شرکت آنتروپیک از سازوکاری با عنوان «رؤیاپردازی» (Dreaming) برای بهبود مدیریت حافظه هوش مصنوعی کلود استفاده می‌کند؛ روشی که به این هوش مصنوعی امکان می‌دهد در زمان‌هایی که وظیفه‌ای بر عهده ندارد، تعاملات قبلی خود را مرور کند، اطلاعات نادرست را شناسایی کند و یادداشت‌های ذخیره‌شده را بهبود دهد.

این رویکرد از سازوکاری الهام گرفته شده است که مغز انسان هنگام خواب برای تثبیت خاطرات به کار می‌گیرد. نتایج آزمایش‌های آنتروپیک نشان می‌دهد انتخاب هوشمندانه اطلاعات برای ذخیره‌سازی و سازمان‌دهی حافظه می‌تواند عملکرد هوش مصنوعی را در انجام وظایف پیچیده و بلندمدت بهبود دهد.

ذخیره‌سازی هوشمندانه اطلاعات

کلود هنگام انجام وظایف می‌تواند اطلاعات مفید را در قالب فایل‌های حافظه ذخیره کند؛ اما تشخیص اینکه کدام اطلاعات ارزش نگهداری دارند، چالش مهمی است. ثبت تمام تعاملات به انباشت داده‌های غیرضروری منجر می‌شود و حذف جزئیات مهم نیز ممکن است دسترسی به اطلاعات مورد نیاز در جلسات بعدی را دشوار کند.

آنتروپیک برای بررسی این مسئله از بازی پوکمون قرمز استفاده کرد؛ جایی که کلود باید در محیط بازی حرکت می‌کرد و نشان‌های مختلف را به دست می‌آورد.

پژوهشگران پس از حدود ۱۰ هزار گام در بازی، عملکرد دو مدل را مقایسه کردند. مدل Sonnet 3.7 تقریباً تمام اطلاعاتی را که با آن مواجه می‌شد ذخیره کرد و در نهایت ۴۱۳ فایل در ۲۲۵ پوشه، با مجموع نزدیک به ۹۷۸ هزار کاراکتر اطلاعات، ایجاد کرد. با این حال، این مدل تنها موفق به کسب یک نشان شد.

در مقابل، مدل Claude Fable 5 با ذخیره‌سازی حدود ۴۳ هزار و ۴۰۰ کاراکتر در ۱۰ فایل و سه محل نگهداری، توانست چهار نشان به دست بیاورد. این مدل اطلاعاتی مانند راهبردهای مسیریابی، تجربه‌های آموخته‌شده و اهداف فعلی را در اولویت قرار داده بود.

به این ترتیب، حافظه کوچک‌تر و سازمان‌یافته‌تر به کلود کمک کرد از پردازش مکرر اطلاعات در دسترس خودداری کند و در عین حال، آموخته‌های مهم را برای جلسات بعدی حفظ کند.

اصلاح اشتباهات با بازبینی حافظه

آنتروپیک در آزمایش دیگری نشان داد فرایند رؤیاپردازی می‌تواند به شناسایی و اصلاح اطلاعات نادرست در حافظه کمک کند.

در این آزمایش، کلود محل یک مرکز پوکمون در نزدیکی کوه مون را اشتباه ثبت کرده بود. همین خطا باعث شد پس از خروج از ساختمان، موقعیت خود را نادرست تشخیص دهد و بارها از یک مسیر یک‌طرفه عبور کند و به نقطه قبلی بازگردد.

اما در جریان بازبینی آفلاین، کلود یادداشت‌های ذخیره‌شده را با متن گفت‌وگوی قبلی مقایسه کرد، اشتباه را تشخیص داد و اطلاعات مکان را اصلاح کرد. پس از این تغییر، توانست از کوه مون عبور کند و به شهر سرولین برسد؛ در حالی که نسخه دارای حافظه اشتباه همچنان در همان مسیر گرفتار می‌شد.

تبدیل اسناد به پایگاه دانش

آنتروپیک همچنین بررسی کرد که آیا این سازوکار می‌تواند مجموعه بزرگی از اسناد را به یک پایگاه دانش مرتبط تبدیل کند یا خیر. در یکی از آزمایش‌ها، حدود ۳۵۰ هزار سند داخلی شرکت نرم‌افزاری Stainless، شامل نزدیک به ۴۲۰ میلیون توکن، در اختیار کلود قرار گرفت.

این هوش مصنوعی طی ۱۲۸ جلسه، به‌تدریج یک دانش‌نامه شبیه ویکی ایجاد کرد و با استفاده از اطلاعات اسناد، آن را توسعه داد. در نتیجه، دقت کلود در پاسخ‌گویی به ۲۵ پرسش ارزیابی از ۱۳ درصد به ۴۸ درصد افزایش یافت.

در آزمایشی دیگر، کلود هنگام استفاده از پایگاه دانش ساخته‌شده توسط خودش، توانست به پرسش‌هایی که نیازمند ترکیب اطلاعات چند سند بودند، با دقت ۸۷ درصد پاسخ دهد؛ در حالی که دقت جست‌وجوی مستقیم در اسناد ۷۳ درصد بود.

این سازوکار همچنین به کلود امکان می‌دهد اطلاعات پرکاربرد را در بخش حافظه سریع و در دسترس نگهداری کند و جزئیات کم‌اهمیت‌تر را در فایل‌هایی قرار دهد که در صورت نیاز قابل جست‌وجو هستند.

با این حال، آنتروپیک تأکید دارد که مدیریت حافظه همچنان به دقت نیاز دارد؛ زیرا به‌روزرسانی اطلاعات، منابع محاسباتی مصرف می‌کند و انباشت بیش از اندازه داده‌ها نیز می‌تواند دسترسی به اطلاعات مهم را دشوار کند.

پژوهشگران این شرکت معتقدند عامل‌های هوش مصنوعی برای انجام وظایف پیچیده در بازه‌های زمانی طولانی، باید بتوانند تشخیص دهند چه اطلاعاتی را حفظ کنند و چه زمانی به سراغ آن‌ها بروند.

انتهای پیام