أبحاث مستقلة، ونتائج منشورة

تُدرَّب أنظمة الذكاء الاصطناعي الحالية مرة واحدة، ثم تُجمَّد وتُنشر. فهي لا تتعلم من المحادثات، ولا تحتفظ بالمعرفة بين الجلسات، ولا تبني على تجربتها الخاصة. وتجادل الورقة بأن هذه ليست مشكلة قدرة حوسبية، بل مشكلة معمارية. فلا قدر من التوسيع سيمنح نموذجًا ثابتًا القدرة على النمو.

تقترح DKA نموذجًا مختلفًا جذريًا: بدلًا من تجميع ذكاء مكتمل عبر تدريب مسبق هائل، فإنك تُفقِسه. يبدأ النظام بنواة لغوية صغيرة (نموذج بـ 3-7B من المعاملات يفهم اللغة لكنه لا يعرف شيئًا عن العالم)، ثم يكتسب القدرات عبر التفاعل المنظّم والممارسة والتحقق والذاكرة الدائمة. وتصبح كل مهارة دعامة للتي تليها، على غرار نمو الذكاء البيولوجي من قدرة فطرية إلى كفاءة مكتسبة.

تتألف البنية من خمسة أنظمة فرعية مترابطة: نواة اللغة للفهم التأسيسي، وركيزة الذاكرة الدائمة التي تخزّن المعرفة المكتسبة بين الجلسات، ومحرك اكتساب المهارات الذي يحدد الفجوات ويتعلّم بالممارسة، وإطار التحقق الذي يختبر المهارات المكتسبة مقابل الحقيقة المرجعية، والمتحكم ما وراء المعرفي الذي يراقب حالة معرفة النظام ذاته ويوجّه أولويات التعلّم.

تتضمن الورقة مواصفات تنفيذ ملموسة، منها هياكل الذاكرة وأنماط تدفق البيانات والشيفرة الزائفة ومتطلبات العتاد، وتعرض إثبات مفهوم مرحليًا يمكن تحقيقه بأقل من $100K باستخدام عتاد تجاري شائع ومكونات مفتوحة المصدر قائمة. كل مكوّن تحتاجه DKA موجود اليوم كتقنية بمستوى الإنتاج. وتكمن جِدّة DKA لا في حاجتها إلى اختراعات جديدة، بل في أنها تؤلّف مكونات قائمة ومُثبتة ضمن بنية لم يجمعها أحد من قبل.