مشكلة النسيان في الذكاء الاصطناعي: باحثو بيركلي يطرحون "ABBEL" لحل أزمة الذاكرة المضغوطة

وكلاء الذكاء الاصطناعي (AI Agents) الذين يعملون لفترات طويلة يعانون من مشكلة ذاكرة حقيقية. فريق أبحاث بيركلي (BAIR) يعتقد أنه وجد حلاً لها عبر إطار عمل جديد يحمل اسم "ABBEL"، يُدرّب النماذج اللغوية على ضغط سجل المحادثات في ما يسمى "حالات الاعتقاد" (Belief States)، دون أن تفقد بصمت التفاصيل التي قد تحتاجها لاحقاً.

معظم الوكلاء العاملة في الإنتاج، من مساعدي البرمجة إلى روبوتات البحث، لا تستطيع الاحتفاظ بكل رمز (Token) من التفاعلات السابقة داخل السياق (Context) إلى الأبد. لذلك تعتمد على التلخيص التكراري (Recursive Summarization)، الذي يضغط المحادثات القديمة إلى نصوص أقصر بشكل متكرر. هذا النهج يوفر قوة حاسوبية، لكنه يميل إلى تآكل المعلومات المهمة للمهمة مع مرور الوقت، وهي مشكلة تظهر بوضوح في مجالات مثل توليد الشيفرة البرمجية التعاوني (Collaborative Code Generation)، حيث تشحّ أمثلة التدريب النظيفة للتلخيص الجيد.

كيف يقيّم الإطار نفسه؟

يستعير "ABBEL" حيلة من المشفرات التلقائية (Autoencoders). فبدلاً من سؤال بسيط عن كون الملخص "يبدو صحيحاً"، يفحص الإطار ما إذا كان يمكن إعادة بناء السجل الأصلي فعلياً من "حالة الاعتقاد" التي أنتجها النموذج. وكلما كانت إعادة البناء أدق، ازدادت المكافأة (Reward) خلال التدريب.

هذه الإشارة المبنية على إعادة البناء تمنح النموذج هدفاً واضحاً لما يجب أن يحتفظ به الملخص، بدلاً من الاعتماد على مفاهيم غامضة عن "الأهمية". اختبر باحثو BAIR هذه الفكرة على معيار "Combination Lock"، وهو تحدٍّ يشبه لعبة "ووردل" (Wordle) يسمح بحتى 16 تخمينة، ويضع ضغطاً حقيقياً على الاستدلال طويل المدى تحت سياق مضغوط.

أين لا تزال الفجوة قائمة؟

الضبط الدقيق بالتعلم المعزز (Reinforcement Learning Fine-tuning) عبر "ABBEL" حسّن سياسات تلخيص السياق (Context-Summary Policies) في هذا المعيار، لكنه لم يغلق الفجوة بالكامل مقارنة بالسياسات التي تحتفظ بالسياق الكامل غير المضغوط. وهذا ما يعترف به الباحثون بصراحة: التلخيص، حتى عند تدريبه بشكل جيد، لا يزال يضحي بجزء من الأداء في سبيل الكفاءة.

حتى مع تدريب جيد، لا يزال التلخيص يضحي بجزء من الأداء في سبيل الكفاءة.

المخاطر المرتبطة بحل هذه المشكلة ظاهرة فعلاً في الأنظمة المطبَّقة. فنظام "Grandcode"، الذي يوصف بأنه أول نظام يتفوق باستمرار على جميع المتنافسين من البشر في مسابقات البرمجة عبر الإنترنت، لا يزال يعتمد على تلخيص السياق، حتى مع تشغيله على بنية انتباه فعّالة (Qwen 3.5-397B)، وفقاً لدراسة DeepReinforce وآخرون (2026).

نموذج "Composer 2.5" التابع لشركة Cursor يقدّم إشارة مشابهة من الجانب التجاري، إذ يستخدم ضغط السياق (Context Compaction) خلال التدريب لتعزيز الأداء، حسب ما ورد في دراسة Cassano وآخرون (2026). كل هذا يشير إلى أن التلخيص لم يعد حلاً مؤقتاً يحاول المهندسون التخلص منه، بل أصبح خياراً معمارياً دائماً، وهذا بالضبط ما يجعل وجود طريقة منهجية لتقييم ما يُحفظ وما يُهمَل أمراً بالغ الأهمية.

"ABBEL" لا يزعم أنه يقضي على المقايضة بين الضغط والدقة. ما يقدمه هو طريقة أكثر صرامة لقياس هذه المقايضة والتدريب عليها، موجهة تحديداً لفئة متنامية من الوكلاء المتوقع أن تعمل لساعات أو أيام متواصلة بدلاً من جلسة واحدة.