راز کاهش ۱۰ برابری هزینه‌های عامل‌های هوش مصنوعی

تصور کنید بتوانید دقت عامل‌های خود را ۱۶ درصد افزایش دهید و همزمان ۹۰ درصد از هزینه‌های استنتاج بکاهید. اگر هنوز به جریان‌های کاری دستی و صلب تکیه می‌کنید، در حال سوزاندن بودجه‌ی محاسباتی خود هستید.

طبق اعلام پژوهشگران در ۷ مه ۲۰۲۶، سیستمی به نام Uno-Orchestra (Uno-Orchestra) معرفی شده است که قواعد بازی در مدیریت عامل‌های (Agents) هوشمند را تغییر می‌دهد. به نقل از مقاله منتشر شده در arxiv.org، این سیستم یک سیاست ارکستراسیون واحد است که به جای تکیه بر دستورالعمل‌های ثابت، یاد می‌گیرد چگونه تکالیف را تجزیه کرده و آن‌ها را به بهینه‌ترین جفت «مدل-ابزار» بسپارد.

بر اساس مستندات این پژوهش، Uno-Orchestra برخلاف سیستم‌های سنتی که از مسیریابی‌های تخت یا گردش‌کارهای ثابت استفاده می‌کنند، سه متغیر حیاتی را به طور همزمان بهینه می‌کند:

• عمق تجزیه تکالیف (Decomposition Depth)
• انتخاب بهینه‌ترین مدل برای هر بخش از کار
• مدیریت بودجه استنتاج (Inference Budget)

نتایج به‌دست‌آمده خیره‌کننده است: این سیستم در ۱۳ بنچمارک مختلف (شامل ریاضی، کدنویسی و استفاده از ابزار)، به نرخ ۷۷.۰ درصد در معیار macro pass@1 دست یافت که حدود ۱۶ درصد بالاتر از قوی‌ترین مدل‌های رقیب است. نکته کلیدی این است که این سطح از عملکرد، با هزینه‌ای تقریباً ۱۰ برابر کمتر از روش‌های معمول به دست آمده است.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی بهینه‌سازی هزینه‌های استنتاج اشاره کردیم، گلوگاه اصلی همواره توازن میان دقت و هزینه بوده است. Uno-Orchestra با تبدیل ارکستراسیون از یک «اسکریپت ایستا» به یک «سیاست یادگیرنده»، این مرز را جابه‌جا کرده است.

این تحول نشان می‌دهد که آینده‌ی هوش مصنوعی زاینده (Generative AI) نه در مدل‌های بزرگ‌تر، بلکه در «دیسپچر‌های» (Dispatchers) هوشمندتر نهفته است. با توجه به اینکه هزینه‌های استنتاج همچنان بزرگ‌ترین مانع برای پذیرش گسترده AI در سازمان‌هاست، احتمالاً شاهد چرخش صنعت از خط‌لوله‌های استاتیک به سمت لایه‌های ارکستراسیون یادگیرنده خواهیم بود.

اما این بهینه‌سازی تنها بخشی از پازل است؛ تأثیر این رویکرد بر سخت‌افزارهای نسل بعد را در گزارش‌های آتی بررسی خواهیم کرد.

گام بعدی شما

• بررسی مقاله Uno-Orchestra در arxiv برای درک متدولوژی RL در ارکستراسیون.
• ارزیابی مجدد جریان‌های کاری (Workflows) فعلی خود و شناسایی نقاط اتلافی در انتخاب مدل.
• تست مدل‌های کوچک‌تر (SLM) در ترکیب با یک لایه مسیریابی هوشمند برای کاهش هزینه‌ها.