ხელოვნური ინტელექტის სამყარო „ციკლების“ (Loops) ეპოქაში შედის: რატომ არის ეს მნიშვნელოვანი?

პარასკევს, Meta-ს @Scale კონფერენციაზე Claude Code-ის შემქმნელი, ბორის ჩერნი გამოვიდა. აუდიტორიის მხრიდან პირველივე შეკითხვა მოულოდნელად „ციკლებს“ (loops) შეეხებოდა: „არის თუ არა ციკლები მორიგი მარკეტინგული აჟიოტაჟი, თუ ეს რეალური ტექნოლოგიური წინსვლაა?“ ჩერნის პასუხი ცალსახა და ემფატიკური იყო — ეს რეალობაა.

მისი განმარტებით, ტექნოლოგიური ევოლუცია სწრაფად მიმდინარეობს: თუ ორი წლის წინ პროგრამულ კოდს ხელით ვწერდით, შემდეგ კი აგენტებზე გადავედით, რომლებიც კოდს ჩვენ ნაცვლად წერდნენ, ახლა უკვე იმ ეტაპზე ვართ, როდესაც აგენტები სხვა აგენტებს აძლევენ დავალებებს (prompting), რომლებიც შემდეგ კოდს ქმნიან. ჩერნი მიიჩნევს, რომ გადასვლა სტანდარტული კოდიდან აგენტებზე დიდი ნაბიჯი იყო, თუმცა „ციკლების“ შემოღება არანაკლებ მნიშვნელოვანი და მასშტაბური ეტაპია.

გამოსვლისას ჩერნიმ დეტალურად ისაუბრა იმ ციკლებზე, რომლებსაც ის საკუთარ მუშაობაში იყენებს. მაგალითად, ერთი აგენტი მუდმივად ეძებს კოდის არქიტექტურის გაუმჯობესების გზებს, ხოლო მეორე — დუბლირებულ აბსტრაქციებს მათ გასაერთიანებლად. ისინი სხვა პროგრამისტების მსგავსად აგზავნიან Pull Request-ებს და ვინაიდან კოდი მუდმივად იცვლება, მათი მუშაობა არასდროს წყდება. ეს მძლავრი იდეაა, განსაკუთრებით მაშინ, როდესაც მის უკან ჩერნის მსგავსი გავლენიანი ფიგურა დგას.

აგენტური AI-დან უწყვეტ ციკლებამდე

აგენტურ AI-ზე გადასვლისას, მომხმარებელთა უმეტესობის ყურადღება აგენტების ეფექტურ მართვაზე იყო მიმართული: მკაფიო მიზნების დასახვა, პროგრესის კონტროლი და ინსტრუქციებიდან გადახვევის აღკვეთა. „ციკლი“ კი ამ პროცესს კიდევ უფრო შორს მიჰყავს — ის აგენტების მთელ ჯგუფს აძლევს უფლებას, ფონურ რეჟიმში უწყვეტად და დაუსრულებლად იმუშაონ. ეს ხელოვნური ინტელექტისადმი დიდ ნდობას მოითხოვს, თუმცა მოდელების სწრაფი დახვეწის ფონზე, ეს შესაძლოა რეალური სამუშაოს შესრულების შემდეგი ეტაპი გახდეს.

მნიშვნელოვანია აღინიშნოს, რომ ეს მიდგომა სრულიად ახალი არ არის. რეკურსიული ციკლები — ფუნქციები, რომლებიც საკუთარ თავს იძახებენ მოქმედების გასამეორებლად გარკვეული პირობის შესრულებამდე — კომპიუტერული მეცნიერების საფუძველია. განსხვავება ისაა, რომ AI ციკლები არადეტერმინისტულ ლოგიკას ეყრდნობა, სადაც სუბაგენტი თავად წყვეტს, როდის შეწყვიტოს ციკლი და არა წინასწარ განსაზღვრული მკაფიო პირობა.

პოპულარული მეთოდები: Ralph Loop

კლასიკური გამოთვლითი სისტემებისგან განსხვავებით, აგენტური ციკლები შეიძლება საოცრად მარტივი იყოს. ერთ-ერთი პოპულარული მეთოდია „რალფის ციკლი“ (Ralph Loop), რომელიც მოდელის მიერ შესრულებულ სამუშაოს აჯამებს და ეკითხება მას, მიაღწია თუ არა დასახულ მიზანს. ეს ეხმარება AI მოდელებს, არ „დაიკარგონ“ ხანგრძლივი მუშაობისას და დაუბრუნდნენ მთავარ ამოცანას მის დასრულებამდე.

გამოთვლითი რესურსები და ხარჯები

ციკლების გამოყენება ასევე განიხილება, როგორც ტესტირების დროის გამოთვლითი სიმძლავრის (test-time compute) გაზრდის ნაწილი. OpenAI-ს მკვლევარმა, ნოამ ბრაუნმა აღნიშნა, რომ თანამედროვე მოდელებს თითქმის ნებისმიერი პრობლემის გადაჭრა შეუძლიათ, თუ მათ საკმარის გამოთვლით რესურსს დავუთმობთ. ეს ნიშნავს, რომ პრობლემის გადაჭრის ერთ-ერთი გზა მასზე რესურსების უწყვეტი მიმართვაა მანამ, სანამ საქმე არ დასრულდება.

ეს განსაკუთრებით ეხება ე.წ. „hill-climbing“ ტიპის ამოცანებს, როგორიცაა კოდის ბაზის გაუმჯობესება, სადაც მოდელს შეუძლია მცირე, ეტაპობრივი ცვლილებები მანამ შეიტანოს, სანამ სასურველ ზღვარს არ მიაღწევს. თუმცა, ამ მიდგომას თავისი უარყოფითი მხარეც აქვს — ის საკმაოდ ძვირია:

• AI ციკლები გაცილებით მეტ ტოკენს მოიხმარენ, ვიდრე ჩვეულებრივი ჩატბოტები.
• ვინაიდან ციკლი მუდმივად მუშაობს, ხარჯების ზედა ზღვარი პრაქტიკულად არ არსებობს.
• ეს მომგებიანია ისეთი კომპანიებისთვის, როგორიცაა Anthropic (რომლებიც ტოკენებს ყიდიან), მაგრამ მომხმარებლებისთვის შესაძლოა საკმაოდ ხარჯიანი აღმოჩნდეს.

მიუხედავად ამისა, იმის მიხედვით, თუ რა პრობლემის გადაჭრას ცდილობს აგენტური ციკლი და რამდენად სწორად არის გამართული კონტროლის მექანიზმები (ხარჯების და მოდელის გადახრის მონიტორინგი), მიღებული სარგებელი შესაძლოა იმდენად დიდი იყოს, რომ გაწეული ხარჯები გადაფაროს.