تصور کنید یک عامل هوش مصنوعی در یک حلقه تکراری از اقدامات بیثمر گیر کرده یا هدف نهایی خود را فراموش کرده است، صرفاً چون دانش رویهایاش زیر کوهی از تاریخچه متنی دفن شده است. برای حل این مشکل، پژوهشگران گوگل (Google)، دانشگاه جورجیا تک و دانشگاه پکن در ۹ سپتامبر ۲۰۲۶، گراف رویهای (Procedural Graph) را معرفی کردند تا هدایت عامل را از تاریخچه ضمنی به ذخیرهگاهی صریح از سهگانههای «رویه، رابطه، رویه» منتقل کنند.
این تغییر، یک نقص بنیادی در نحوه برنامهریزی مدلهای زبانی بزرگ (LLM) در افقهای زمانی بلند را هدف قرار میدهد. همانطور که در تحلیل قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، کنترل خروجیها حیاتی است؛ اما گراف رویهای فراتر از فیلتر کردن توهمات، یک نقشه قابل پرسوجو برای «گام بعدی» ایجاد میکند. با سازماندهی اقدامات بهصورت گراف بهجای لیست، عامل میتواند گره فعال خود را شناسایی کرده و بدون دستورات سختگیرانه، راهنماییهای متناسب با موقعیت دریافت کند. این پیشرفت در زمان اهمیت ویژهای دارد، چرا که بیش از نیمی از سازمانها اکنون در حال استقرار عاملهای هوش مصنوعی در محیطهای عملیاتی خود هستند و نیاز به پایداری برنامهریزی در این ابزارها افزایش یافته است.
سازوکار تکامل خودکار
به نقل از گزارش academy.dair.ai، این چارچوب بر سه ستون فنی استوار است:
- راهنمایی موقعیتی: یک مدل راهنما، زیرگراف محیطی را به یک سوگیری (Bias) برای اقدام بعدی تبدیل میکند، اما اجازه میدهد عامل در صورت نادرست بودن گراف، از آن منحرف شود.
- تضاد مسیرها: یک مدل اصلاحکننده، مسیرهای شکستخورده را با مسیرهای موفق مقایسه میکند تا نقاط نیاز به ویرایش در توپولوژی یا ویژگیهای گراف را شناسایی کند. این رویکرد بهینهسازی مسیر، شباهتهای ساختاری با روشهای یادگیری تقویتی مرحلهبندیشده در مدلهای Granite 4.2 آیبیام دارد که بر بهبود استدلال متمرکز است.
- دروازهبانی دادههای کنارگذاشتهشده: ویرایشها تنها زمانی ثبت میشوند که عملکرد را در یک مجموعه اعتبارسنجی (Validation Set) حفظ کرده یا بهبود ببخشند تا از پسرفت مدل جلوگیری شود.
عملکرد و ترمیم
بر اساس مستندات این پژوهش، این سامانه توانایی منحصربهفردی در ترمیم پیشفرضهای نادرست دارد. این حلقه با شروع از یک اسکلت حداقلی، گرافهایی میسازد که با نمونههای طراحیشده توسط انسان برابری کرده یا از آنها پیشی میگیرند. حتی زمانی که یک پیشفرض تخصصی معیوب به مدل داده شد، حلقه تکامل خودکار بهجای به ارث بردن خطاها، آنها را اصلاح کرد.
در بررسی چندین مجموعه داده و مدلهای زبانی مختلف، گراف رویهای بهطور مداوم از مدلهای مبتنی بر حافظه پیشی گرفت. پژوهشگران خاطرنشان کردند که تکامل خودکار، بدون نیاز به مهندسی دستی، بهرهوری را افزایش میدهد. برای مدیریت بهینه این ساختارهای گرافمحور، استفاده از موتورهای پردازشی پیشرفتهای مانند Rayforce که تراورسال گراف را با تحلیلهای ستونی ترکیب میکند، میتواند سرعت استنتاج را بهطور چشمگیری بهبود ببخشد.
برای حوزه عاملهای هوش مصنوعی (Agentic AI)، این یافته این فرض را میشکند که برنامهریزی باید یک ویژگی نوظهور از پنجره زمینه (Context Window) باشد. این رویکرد نشان میدهد که ساختارهای صریح و تغییرپذیر برای دانش رویهای، مقیاسپذیرتر از تکیه بر حافظه داخلی مدل از تاریخچه گفتگو هستند.
گام بعدی شما
- بررسی امکان ادغام گرافهای رویهای در چارچوبهای وزنهای باز (Open Weights) برای کاهش وابستگی به پنجرههای متنی عظیم.
- تحلیل اثر این متد بر کاهش هزینه استنتاج (Inference) در تسکهای پیچیده استفاده از ابزار.
- تست مدلهای استدلالی فعلی در مواجهه با مسیرهای تکراری برای شناسایی نقاط شکست برنامهریزی.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو