALIS إلى هذه المرحلة، ينبغي أن يكون قادراً على تعلم المعرفة ليس فقط في عالم تطوير البرمجيات ولكن على نطاق واسع عبر مجالات مختلفة.
على غرار تطوير البرمجيات، من المتوقع أن يوسع ALIS نطاق عمله ليشمل مختلف الأنشطة الفكرية التي يقوم بها البشر باستخدام أجهزة الكمبيوتر.
حتى في مثل هذه الأنشطة الفكرية البحتة، يمتلك ALIS نوعاً من طبيعة الذكاء الاصطناعي المجسّد فيما يتعلق بالعالم المستهدف.
وذلك لأنه يدرك الحدود بينه وبين العالم، ويتصرف تجاه العالم من خلال تلك الحدود، ويمكنه إدراك المعلومات المستلمة من العالم.
ما نشير إليه عموماً بـ "الجسد" هو حدود مع العالم تكون مرئية مادياً ومحددة في مكان واحد.
ومع ذلك، حتى لو كانت الحدود غير مرئية وموزعة مكانياً، فإن هيكل الإدراك والعمل من خلال الحدود هو نفسه كما في حالة وجود جسد مادي.
بهذا المعنى، يمكن اعتبار ALIS، عند أدائه للأنشطة الفكرية، يمتلك طبيعة الذكاء الاصطناعي المجسّد افتراضياً.
وبمجرد أن يتم تحسين ALIS إلى مرحلة يمكنه فيها التعلم بشكل مناسب حتى في عوالم جديدة وغير معروفة، هناك احتمال بأن يتم دمج ALIS كجزء من ذكاء اصطناعي مجسّد حقيقي يمتلك جسداً مادياً.
وبهذه الطريقة، سيتم تطبيق ALIS في نهاية المطاف على العالم الحقيقي وسيبدأ في التعلم منه.