Google Cloud AI Research opracował ReasoningBank, nowy framework, który uczy się ze strategii rozumowania zastosowanych przez agenty AI, zarówno tych, które się powiodły, jak i tych, które skończyły się porażką. Chodzi o inteligentny system pamięci, który przechowuje i rewitalizuje te strategie - podobnie jak ekspert uczy się z doświadczeń, zapisując sobie notatki o tym, co zadziałało, a co nie. Framework jest w stanie wziąć konkretny przykład niepowodzenia agenta i wyciągnąć z niego generalną lekcję, którą następnie może zastosować w nowych sytuacjach. To podejście otwiera nowe możliwości w tym, jak trenujemy i doskonalimy pracę sztucznej inteligencji.
Dotychczas systemy AI uczyły się głównie na zasadzie copy-paste - skopiuj dane treningowe, trenuj model, gotowe. ReasoningBank zmienia tę filozofię. Zamiast traktować każdy błąd agenta jako izolowany przypadek, framework ekstrahuje z niego abstrakcyjny wzorzec rozumowania. Jeśli agent napotka problem typu A i go rozwiąże, a następnie trafi na problem typu B wymagający podobnego podejścia, ReasoningBank potrafi przepisać strategię z problemu A na problem B. To trochę jak nauczyciel, który po tym, jak uczeń raz zrozumie geometrię, potrafi jej nauczyć inne osoby, nie zaczynając od zera za każdym razem.
Dla branży AI to może być transformacyjna zmiana. Tradycyjne destylowanie wiedzy z modeli dużych na mniejsze zawsze było skomplikowane i nieefektywne - traciło się wiele istotnych informacji w procesie. ReasoningBank proponuje bardziej eleganckie rozwiązanie: zamiast gęstego transferu wszystkich parametrów, skupia się na kluczowych wzorcach myślenia. W praktyce oznacza to agenty, które szybciej się uczą, efektywniej rozwiązują nowe problemy i są bardziej przewidywalne w swoim działaniu. Google chciałoby, aby to narzędzie pomogło uruchomić nową generację inteligentnych asystentów, które potrafią bawić się swoimi doświadczeniami znacznie bardziej zwinnie niż dotychczasowe modele.