مایکروسافت با معرفی «Droidspeak»، انقلابی در همکاری هوش مصنوعی ایجاد کرده است. Droidspeak به عامل‌های هوش مصنوعی اجازه می‌دهد تا با دور زدن پیچیدگی‌های زبان طبیعی و با استفاده از یک رویکرد ریاضی با ابعاد بالا، سریع‌تر و کارآمدتر با یکدیگر ارتباط برقرار کنند. این زبان جدید، عامل‌ها را قادر می‌سازد تا با سرعت و مقیاس‌پذیری بی‌سابقه‌ای روی وظایف پیچیده همکاری کنند.
مدل‌های زبانی بزرگ (LLMها) پیشرفته‌ترین پیشرفت‌ها در هوش مصنوعی را تقویت می‌کنند و وظایف پیچیده و عملیات خودکار را از طریق عامل‌های هوش مصنوعی ممکن می‌سازند. محققان با نگاه به آینده، چندین عامل هوش مصنوعی را در نظر دارند که برای حل مشکلات چالش‌برانگیزتر با هم همکاری می‌کنند. در حال حاضر، این عامل‌ها عمدتاً با استفاده از زبان طبیعی، اغلب انگلیسی، ارتباط برقرار می‌کنند. با این حال، علیرغم قدرت بیانی زبان انسان، ممکن است این روش ارتباطی بهینه برای ماشین‌هایی که در سطح بنیادی صفر و یک کار می‌کنند، نباشد. این درک، محققان مایکروسافت را به سمت توسعه «Droidspeak»، یک روش ارتباطی جدید سوق داد که به عامل‌های هوش مصنوعی اجازه می‌دهد با استفاده از زبان ریاضی با ابعاد بالا که زیربنای LLMها است، تعامل داشته باشند. این رویکرد نوآورانه، یادآور زبان رباتیک در جنگ ستارگان، سرعت و کارایی ارتباط را به طور قابل توجهی افزایش می‌دهد.
روش سنتی ارتباط عامل هوش مصنوعی با استفاده از زبان طبیعی شامل به اشتراک گذاشتن نه تنها خروجی مرحله فعلی، بلکه کل تاریخچه مکالمه نیز می‌شود. این امر مستلزم آن است که عامل گیرنده حجم زیادی از متن را برای درک پیام فرستنده پردازش کند که بار محاسباتی قابل توجهی ایجاد می‌کند. این سربار با تبادلات مکرر رفت و برگشتی افزایش می‌یابد و به یکی از عوامل اصلی تأخیر در ارتباط تبدیل می‌شود و مانع مقیاس‌پذیری و پاسخگویی سیستم‌های چند عاملی می‌شود.
Droidspeak با فعال کردن مدل‌ها برای به اشتراک گذاشتن مستقیم داده‌های تولید شده در مراحل محاسباتی قبل از تولید زبان، این گلوگاه را برطرف می‌کند. سپس مدل گیرنده می‌تواند مستقیماً از این داده‌ها استفاده کند و نیاز به پردازش زبان و ایجاد نمایش‌های ریاضی سطح بالای خود را دور بزند. این تبادل مستقیم داده‌ها زمان پردازش را به میزان قابل توجهی کاهش می‌دهد و کارایی کلی را بهبود می‌بخشد.
با این حال، پیاده‌سازی این انتقال مستقیم داده بین مدل‌ها چالش‌هایی را به همراه دارد. مدل‌های مختلف زبان را به روش‌های گوناگونی نشان می‌دهند و محققان را بر ارتباط بین نسخه‌های همان LLM اصلی متمرکز می‌کنند. حتی در این محدودیت، نوع داده‌های به اشتراک گذاشته شده نیاز به بررسی دقیق دارد. برخی از داده‌ها می‌توانند مستقیماً توسط مدل گیرنده مورد استفاده مجدد قرار گیرند، در حالی که سایر داده‌ها نیاز به محاسبه مجدد دارند. تیم مایکروسافت روشی را برای تعیین خودکار این موضوع توسعه داده است که باعث به حداکثر رساندن صرفه‌جویی محاسباتی ارائه شده توسط Droidspeak می‌شود.
نتایج این تحقیق امیدوارکننده است. به گفته فیلیپ فلدمن از دانشگاه مریلند، شهرستان بالتیمور، افزایش سرعت ارتباط تسهیل شده توسط Droidspeak، سیستم‌های چند عاملی را قادر می‌سازد تا با مشکلات بزرگتر و پیچیده‌تری نسبت به آنچه قبلاً با زبان طبیعی امکان‌پذیر بود، مقابله کنند. مقاله پیش‌چاپ تیم مایکروسافت که در arXiv منتشر شده است، سرعت ارتباط 2.78 برابر سریع‌تر را با حداقل افت دقت گزارش می‌دهد.
علیرغم پیشرفت‌های قابل توجه، محققان پتانسیل بهبود بیشتر را تصدیق می‌کنند. فعال کردن ارتباط بین مدل‌هایی با اندازه‌ها و پیکربندی‌های مختلف، حوزه کلیدی تحقیقات آینده است. همچنین با فشرده‌سازی نمایش‌های میانی قبل از انتقال آنها بین مدل‌ها، می‌توان صرفه‌جویی محاسباتی بیشتری را به دست آورد.
توسعه Droidspeak گامی مهم به سوی آینده‌ای است که در آن زبان‌های ماشین به اندازه زبان‌های انسانی متنوع و تخصصی هستند. این رویکرد نوآورانه امکانات جدیدی را برای همکاری هوش مصنوعی باز می‌کند و راه را برای سیستم‌های چند عاملی کارآمدتر و مقیاس‌پذیرتر که قادر به مقابله با چالش‌های پیچیده‌تر هستند، هموار می‌کند. تغییر از زبان طبیعی به یک روش ارتباطی ماشین‌محور، نقطه عطفی در تکامل هوش مصنوعی و پتانسیل آن برای متحول کردن زمینه‌های مختلف است. با ادامه تحقیقات، Droidspeak و رویکردهای مشابه نویدبخش آزادسازی سطوح جدیدی از همکاری هوش مصنوعی و قابلیت‌های حل مسئله هستند.
اگر به خواندن کامل این مطلب علاقه‌مندید، روی لینک مقابل کلیک کنید: singularity hub
