أود هنا تنظيم نظام الذكاء الاصطناعي للتعلم (ALIS) من خلال تفصيل مفهومه ومبادئه وتصميمه الأساسي ومنهجية تطويره.
المفهوم
يعتمد الذكاء الاصطناعي التوليدي الحالي، وخاصة نماذج اللغة الكبيرة، في تدريبه على التعلم الموجه القائم على الشبكات العصبية.
وكعملية تعلم، نُعرّف تعلم الشبكة العصبية هذا على أنه تعلم فطري.
يدمج نظام ALIS عملية تعلم مكتسب، منفصلة عن التعلم الفطري، لتمكين الاستدلال الذي يجمع بين عمليتي التعلم كلتيهما.
في هذا التعلم المكتسب، تتراكم المعرفة المكتسبة خارج الشبكة العصبية وتُستخدم أثناء الاستدلال.
لذلك، يكمن الجوهر التقني لنظام ALIS في استخلاص المعرفة القابلة لإعادة الاستخدام وتخزينها واختيارها واستخدامها أثناء الاستدلال.
علاوة على ذلك، فإن ALIS ليس مجرد تقنية عنصرية واحدة، بل هو تقنية نظام تجمع بين التعلم الفطري والتعلم المكتسب.
عناصر نظام الذكاء الاصطناعي للتعلم
يعمل ALIS بموجب مبدأ أن كلاً من التعلم الفطري الحالي والتعلم المكتسب الذي سيتم النظر فيه مستقبلاً يتبعان نفس إطار التعلم والاستدلال.
لشرح مبادئ التعلم في ALIS، نحدد خمسة عناصر لنظام الذكاء الاصطناعي للتعلم.
أولاً، المعالج الذكي. يشير هذا إلى نظام معالجة يقوم بالاستدلال باستخدام المعرفة ويستخلص المعرفة للتعلم.
تُعد نماذج اللغة الكبيرة (LLMs) وأجزاء من الدماغ البشري أمثلة رئيسية للمعالجات الذكية.
ثانياً، مخزن المعرفة. يشير هذا إلى موقع تخزين حيث يمكن حفظ المعرفة المستخرجة واسترجاعها حسب الحاجة.
في نماذج اللغة الكبيرة، يتكون مخزن المعرفة من معلمات الشبكة العصبية. أما لدى البشر، فإنه يتوافق مع الذاكرة طويلة المدى في الدماغ.
ثالثاً، العالم. يشير هذا إلى البيئة الخارجية كما يدركها نظام الذكاء الاصطناعي للتعلم، مثل البشر أو ALIS.
بالنسبة للبشر، العالم هو الواقع نفسه. في حالة نماذج اللغة الكبيرة، يمكن اعتبار آلية تتلقى مخرجات النموذج وتقدم تغذية راجعة إليه مكافئة للعالم.
رابعاً، ذاكرة الحالة. يشير هذا إلى مكون مؤقت داخلي يشبه الذاكرة يستخدمه نظام الذكاء الاصطناعي للتعلم أثناء الاستدلال.
في نماذج اللغة الكبيرة، هذه هي مساحة الذاكرة المستخدمة أثناء الاستدلال، والمعروفة باسم الحالات المخفية. أما لدى البشر، فإنه يتوافق مع الذاكرة قصيرة المدى.
خامساً، الإطار. هذا، إذا جاز التعبير، هو هيكل تفكير. في مصطلحات أنظمة الذكاء الاصطناعي للتعلم، يشير إلى معايير اختيار المعرفة الضرورية أثناء الاستدلال وهيكل مساحة حالة منطقي لتنظيم ذاكرة الحالة.
في نماذج اللغة الكبيرة، هو البنية الدلالية للحالات المخفية، ومحتوياته غامضة وغير مفهومة للبشر بشكل عام. علاوة على ذلك، يتم دمج اختيار المعرفة في آلية الانتباه، التي تختار أي الرموز الموجودة يجب الإشارة إليها لكل رمز تتم معالجته.
أما لدى البشر، كما ذُكر أعلاه، فهو هيكل تفكير. عند التفكير باستخدام إطار عمل محدد، يتم استدعاء مجموعة معينة من المعرفة من الذاكرة طويلة المدى وتحميلها في الذاكرة قصيرة المدى. ثم يتم تنظيم المعلومات المدركة حالياً وفقاً لإطار التفكير لفهم الموقف.
مبادئ نظام الذكاء الاصطناعي للتعلم
يعمل نظام الذكاء الاصطناعي للتعلم على النحو التالي:
يقوم المعالج الذكي بالتأثير على العالم. وبدوره، يُعيد العالم نتائج استجابةً لهذا التأثير.
يستخلص المعالج الذكي المعرفة القابلة لإعادة الاستخدام من هذه النتائج ويخزنها في مخزن المعرفة.
عند التأثير على العالم بشكل متكرر، يختار المعالج الذكي المعرفة من مخزن المعرفة ويستخدمها لتعديل تصرفاته.
هذه هي الآلية الأساسية.
ومع ذلك، تحدد أساليب استخلاص المعرفة وتخزينها واختيارها واستخدامها بشكل أساسي ما إذا كان النظام يمكنه تحقيق تعلم ذي معنى.
يمتلك البشر آليات تتعامل بفعالية مع استخلاص هذه المعرفة وتخزينها واختيارها واستخدامها، مما يمكنهم من التعلم.
تتولى الشبكات العصبية، بما في ذلك نماذج اللغة الكبيرة، عملية الاستخلاص بواسطة معلمين خارجيين، لكنها تمتلك آليات للتخزين والاختيار والاستخدام. وهذا يسمح لها بالتعلم طالما تم تزويدها بمعلم.
علاوة على ذلك، يمكن لنظام الذكاء الاصطناعي للتعلم أن يتعلم أيضًا استخلاص الأطر وتخزينها واختيارها، وطرق استخدامها ضمن ذاكرة الحالة، كمعرفة، وبالتالي تمكين تعلم أكثر تعقيدًا.
أنواع المعرفة
بناءً على هذه المبادئ، عند تصميم التعلم المكتسب، من الضروري توضيح الشكل الذي ستتخذه المعرفة المكتسبة.
يمكن للمرء أن يفكر في طريقة يتم فيها تعلم المعرفة المكتسبة بشكل منفصل كمعلمات للشبكة العصبية.
ومع ذلك، لا يجب أن تقتصر المعرفة المكتسبة على معلمات الشبكة العصبية فقط. المرشح العملي هو المعرفة المكتوبة بلغة طبيعية.
يمكن استخلاص المعرفة المكتوبة بلغة طبيعية واستخدامها من خلال الاستفادة من قدرات معالجة اللغة الطبيعية في نماذج اللغة الكبيرة (LLMs). علاوة على ذلك، بما أنه يمكن التعامل معها كبيانات في أنظمة تكنولوجيا المعلومات القياسية، فإن التخزين والاختيار سهلان أيضًا.
بالإضافة إلى ذلك، فإن المعرفة المكتوبة بلغة طبيعية سهلة على البشر ونماذج اللغة الكبيرة الأخرى فحصها وفهمها، وفي بعض الحالات، حتى تحرير محتواها.
ويمكن أيضًا مشاركتها أو دمجها أو تقسيمها مع أنظمة الذكاء الاصطناعي الأخرى للتعلم.
لهذه الأسباب، سيتم تصميم المعرفة المكتسبة في مفهوم ALIS في البداية لاستهداف المعرفة المكتوبة بلغة طبيعية.
ذاكرة الحالة المكتسبة والأطر
لقد شرحنا مزايا اختيار نص اللغة الطبيعية كتنسيق للمعرفة المكتسبة.
وبالمثل، يمكن استخدام نص اللغة الطبيعية أيضًا لذاكرة الحالة والأطر الخاصة بالاستدلال.
يمكن تخزين الأطر، كهياكل مفاهيمية، واستخدامها في مخزن المعرفة كمعرفة مكتوبة بلغة طبيعية.
حتى عند تهيئة الحالات أو تحديثها بناءً على الهيكل المحدد بواسطة الإطار، يمكن استخدام ذاكرة الحالة بتنسيق نصي.
من خلال تصميم المعرفة المكتسبة، بالإضافة إلى الأطر وذاكرة الحالة، لتكون بتنسيق نصي، يمكن لنظام ALIS الاستفادة من قدرات معالجة اللغة الطبيعية لنماذج اللغة الكبيرة (LLMs) من أجل التعلم المكتسب والاستدلال بشكل عام.
المعرفة الرسمية
يمكن التعبير عن المعرفة المكتسبة والأطر وذاكرة الحالة ليس فقط في نص اللغة الطبيعية، بل أيضًا في لغات رسمية أو نماذج رسمية أكثر صرامة.
بينما كتبت "اختر"، فإن الهدف من ALIS هو دمج آليات تعلم معرفة مكتسبة متعددة ومتميزة لتمكين الاستخدام المختلط للتعلم الفطري والمكتسب.
يمكن جعل المعرفة الممثلة بلغات رسمية أو نماذج رسمية أكثر دقة ووضوحاً.
علاوة على ذلك، إذا تم التعبير عن إطار باستخدام لغة أو نموذج رسمي وتم فتح حالة أولية في ذاكرة الحالة، فيمكن عندئذٍ إجراء محاكاة أو تطوير منطقي بنموذج صارم بواسطة معالج ذكي قادر على معالجة النماذج الرسمية، بدلاً من نموذج لغة كبير (LLM).
أحد الأمثلة الرئيسية لهذه اللغات أو النماذج الرسمية هي لغات البرمجة.
عندما يتعلم النظام عن العالم، إذا كان بإمكانه التعبير عن القوانين والمفاهيم الموجودة فيه كبرنامج في إطار، فيمكنه عندئذٍ محاكاتها على جهاز كمبيوتر.
عمود 1: أنواع المعرفة
عند تنظيم المعرفة داخل نظام الذكاء الاصطناعي للتعلم، يتضح أنه يمكن تصنيفها بشكل عام إلى ثلاثة أنواع من أنظمة المعرفة ونوعين من الحالة.
أنظمة المعرفة الثلاثة هي: معرفة معلمات الشبكة، التي تعالجها الشبكات العصبية؛ المعرفة الطبيعية، المعبر عنها باللغة الطبيعية؛ والمعرفة الرسمية، المعبر عنها باللغات الرسمية.
النوعان من الحالة هما: عديم الحالة (stateless) وذو حالة (stateful).
معرفة معلمات الشبكة عديمة الحالة هي معرفة بديهية، كتلك الموجودة في الذكاء الاصطناعي للتعلم العميق. يمكن تعلم ميزات القطط والكلاب، التي لا يمكن التفكير فيها صراحة أو تحديدها لفظياً، كمعرفة معلمات شبكة عديمة الحالة.
معرفة معلمات الشبكة ذات الحالة هي معرفة تنشأ من خلال عمليات متكررة وغير واضحة، كما في الذكاء الاصطناعي التوليدي.
المعرفة الطبيعية عديمة الحالة هي معرفة مثل المعاني المرتبطة بالكلمات الفردية.
المعرفة الطبيعية ذات الحالة هي معرفة تتضمن السياق داخل الجمل.
تُدرج بعض المعرفة الطبيعية فطريًا في معرفة معلمات الشبكة ذات الحالة، ولكن هناك أيضًا معرفة يمكن اكتسابها من نص اللغة الطبيعية.
المعرفة الرسمية عديمة الحالة هي معرفة يمكن التعبير عنها في صيغ رياضية بدون تكرار. المعرفة الرسمية ذات الحالة هي معرفة يمكن التعبير عنها كبرنامج.
يمكن للمرء أيضًا استخدام ذاكرته قصيرة المدى كـ ذاكرة حالة للمعرفة الطبيعية والمعرفة الرسمية.
ومع ذلك، نظرًا لأنها ذاكرة قصيرة المدى، هناك مشكلة تتمثل في صعوبة الحفاظ على حالة مستقرة. علاوة على ذلك، فهي ليست بارعة في الاحتفاظ بحالات رسمية وواضحة.
من ناحية أخرى، يمكن استخدام الورق وأجهزة الكمبيوتر والهواتف الذكية كـ ذاكرة حالة لتدوين أو تحرير نص اللغة الطبيعية أو اللغات الرسمية أو النماذج الرسمية.
عمومًا، غالبًا ما يُنظر إلى البيانات على الورق أو أجهزة الكمبيوتر على أنها مخزن معرفة لحفظ المعرفة، ولكن يمكن استخدامها أيضًا كـ ذاكرة حالة لتنظيم الأفكار.
وهكذا، يتضح أن البشر يقومون بأنشطة فكرية من خلال الاستفادة الكاملة من أنظمة المعرفة الثلاثة وأنواع الحالة الاثنين هذه.
كذلك، يمتلك نظام ALIS القدرة على تعزيز قدراته بشكل كبير من خلال تمكين وتقوية الأنشطة الفكرية التي تستفيد من أنظمة المعرفة الثلاثة وأنواع الحالة الاثنين نفسها.
وعلى وجه الخصوص، يتمتع نظام ALIS بقوة القدرة على استخدام مخازن معرفة وذاكرة حالة واسعة. علاوة على ذلك، يمكنه بسهولة أداء مهام فكرية من خلال إعداد العديد منها والتبديل بينها أو دمجها.
عمود 2: التنسيق الذكي
بينما توجد ميزة في القدرة على تجميع كمية هائلة من المعرفة في مخزن المعرفة، فإن كمية المعرفة لا تترجم ببساطة إلى ميزة في النشاط الفكري بسبب القيود على عدد الرموز المميزة التي يمكن للذكاء الاصطناعي التوليدي معالجتها في وقت واحد والضوضاء الناتجة عن المعرفة غير ذات الصلة.
وعلى العكس من ذلك، من خلال تقسيم مخزن المعرفة بشكل مناسب وتحويله إلى مخازن معرفة متخصصة عالية الكثافة، يحتوي كل منها على المعرفة الضرورية لمهمة فكرية محددة، يمكن التخفيف من مشاكل حدود الرموز والضوضاء.
في المقابل، يصبح كل مخزن معرفة متخصص قابلاً للاستخدام فقط لمهمته الفكرية المحددة.
العديد من الأنشطة الفكرية هي مركبات معقدة من مهام فكرية متنوعة. لذلك، من خلال تقسيم المعرفة إلى مخازن معرفة متخصصة وفقًا لنوع المهمة الفكرية وتقسيم النشاط الفكري إلى مهام فردية، يمكن لنظام ALIS تنفيذ النشاط الفكري بأكمله عن طريق التبديل بشكل مناسب بين مخازن المعرفة المتخصصة هذه.
هذا يشبه الأوركسترا، المكونة من موسيقيين محترفين يعزفون آلات مختلفة وقائد فرقة يقود Ensemble.
من خلال تقنية النظام هذه، التنسيق الذكي، سيتمكن نظام ALIS من تنظيم أنشطته الفكرية.
تصميم ALIS الأساسي ومنهجية التطوير
من هنا، سنقوم بتنظيم عملية تطوير ALIS.
كما نوقش سابقاً في المبادئ والأعمدة، تم تصميم ALIS بطبيعته لسهولة توسيع الوظائف والموارد. وهذا لأن جوهر ALIS لا يكمن في وظائف محددة، بل في عمليات استخلاص المعرفة وتخزينها واختيارها واستخدامها.
على سبيل المثال، يمكن توفير أنواع متعددة من آليات استخلاص المعرفة، ويسمح تصميم النظام بحرية الاختيار بينها أو استخدامها في وقت واحد.
علاوة على ذلك، يمكن جعل ALIS نفسه يقوم بهذا الاختيار.
وبالمثل، يمكن أيضاً اختيار التخزين والاختيار والاستخدام بحرية أو توازيها.
لذلك، يمكن تطوير ALIS بشكل تدريجي ورشيق، دون الحاجة إلى تصميم الوظائف بأكملها بأسلوب الشلال.
بداية ALIS
الآن، دعنا نصمم نظام ALIS بسيطاً جداً.
ستكون واجهة المستخدم الأساسية عبارة عن واجهة دردشة ذكاء اصطناعي مألوفة. في البداية، يتم تمرير إدخال المستخدم مباشرة إلى نموذج اللغة الكبير (LLM). يتم عرض استجابة نموذج اللغة الكبير على واجهة المستخدم، وينتظر النظام إدخال المستخدم التالي.
عند استلام الإدخال التالي، يتم تزويد نموذج اللغة الكبير ليس فقط بالإدخال الجديد، بل أيضاً بسجل الدردشة الكامل بين المستخدم ونموذج اللغة الكبير.
خلف واجهة المستخدم الخاصة بواجهة الدردشة هذه، يتم إعداد آلية لاستخلاص المعرفة القابلة لإعادة الاستخدام من سجل الدردشة.
يمكن إضافة هذه الآلية إلى نظام الدردشة كعملية تعمل عند انتهاء المحادثة أو على فترات منتظمة. بالطبع، يتم استخدام نموذج لغة كبير لاستخلاص المعرفة.
يتم تزويد نموذج اللغة الكبير هذا بمفهوم ومبادئ ALIS، إلى جانب خبرة استخلاص المعرفة، كرسالة نظام (system prompt). إذا لم يتم استخلاص المعرفة كما هو مقصود، فيجب تحسين رسالة النظام من خلال التجربة والخطأ.
يتم تخزين المعرفة المستخلصة من سجل الدردشة مباشرة في بحيرة المعرفة. بحيرة المعرفة هي ببساطة آلية لتخزين المعرفة في حالة مسطحة قبل هيكلتها.
بعد ذلك، يتم إعداد آلية هيكلة لتسهيل اختيار المعرفة من بحيرة المعرفة.
يتضمن ذلك توفير مخزن متجهات التضمين للبحث الدلالي، كما هو مستخدم في RAG النموذجي، وفهارس الكلمات المفتاحية.
تشمل الاحتمالات الأخرى توليد رسوم بيانية معرفية أكثر تقدماً أو إجراء تصنيف الفئات.
سيتم تسمية هذه المجموعة من المعلومات المهيكلة لـ بحيرة المعرفة بـ قاعدة المعرفة. وستشكل قاعدة المعرفة وبحيرة المعرفة بأكملهما مخزن المعرفة.
بعد ذلك، يتم دمج مخزن المعرفة في معالجة واجهة المستخدم الخاصة بالدردشة.
هذا هو نفسه بشكل أساسي آلية RAG العامة. لإدخال المستخدم، يتم اختيار المعرفة ذات الصلة من مخزن المعرفة وتمريرها إلى نموذج اللغة الكبير مع إدخال المستخدم.
يتيح ذلك لنموذج اللغة الكبير الاستفادة تلقائياً من المعرفة عند معالجة إدخال المستخدم.
وبهذه الطريقة، تزداد المعرفة مع كل محادثة مع المستخدم، مما يمكن من بناء نظام ALIS بسيط يستخدم المعرفة المتراكمة من المحادثات السابقة.
سيناريو بسيط
على سبيل المثال، تخيل سيناريو يقوم فيه مستخدم بتطوير تطبيق ويب باستخدام نظام ALIS البسيط هذا.
سيبلغ المستخدم أن الكود المقترح من نموذج اللغة الكبير (LLM) أدى إلى خطأ. بعد ذلك، سيتعاون المستخدم ونموذج اللغة الكبير لحل المشكلة. لنفترض أنهما اكتشفا أن مواصفات واجهة برمجة التطبيقات الخارجية (API) التي كان نموذج اللغة الكبير على دراية بها قديمة، وأن التكيف مع أحدث مواصفات واجهة برمجة التطبيقات قد حل المشكلة.
في هذه الحالة، يمكن تجميع المعرفة بأن مواصفات واجهة برمجة التطبيقات لنموذج اللغة الكبير كانت قديمة وما هي أحدث مواصفات واجهة برمجة التطبيقات في مخزن المعرفة من خلال هذا المحادثة.
ثم، عند إنشاء برنامج يستخدم نفس واجهة برمجة التطبيقات في المرة القادمة، يمكن لنظام ALIS الاستفادة من هذه المعرفة لتوليد برنامج يستند إلى أحدث مواصفات واجهة برمجة التطبيقات من البداية.
تحسين نظام ALIS الأولي
ومع ذلك، لكي يحدث ذلك، يجب اختيار هذه المعرفة استجابةً لإدخال المستخدم. قد لا تكون هذه المعرفة مرتبطة مباشرة بإدخال المستخدم، حيث من غير المرجح أن يظهر اسم واجهة برمجة التطبيقات (API) التي بها مشكلة في إدخال المستخدم الأولي.
في مثل هذه الحالة، سيظهر اسم واجهة برمجة التطبيقات للمرة الأولى في استجابة نموذج اللغة الكبير (LLM).
لذلك، سنقوم بتوسيع نظام ALIS البسيط قليلاً عن طريق إضافة آلية لـ تعليقات الفحص المسبق وتعليقات الفحص اللاحق.
تشبه تعليقات الفحص المسبق "وضع التفكير" الأخير في نماذج اللغة الكبيرة. نقوم بإعداد ذاكرة يمكنها الاحتفاظ بالنص كـ ذاكرة حالة، ونوجه نموذج اللغة الكبير عبر رسالة نظام لأداء تعليقات الفحص المسبق عند استلام إدخال المستخدم.
ثم يتم وضع نتيجة تعليق الفحص المسبق لنموذج اللغة الكبير في ذاكرة الحالة، وبناءً على هذه النتيجة، يتم اختيار المعرفة من مخزن المعرفة.
بعد ذلك، يتم تمرير سجل الدردشة، ونتيجة تعليق الفحص المسبق، والمعرفة المطابقة لإدخال المستخدم، والمعرفة المطابقة لنتيجة تعليق الفحص المسبق إلى نموذج اللغة الكبير لتلقي مخرجاته.
علاوة على ذلك، بالنسبة للنتيجة التي يعيدها نموذج اللغة الكبير، يتم البحث عن المعرفة في مخزن المعرفة. بما في ذلك أي معرفة تم العثور عليها هناك، يُطلب من نموذج اللغة الكبير بعد ذلك إجراء فحص لاحق.
إذا تم العثور على أي مشكلات، يتم تمريرها مرة أخرى إلى نموذج اللغة الكبير الخاص بالدردشة مع نقاط المشكلة وأسباب الملاحظات/التعليقات.
من خلال توفير فرص لاختيار المعرفة أثناء كل من تعليقات الفحص المسبق وتعليقات الفحص اللاحق، يمكننا زيادة فرص الاستفادة من المعرفة المتراكمة.
التوقعات
إن عملية إنشاء نظام ALIS الأولي وإضافة التحسينات لمعالجة نقاط ضعفه هي تحديدًا التطوير الرشيق، مما يدل على أن ALIS يمكن تعزيزه تدريجيًا.
علاوة على ذلك، كما هو موضح، فإن نظام ALIS الأولي هو الأنسب للاستخدام في تطوير البرمجيات. وهذا لأنه مجال عالي الطلب ومجال يمكن فيه تجميع المعرفة بوضوح.
إنه مجال تكون فيه النتائج واضحة، ومع ذلك فإنه يتطلب ويستفيد بشكل كبير من التراكم التكراري للمعرفة القائم على التجربة والخطأ.
بالإضافة إلى ذلك، بما أن تطوير ALIS نفسه هو تطوير للبرمجيات، فإن حقيقة أن مطوري ALIS يمكن أن يكونوا أيضًا مستخدمين لـ ALIS تعد جانبًا جذابًا.
علاوة على ذلك، جنبًا إلى جنب مع نظام ALIS، يمكن مشاركة بحيرة المعرفة بشكل مفتوح على منصات مثل GitHub.
وهذا من شأنه أن يسمح للعديد من الأفراد بالمساهمة في تحسين نظام ALIS وتراكم المعرفة، مع تمتع الجميع بالفوائد وتسريع تطوير ALIS بشكل أكثر كفاءة.
وبالطبع، لا يقتصر تبادل المعرفة على مطوري ALIS؛ بل يمكن جمعها من جميع مطوري البرمجيات الذين يستخدمون ALIS.
إن طبيعة اللغة الطبيعية للمعرفة توفر ميزتين إضافيتين.
الميزة الأولى هي أنه لا يزال بالإمكان الاستفادة من المعرفة حتى عند تغيير نماذج LLM أو تحديثها.
الميزة الثانية هي أن بحيرة المعرفة المتراكمة الهائلة يمكن استخدامها كمجموعة بيانات للتدريب المسبق لنماذج LLM. هناك طريقتان لاستخدام هذا: كـ ضبط دقيق، أو للتدريب المسبق لنماذج LLM نفسها.
في أي حال، إذا أمكن استخدام نموذج LLM تعلم فطريًا من المعرفة المتراكمة في بحيرة المعرفة، فسيصبح تطوير البرمجيات أكثر كفاءة.
علاوة على ذلك، يتضمن تطوير البرمجيات عمليات مختلفة مثل تحليل المتطلبات، والتصميم، والتنفيذ، والاختبار، والتشغيل، والصيانة. وتوجد أيضًا معرفة متخصصة لكل مجال ومنصة برمجية. ومن خلال إنشاء آلية لتقسيم الكم الهائل من المعرفة المتراكمة من هذه المنظورات، يمكن تشكيل أوركسترا ALIS.
وهكذا، فإن التقنيات الأساسية لنظام ALIS موجودة. وتتمثل الخطوة الحاسمة المتبقية في تجربة طرق مختلفة عمليًا — مثل خبرة استخلاص المعرفة، واختيار المعرفة المناسبة، وتجزئة المعرفة المتخصصة، واستخدام ذاكرة الحالة — لاكتشاف الأساليب الفعالة. ومع زيادة التعقيد، ستزداد أيضًا أوقات المعالجة وتكاليف استخدام LLM، مما يستدعي التحسين.
يمكن تطوير عمليات التجربة والخطأ والتحسين هذه بطريقة موجهة نحو التعلم من خلال تطوير وتحسين الأطر.
في البداية، سيقوم المطورون، كمستخدمين، بدمج الأطر في ALIS من خلال التجربة والخطأ. ومع ذلك، حتى في هذه الحالة، يمكن تكليف نموذج LLM نفسه بتوليد أفكار الأطر.
ثم، من خلال دمج إطار لتحسين واكتشاف الأطر في ALIS، بناءً على النتائج المستلمة من العالم والمعرفة المستخلصة، سيقوم ALIS نفسه بإجراء التجربة والخطأ والتحسين بطريقة موجهة نحو التعلم.
ALIS في العالم الحقيقي
بمجرد صقل ALIS إلى هذه المرحلة، ينبغي أن يكون قادرًا على اكتساب المعرفة في مجموعة واسعة من المجالات، لا تقتصر فقط على عالم تطوير البرمجيات.
على غرار تطوير البرمجيات، من المتوقع أن يوسع ALIS نطاق تطبيقه ليشمل الأنشطة الفكرية المختلفة التي يقوم بها البشر باستخدام أجهزة الكمبيوتر.
حتى في مثل هذه الأنشطة الفكرية البحتة، سيمتلك ALIS خاصية تشبه الذكاء الاصطناعي المجسد فيما يتعلق بـ عالمه المستهدف.
وذلك لأنه يتعرف على الحدود بينه وبين العالم، ويتصرف بناءً على العالم من خلال تلك الحدود، ويمكنه إدراك المعلومات المستلمة من العالم.
عندما تكون هذه الحدود مع العالم مرئية ماديًا ومحددة في مكان واحد، فإننا نشير إليها عمومًا على أنها جسم.
ومع ذلك، حتى لو كانت الحدود غير مرئية وموزعة مكانيًا، فإن بنية الإدراك والفعل من خلال الحدود تظل كما هي عند امتلاك جسم مادي.
بهذا المعنى، يمكن اعتبار نظام ALIS الذي يقوم بأنشطة فكرية يمتلك افتراضيًا خصائص الذكاء الاصطناعي المجسد.
وإذا تم صقل ALIS إلى مرحلة يمكنه فيها التعلم بشكل مناسب حتى في عوالم جديدة وغير معروفة، فهناك احتمال أن يتم دمج ALIS كجزء من ذكاء اصطناعي مجسد حقيقي يمتلك جسمًا ماديًا فعليًا.
وبهذه الطريقة، سيتم تطبيق ALIS في النهاية على العالم الحقيقي وسيبدأ التعلم منه.