الاستدلال المتوازي التكيفي: نموذج جديد لتوسيع كفاءة استدلال الذكاء الاصطناعي

مختبر BAIR (Berkeley AI Research) قدم استعراضاً لنهج جديد يُسمى التفكير المتوازي التكيفي (APR)، والذي يسمح لنماذج الذكاء الاصطناعي بتحديد وقت تقسيم المهمة إلى مهام فرعية متوازية، وعدد التدفقات التي يجب تشغيلها، وكيفية التنسيق بينها. تستخدم الطرق التقليدية، مثل self-consistency (الاتساق الذاتي) أو best-of-N (أفضل من N)، بنية توازٍ ثابتة مما يؤدي إلى حسابات زائدة عن الحاجة. تتطلب طرق أخرى، مثل Tree-of-Thoughts (شجرة الأفكار) أو Monte-Carlo Tree Search (MCTS)، إرشادات مسبقة للتقسيم. يُعمم APR الفكرة: يُدرَّب النموذج باستخدام التعلم المعزز لتوليد رموز تحكم خاصة تحدد متى يفكر بشكل تسلسلي ومتى يفكر بالتوازي. يتيح هذا التكيف الديناميكي لمستوى التوازي وفقاً لتعقيد المهمة، متجنباً التكرار في الأسئلة البسيطة ومضمناً التقسيم الصحيح في الأسئلة المعقدة. لتنفيذ الفروع المتوازية، تُستخدم بنية fork-join (التفرع-الانضمام): يُنتج النموذج مهاماً فرعية تُعالج بالتوازي، ثم تُدمج النتائج. لإدارة ذاكرة التخزين المؤقت للمفاتيح والقيم (KV cache) بكفاءة، تُستخدم تعديلات على محرك الاستدلال مثل Multiverse وParallel-R1 وNPR، والتي تنسخ وتدمج ذاكرة التخزين المؤقت للمفاتيح والقيم من تدفقات مستقلة في تسلسل واحد. لكن هذا يتطلب تعديلات في المحرك وقد يؤدي إلى عدم الاستقرار. بديل لذلك هو استخدام عارضات عالمية تعمل دون تعديل المحرك. بشكل عام، يُنظر إلى APR كأنموذج جديد يسمح بتوسيع وقت التفكير دون زيادة خطية في زمن الاستجابة أو فقدان الجودة بسبب "تعفن السياق".