بررسی مدل‌های بنیادی زبانی و نقش حافظه اپیزودیک در هوش مصنوعی عامل‌محور (Agentic AI)

بررسی مدل‌های بنیادی زبانی و نقش حافظه اپیزودیک در هوش مصنوعی عامل‌محور (Agentic AI)

حمید مجرد1 محمد حسن ناصحی2 سیده سالی سمیعی3

1) دانشجوی دوره دکترای هوش مصنوعی، دانشگاه آزاد اسلامی واحد کاشان،
2) دانشجوی دوره دکترای هوش مصنوعی، دانشگاه آزاد اسلامی واحد کاشان،
3) دانشجوی دوره ارشد کامپیوتر، دانشگاه آزاد تهران،

کد IOI مقاله : AAHD-AAKFKG
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    در سال‌های اخیر، مدل‌های بنیادی زبانی (Large Language Models) به‌عنوان هسته‌ی اصلی هوش مصنوعی مولد، تحولی چشمگیر در درک و تولید زبان طبیعی ایجاد کرده‌اند. بااین‌حال، این مدل‌ها به‌دلیل ساختار ایستا و فقدان حافظه پایدار، در مدیریت تعاملات بلندمدت و یادآوری تجربیات گذشته با چالش مواجه‌اند. هدف این پژوهش، بررسی مفهومی و تحلیلی نقش حافظه اپیزودیک در بهبود عملکرد مدل‌های زبانی بزرگ در محیط‌های عامل‌محور است. در این مطالعه با روش تحقیق مروری، مقالات علمی منتشرشده در بازه‌ی زمانی ۲۰۲۲ تا ۲۰۲۵ بررسی و سازوکارهای تلفیق حافظه با معماری ترنسفورمر تحلیل شده است. یافته‌ها نشان می‌دهد که افزودن ماژول‌های حافظه اپیزودیک به مدل‌های بنیادی، سبب ارتقای قابلیت استدلال، حفظ زمینه گفت‌وگو، و بهبود تصمیم‌گیری در عامل‌های هوشمند می‌شود. همچنین، استفاده از چارچوب‌های عامل‌محور مانند ReAct و MemGPT مسیرهای نوینی برای ایجاد هوش مصنوعی با تداوم شناختی و رفتارهای شبه‌انسانی فراهم کرده است. در پایان، نتایج پژوهش نشان می‌دهد که ترکیب مدل‌های بنیادی با حافظه اپیزودیک می‌تواند زمینه‌ساز ظهور عامل‌های هوشمندی باشد که به‌جای پاسخ‌دهی منفعلانه، دارای تداوم شناختی، رفتار تطبیقی و قابلیت یادگیری تجربی هستند.

کلمات کلیدی : مدل‌های زبانی بزرگ حافظه اپیزودیک هوش مصنوعی عامل‌محور ترنسفورمر مدل‌های بنیادی یادگیری عمیق