اگر هنوز برای مدیریت عامل‌های (Agents) هوش مصنوعی خود به تاریخچه چت‌ها و متون خطی تکیه می‌کنید، در واقع دارید سرعت اکتشافات علمی خود را می‌کُشید. تصور کنید تمام نقاط ضعف یک پروپوزال پژوهشی در میان هزاران خط متن دفن شده باشد؛ این دقیقاً همان جایی است که سیستم‌های فعلی شکست می‌خورند.
در ۷ می ۲۰۲۶، تیمی از پژوهشگران مقاله‌ای را درباره‌ی گراف‌های ایده‌ی تکاملی (Evolving Idea Graphs یا EIG) منتشر کردند. به نقل از گزارش arxiv.org، این چارچوب به جای استفاده از مستندات ایستا، یک «نقشه زنده» از ادعاهای علمی و روابط میان آن‌ها می‌سازد. در این معماری، هر ادعا به عنوان یک گره (Node) و روابط میان آن‌ها (مانند تایید یا تضاد) به عنوان یال (Edge) تعریف می‌شوند.
بر اساس مستندات این پژوهش، ساختار EIG بر پایه یک کنترل‌کننده دو-سره (Two-head Controller) مدیریت می‌شود:
سره اول: ویرایش‌های گرافیکی دقیقی را برای اجرا توسط عامل‌ها انتخاب می‌کند.
سره دوم: تعیین می‌کند که چه زمانی گراف به بلوغ کافی رسیده تا به یک پروپوزال نهایی تبدیل (Commit) شود.
این سیستم در بنچمارک‌های AI Idea Bench 2025 و LiveIdeaBench مورد آزمایش قرار گرفت و طبق نتایج، در هر دو بخش امتیازات خودکار و ارزیابی‌های کور متخصصان، در معیارهای نوآوری، امکان‌سنجی و شفافیت، تمامی سیستم‌های متنی را شکست داد.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های استدلالی (Reasoning Models) اشاره کردیم، عبور از پردازش خطی به سمت ساختارهای غیرخطی، کلید رسیدن به هوش سطح بالاتر است. در سیستم‌های متنی، تضادهای ایده‌پردازی در تاریخچه گفتگوها گم می‌شوند، اما در EIG، هر تضاد حل‌نشده به صورت یک گره بصری باقی می‌ماند تا زمانی که منطقاً برطرف شود. مطالعات حذف (Ablation Studies) تایید کردند که همین «وضعیت گراف صریح» عامل اصلی جهش عملکرد این مدل است.
اما این تنها بخشی از پازل است؛ تأثیر این معماری بر کاهش توهمات در مدل‌های زبانی بزرگ (LLM) را در گزارش بعدی بررسی خواهیم کرد.
گام بعدی شما
- اگر از سیستم‌های چند-عاملی استفاده می‌کنید، سعی کنید جریان داده‌ها را از متن به ساختارهای گراف‌محور تغییر دهید.
- برای درک عمیق‌تر، مقاله EIG در arxiv را با تمرکز بر بخش کنترل‌کننده دو-سره مطالعه کنید.
- بررسی کنید که آیا ابزارهای فعلی شما قادر به شناسایی تضادهای منطقی در خروجی‌های طولانی هستند یا خیر.
گفتگو