هوش مصنوعی Sakana AI و الگوریتم نوآورانه AB-MCTS
هوش مصنوعی Sakana AI یکی از پیشگامان نوآوری در حوزه مدلهای زبانی بزرگ (LLM) است که با الهام از طبیعت، مفاهیم تکامل و هوش جمعی را در طراحی الگوریتمهای خود به کار گرفته است. این شرکت ژاپنی اخیراً با معرفی الگوریتم AB-MCTS (جستجوی درختی مونتکارلو با شاخهبندی تطبیقی) تحولی در نحوه همکاری مدلهای هوش مصنوعی ایجاد کرده است.
فلسفه پشت Sakana AI: الهام از طبیعت
Sakana AI بر این باور است که همانطور که طبیعت از طریق تکامل و همکاری موجودات زنده به راهحلهای پیچیده دست مییابد، مدلهای هوش مصنوعی نیز میتوانند با همکاری و ترکیب تواناییهای خود، عملکردی فراتر از مدلهای منفرد داشته باشند. این رویکرد در قالب مفاهیمی چون ادغام تکاملی مدلها و هوش جمعی مدلها پیادهسازی شده است.
الگوریتم AB-MCTS چیست؟
الگوریتم AB-MCTS یا Adaptive Branching Monte Carlo Tree Search یک روش نوین برای مقیاسپذیری در زمان استنتاج (Inference-Time Scaling) است. این الگوریتم به مدلهای مختلف هوش مصنوعی اجازه میدهد تا:
- به صورت آزمایشی و خطاپذیر (Trial-and-Error) عمل کنند.
- در صورت نیاز، پاسخهای متنوع تولید کرده و آنها را بهبود دهند.
- مدل مناسب برای هر وظیفه را انتخاب کرده یا چند مدل را به صورت همزمان به کار گیرند.
همکاری مدلها: قدرت هوش جمعی
در الگوریتم AB-MCTS، مدلهایی مانند Gemini 2.5 Pro، o4-mini و DeepSeek-R1 به صورت تیمی روی مسائل پیچیده کار میکنند. این همکاری باعث میشود:
- نقاط قوت هر مدل به کار گرفته شود.
- خطاهای مدلهای منفرد کاهش یابد.
- عملکرد کلی سیستم افزایش یابد.
برای مثال، مدل o4-mini بهتنهایی توانست ۲۳٪ از مسائل را حل کند، اما در ترکیب با سایر مدلها در چارچوب AB-MCTS، این عدد به ۲۷.۵٪ افزایش یافت.
نتایج آزمایشها و عملکرد
Sakana AI الگوریتم خود را روی بنچمارک ARC-AGI-2 آزمایش کرده و نشان داده است که ترکیب مدلها در قالب AB-MCTS میتواند عملکردی بهتر از هر مدل منفرد ارائه دهد. این الگوریتم همچنین در پروژه TreeQuest به صورت متنباز در GitHub منتشر شده است.
مزایای کلیدی هوش مصنوعی Sakana AI
- افزایش دقت و کارایی در حل مسائل پیچیده
- کاهش خطاهای مدلهای منفرد
- قابلیت استفاده از چند مدل بهصورت همزمان
- مقیاسپذیری در زمان اجرا بدون نیاز به آموزش مجدد
جمعبندی
هوش مصنوعی Sakana AI با الگوریتم AB-MCTS گامی بزرگ به سوی آیندهای برداشته که در آن مدلهای هوش مصنوعی نه بهصورت منفرد، بلکه بهصورت تیمی و با بهرهگیری از هوش جمعی به حل مسائل میپردازند. این رویکرد نهتنها عملکرد را بهبود میبخشد، بلکه راه را برای توسعه سیستمهای هوشمندتر، قابلاعتمادتر و تطبیقپذیرتر هموار میسازد.
