پل زبانی به سوی هماهنگی استفاده از مدل های زبانی بزرگ برای حل مسئله هماهنگی بدون شات در سیستم های چند عاملی

مسئله هماهنگی در سیستم های چند عاملی به ویژه زمانی که عامل ها بدون سابقه تعامل قبلی مجبور به همکاری می شوند یکی از پیچیده ترین چالش های هوش مصنوعی مدرن است. یک خودروی خودران باید بتواند با هر خودروی دیگری در خیابان تعامل کند بدون اینکه قبلا با آن تمرین کرده باشد. مدل های زبانی بزرگ تا حدودی این چالش را برطرف کرده است. مدل زبانی نقش مغز (Brain) را ایفا می کند که نه تنها قادر به پردازش اطلاعات است، بلکه با تکیه بر دانش معنایی عظیم خود پلی زبانی به سوی هماهنگی بدون شات می زند. ولی داشتن مدل زبانی به تنهایی کافی نیست بلکه افزودن ماژول های حافظه بلندمدت و شخصیت پردازی به مدل زبانی منجر به شکل گیری رفتارهای اجتماعی نوظهور و باورپذیر می شود. علاوه بر این، برای حل مسائل دنیای واقعی عامل ها باید توانایی استفاده از ابزار و تعامل با محیط وب را داشته باشند. یکی از مهم ترین دستاوردهای این پژوهش تبیین چگونگی پیاده سازی نظریه ذهن در عامل های مصنوعی است. نظریه ذهن یعنی توانایی درک این واقعیت که دیگران هم ذهن دارند. در ادامه این بحث مطرح می شود که انحراف مدل های زبانی از تعادل نش لزوما یک ضعف نیست بلکه می تواند منجر به همکاری های پایدارتر و شبیه تر به انسان شود. فراتر از تعاملات دو به دو، این پژوهش به بررسی چگونگی سازماندهی جوامع عاملی می پردازد. در جامعه عاملی، هدف این است که گروهی از مدل های زبانی کنار هم قرار بگیرند و همانند یک تیم انسانی برای حل یک مسئله بزرگ همکاری کنند. علیرغم پیشرفت های چشمگیر، این پژوهش چالش های بنیادینی را نیز شناسایی کرده است. بزرگ ترین چالش مسئله توهم (Hallucination) است که می تواند منجر به تصمیمات غلط در سیستم شود. در نهایت این پژوهش نتیجه می گیرد که تلفیق استدلال نمادین، یادگیری تقویتی و مدل های زبانی بزرگ افق جدیدی را در هوش مصنوعی توزیع شده گشوده است که نویدبخش سیستم های خودمختاری است که نه تنها محاسبه می کنند بلکه مذاکره و همکاری را نیز به شکلی انسانی انجام می دهند.

کلیدواژه ها:

سیستم های چندعاملی ، مدل های زبانی ، هماهنگی بدون شات ، عامل ، شناختی ، نظریه ذهن ، یادگیری تقویتی ، Large Language Models ، Zero-Shot Coordination