Hakuna Marekebisho ya Vigezo, Andika Tu Msimbo! Kazi Mpya ya Timu ya Jeff Clune: Moduli ya Kumbukumbu ya Mageuzi ya Kiotomatiki ya Meta Agent

Kuelekea Software 3.0, AI inaanza kuandika msimbo wa Python yenyewe ili kubadilisha ubongo.

Katika maji marefu ya ukuzaji wa Agent, kumbukumbu (Memory) daima ni changamoto isiyoepukika.

Ingawa uwezo wa miundo msingi unaongezeka kila siku, kimsingi haina hali (Stateless) katika mchakato wa kutoa maoni, ambayo hupunguza uwezo wa Agent kuendelea kukusanya uzoefu.

Hivi sasa, suluhisho kuu za tasnia ya kushughulikia kumbukumbu, iwe ni RAG au muhtasari wa dirisha linaloteleza, kimsingi bado ziko katika hatua ya sheria za kibunifu zilizoundwa na binadamu.

Moduli hii ya kumbukumbu iliyoundwa kwa mikono ni dhaifu sana na ni ngumu kuhamisha. Prompt na mantiki ya utafutaji iliyorekebishwa kwa uangalifu kwa mifumo ya mazungumzo mara nyingi itashindwa moja kwa moja mara tu inapowekwa kwenye kazi za upangaji wa muda mrefu (kama vile ALFWorld) au michezo ngumu ya mkakati.

Kuhusu shida hii, Profesa wa UBC na mtafiti wa zamani wa OpenAI Jeff Clune na timu yake walitoa suluhisho la kipekee.

Kwa kuwa haijulikani ni muundo gani wa kumbukumbu ni bora, basi wacha Agent ajiandikie msimbo wa Python ili kuubuni.

Hii ndiyo ALMA (Automated meta-Learning of Memory designs for Agentic systems) iliyotolewa hivi punde.

Kutoka ADAS hadi ALMA: Ubunifu wa Kiotomatiki Kulingana na Msimbo

ALMA ni muendelezo wa njia ya kiufundi ya algoriti ya uzalishaji wa AI ambayo timu imekuwa ikiendeleza hivi karibuni.

Katika ADAS (Automated Design of Agentic Systems), timu ilithibitisha kuwa katika kubuni usanifu wa Agent, msimbo ni nafasi bora zaidi ya utafutaji kuliko uzani wa mtandao wa neva au Soft Prompts. Msimbo una ukamilifu wa Turing na una uwezo mkubwa wa kufafanua.

Baadaye katika DGM (Darwin Gödel Machine), timu ilianzisha dhana ya uchunguzi wa wazi katika algoriti za mageuzi, ikidumisha kumbukumbu ya muundo, na kuhimiza muundo kuchunguza suluhisho mpya.

ALMA inarithi dhana ya uzalishaji wa msimbo wa ADAS na mkakati wa mageuzi wa DGM, ikizingatia matumizi ya vipengele vinavyotegemea uzoefu wa binadamu zaidi katika mfumo wa Agent - kumbukumbu.

Utaratibu wa Kazi wa ALMA

Mekaniki ya uendeshaji ya ALMA ni kitanzi cha kawaida cha kujifunza meta. Meta Agent haishughulikii kazi moja kwa moja, lakini inawajibika kwa upangaji. Mchakato unajumuisha hatua nne:

• Wazo: Kuchambua kumbukumbu ya sasa ya muundo, kulingana na utendaji wa kihistoria, kuunda mpango wa uboreshaji
• Upangaji: Kubadilisha wazo kuwa mantiki ya msimbo bandia
• Utekelezaji: Kuandika msimbo wa Python unaoweza kutekelezwa, kufafanua kazi kuu
• Tathmini: Kupeleka msimbo uliotengenezwa katika mazingira ya sandbox ili kutekeleza kazi, kutoa maoni juu ya viashiria vya utendaji

Katika mchakato wa mageuzi, ALMA itazalisha mti mkubwa wa muundo. Kadiri idadi ya hatua za marudio inavyoongezeka, msimbo wa kumbukumbu uliotengenezwa hatua kwa hatua hubadilika kutoka kwa mantiki rahisi ya uhifadhi hadi usanifu tata wa utambuzi.

Muundo wa Kumbukumbu Uliobadilika

Miundo ya kumbukumbu iliyotengenezwa na ALMA imeonyesha tofauti kubwa katika kazi tofauti:

• MiniHack (Utafutaji wa Shimoni): Iliyoundwa moduli ya Risk and Interaction, ilirekodi wazi shughuli zinazosababisha upotezaji wa damu na uchokozi wa monsters
• Baba Is AI (Mafumbo ya Kimantiki): Iliyoundwa Strategy Library, ilirekodi mchanganyiko wa sheria zinazohitajika kupita viwango

Hii inaonyesha kuwa AI inaweza kutambua sifa za kazi: michezo ya kuishi inahitaji kuzingatia hatari, na michezo ya mafumbo inahitaji kuzingatia uchukuaji wa sheria.

Matokeo ya Majaribio

ALMA ililinganishwa na msingi mkuu katika mazingira manne: TextWorld, ALFWorld, MiniHack, na Baba Is AI.

Kwenye muundo wa GPT-5-mini, kiwango cha wastani cha mafanikio cha ALMA kilifikia 53.9%, bora kuliko G-Memory (46.0%) na Trajectory Retrieval (48.6%).

Katika suala la ufanisi wa gharama, ALMA ilitumia wastani wa 1,319 tokens pekee, wakati Trajectory Retrieval ilitumia hadi 9,149 tokens, na G-Memory pia ilifikia 6,055 tokens. ALMA ilipata utendaji bora kwa gharama ya takriban 1/7 hadi 1/5 pekee.

Hitimisho

ALMA inaonyesha uwezekano wa mpito kutoka Software 2.0 (Neural Networks) hadi Software 3.0 (AI-Generating Algorithms).

Katika ukuzaji wa Agent, muundo wa moduli ya kumbukumbu kwa muda mrefu umetegemea intuition ya wahandisi. ALMA imethibitisha kuwa kupitia kujifunza meta na uzalishaji wa msimbo, AI inaweza kugundua kiotomatiki usanifu bora wa kumbukumbu kulingana na mazingira maalum.

Viungo vya Rasilimali

• Karatasi: https://arxiv.org/pdf/2602.07755
• Msimbo: https://github.com/zksha/alma
• Ukurasa Mkuu wa Mradi: https://yimingxiong.me/alma