بزرگترین مانع در برابر پیشروی هوش مصنوعی در علوم پایه، نه نبود توانایی کدنویسی، بلکه فقدان یک «قرارداد اجرایی» برای نرمافزارهای تخصصی است. تصور کنید فرآیندی که ۳ ساعت زمان یک متخصص را میگیرد، در ۵ دقیقه و با دقتی برابر توسط یک عامل (Agent) هوش مصنوعی انجام شود.
طبق اعلام پژوهشگران در مقالهای که در ۸ ژوئن ۲۰۲۶ منتشر شد، مدلهای زبانی بزرگ در مواجهه با شبیهسازهای علمی که دارای زبانهای ورودی سختگیرانه هستند، اغلب شکست میخورند. همانطور که در تحلیلهای پیشین خود دربارهی محدودیتهای عاملهای استدلالی اشاره کردیم، تبدیل یک مدل کلی به یک اپراتور عملیاتی، نیازمند دسترسی به قواعد دقیق محیط است؛ جایی که هوش مصنوعی زاینده (Generative AI) به دلیل ماهیت احتمالی خود، در رعایت ساختارهای صلب شبیهسازها دچار خطا میشود.
چارچوب SIGA این مشکل را با معرفی یک آداپتور مبنیساز حل میکند. این سیستم به جای بازآموزی مدل، یک لایهی سبک شامل بازیابی، حافظه رویهای و اعتبارسنجی در مسیر اجرا را اضافه میکند. بر اساس مستندات فنی، نتایج کلیدی این رویکرد عبارت است از:
- عملکرد در GEOS: تولید مجموعههای داده کامل با امتیاز TreeSim بالای ۰.۹۰ که با عملکرد متخصصان انسانی برابری میکند.
- پایداری: افزایش امتیاز TreeSim از ۰.۷۲۰ به ۰.۷۸۹ و کاهش ۱۶ برابری انحراف معیار در دادههای خارج از آموزش.
- تکامل خودکار: توانایی بازنویسی محتویات آداپتور بر اساس موفقیتهای مسیرهای قبلی برای بهبود مستمر.
- تعمیمپذیری: موفقیت در اجرای عملیات روی شبیهسازهای OpenFOAM و LAMMPS.
این تحول، فرضیهی رایج مبنی بر نیاز به تنظیم دقیق (Fine-tuning) برای هر ابزار تخصصی را به چالش میکشد. با جداسازی منطق کلی از قواعد رابطهای کاربری، اکنون میتوان عاملهایی را بدون نیاز به آموزش مجدد مدل بنیادی، در رشتههای مختلف علمی مستقر کرد.
گام بعدی شما
- پژوهشگران باید نحوه مدیریت «تغییر نسخهها» (Version Drift) در نرمافزارهای علمی توسط این آداپتورهای تکاملی را رصد کنند.
- توسعهدهندگان میتوانند مشخصات فنی کامل لایههای مبنیسازی را در arXiv بررسی نمایند.
- بررسی جایگزینی لایههای استنتاجی با لایههای مبنیساز برای کاهش هزینههای GPU در مقیاس صنعتی.
اما سؤال اینجاست که آیا این لایهها میتوانند در محیطهای چند-شبیهساز بهصورت همزمان عمل کنند؟ پاسخ این پرسش در تحلیل ما دربارهی ارکستراسیون عاملها نهفته است.
گفتگو