Large Action Models (LAM)
النماذج الكبيرة لتنفيذ الأفعال (LAMs) نماذج ذكاء اصطناعي مدرّبة لتحويل الطلب إلى أفعال، مثل استدعاءات API والنقرات وضغطات المفاتيح، ثم تنفيذها.
النموذج الإجرائي الكبير (LAM) هو نموذج ذكاء اصطناعي يُدرَّب على تحويل طلب إلى سلسلة من الإجراءات التي يمكن للبرامج تنفيذها، مثل استدعاءات API والنقرات وضغطات المفاتيح، بدلًا من إجابة نصية. وتبدأ معظم نماذج LAM على هيئة نموذج لغوي كبير (LLM)، ثم تخضع لـضبط دقيق على مسارات مهام مسجَّلة، حتى تتمكن بموثوقية من اختيار الإجراء التالي وتعبئة وسائطه والتعافي عند فشل خطوة ما، ما يجعلها نواة اتخاذ القرار لدى وكيل ذكاء اصطناعي. أشاعت شركة Rabbit الناشئة المصطلح في يناير 2024، عندما كشف الرئيس التنفيذي Jesse Lyu عن الجهاز المحمول R1 وقدّم نموذج LAM الخاص بها بوصفه نموذجًا تعلّم تشغيل التطبيقات من خلال مشاهدة الأشخاص وهم يستخدمونها. وتستخدم المجموعات البحثية الآن هذا الاسم للنماذج التي دُرّبت وخضعت لاختبارات معيارية على تنفيذ الإجراءات، وأبرزها عائلة xLAM من Salesforce: خمسة نماذج تتدرج من نموذج يضم مليار معلمة إلى نموذج مزيج الخبراء (MoE) بحجم 8x22B، وقد أفادت ورقة عائلة xLAM البحثية الصادرة في سبتمبر 2024 بأن عائلة xLAM احتلت المركز الأول في لوحة Berkeley لتصنيف استدعاء الدوال، متقدمةً على GPT-4 وClaude 3.
كيفية تدريب نماذج الأفعال الكبيرة#
توثّق ورقة Microsoft البحثية Large Action Models: From Inception to Implementation، المنشورة في ديسمبر 2024، العملية كاملةً لتدريب نموذج يشغّل Microsoft Word. بدأ الفريق بنموذج Mistral-7B ودرّبه على أربع مراحل: التدريب المسبق على تخطيط المهام لمعرفة كيفية تقسيم الطلبات إلى خطوات، والتعلم من مسارات خبراء مسجلة باستخدام GPT-4o، والاستكشاف المعزز ذاتيًا الذي حاول فيه النموذج تنفيذ المهام التي أخفق الخبير فيها واحتفظ بتشغيلاته الناجحة بوصفها بيانات تدريب جديدة، ثم التعلم المعزز بالاستناد إلى نموذج مكافأة متعلَّم. وأكمل النموذج النهائي، الذي يعمل ضمن UFO، وكيل واجهة المستخدم الرسومية في Windows من Microsoft، نسبة 71.0% من مهام Word الفعلية في متوسط قدره 30.42 ثانية. وأكمل GPT-4o نسبة 63.0% واستغرق 86.42 ثانية عند تزويده بالوصف النصي نفسه لعناصر التحكم في النافذة، ولم ينجح بوتيرة أعلى إلا عند إضافة لقطات الشاشة، إذ بلغ الزمن 96.48 ثانية لكل مهمة.
أثناء التشغيل، يكرر LAM دورة واحدة حتى إنجاز المهمة: قراءة الطلب والحالة الراهنة، واختيار فعل، وترك أداة التنفيذ تنفّذه، ثم ملاحظة النتيجة.
الأفعال عبر واجهات API والواجهات#
عندما يوفر التطبيق واجهة API، يُصدر النموذج استدعاءات الدوال: عملية مسماة ذات وسائط تطابق مخطط JSON، ويتحقق منها إطار عمل الوكيل وينفذها. وعندما لا يوفر البرنامج سوى واجهة رسومية، يعمل النموذج مثل وكيل استخدام الحاسوب، فيختار عنصر تحكم من شجرة إمكانية الوصول أو يحدده في لقطة شاشة من خلال الإرساء، ثم ينقر ويكتب. إجراءات API أسرع وأسهل في التحقق، لذا تفضّلها الوكلاء حيثما توفرت وتلجأ إلى الشاشة للبرمجيات القديمة. وتصبح الرؤية إجراء API إضافيًا: يجيب نموذج YOLO26 منشور على نقطة نهاية مخصصة في منصة Ultralytics عن طلب POST واحد يحمل ملف صورة أو عنوان URL، ويقدم نتائج اكتشاف الأجسام بصيغة JSON، وهو نوع المخرجات المنظّمة نفسه الذي يقرأه النموذج من أي أداة أخرى.
نماذج LAM والمصطلحات ذات الصلة#
- LLM: نموذج مدرّب على توليد النصوص. يكون LAM عادةً نموذج LLM خضع لمزيد من التدريب حتى تصبح مخرجاته أفعالًا قابلة للتنفيذ، ويغدو الحد الفاصل غير واضح مع اكتساب النماذج العامة إمكانات استدعاء الدوال واستخدام الكمبيوتر.
- وكيل ذكاء اصطناعي: النظام الكامل الذي يضم النموذج وأداة التشغيل والأدوات والذاكرة والأذونات، وغالبًا ما يُبنى بوصفه سير عمل وكيلًا. أما LAM فهو النموذج داخله الذي يقرر كل فعل.
- الاسترجاع المعزّز بالتوليد الوكيلي: يستخدم استدعاءات الأدوات للبحث وجمع المعلومات قبل الإجابة عن سؤال. وتغيّر الأفعال التي ينفذها LAM حالة النظام، مثل إرسال بريد إلكتروني أو تحرير مستند أو تقديم نموذج.
- نماذج الرؤية واللغة والفعل (VLA): المقابل في الروبوتات ضمن الذكاء الاصطناعي المتجسّد، إذ تحول صور الكاميرا والتعليمات إلى أوامر حركية، مثل Gemini Robotics. وأظهر RT-2 من Google DeepMind، الذي صدر في يوليو 2023، هذا النهج عبر ضبط نموذج رؤية ولغة ضبطًا دقيقًا لإخراج أفعال الروبوت على هيئة رموز نصية.
