منسّق نماذج اللغة الكبيرة للطاقة: طلب واحد يُفعّل مجموعة كاملة من نماذج الذكاء الاصطناعي المتخصصة
في العمل الجديد، تم اقتراح بنية ADN-Agent، حيث يتولى نموذج لغوي كبير دور المنسق لمجموعة من النماذج المتخصصة المستخدمة في إدارة شبكات التوزيع. يقوم النظام بنفسه بتحديد معنى الطلب، وتقسيمه إلى مراحل، واختيار الأدوات المناسبة، وربطها عبر واجهة موحدة، ولتبسيط المهام النصية الفرعية، يتم استخدام ضبط دقيق آلي لنماذج LLM المدمجة.

لماذا تُشكّل الطاقة الموزّعة تحديًا لمشغلي الشبكات
أصبحت شبكات التوزيع النشطة أقل شبهاً بـ«الأنبوب» التقليدي الذي تتدفق عبره الكهرباء في اتجاه واحد. بسبب الربط الواسع النطاق للألواح الشمسية، وأنظمة التخزين، ومحطات الشحن، وظهور مستهلكين نشطين يشترون ويبيعون الطاقة في الوقت نفسه، تتحول إدارة هذه الشبكات إلى مهمة تتسم بتعدد السيناريوهات والأهداف المتضاربة. يجب أن يراعي القرار الواحد كلاً من الموثوقية، والاقتصاد، وقيود المعدات، وإشارات السوق — وذلك في زمن يقترب من الزمن الحقيقي.
لحل مثل هذه المشكلات، ابتكر المهندسون والباحثون في السنوات الأخيرة العديد من النماذج شديدة التخصص: بعضها يتنبأ بالحمل، وبعضها الآخر يحسّن تدفقات القدرة، وثالثها يقيّم حالة الشبكة. تعمل هذه النماذج بشكل جيد عند استخدامها بشكل منفرد. ولكن عندما يواجه المشغل مهمة معقدة جديدة، يتعين عليه يدويًا اختيار الخوارزميات المناسبة، والاطلاع على واجهاتها، ونقل البيانات بينها، وتفسير النتائج. يتطلب هذا مستوى عالياً من المهارة وقدراً هائلاً من العمل اليدوي. تقريبًا كل سيناريو جديد يتحول إلى مشروع تكامل مستقل.

تظهر هنا مفارقة: عدد نماذج الذكاء الاصطناعي المتخصصة في تزايد مستمر، لكن فائدتها المجمعة للمشغل لا تنمو بنفس السرعة، لأن الكثير من الوقت يُهدر في التنسيق بينها. هناك حاجة إلى أداة تتولى الجزء الروتيني من هذا العمل: تفهم طلب الإنسان، وتقسّمه إلى مهام فرعية، وتستدعي النماذج المناسبة بالتسلسل الصحيح.
منسّق LLM يحوّل الطلب المعقد إلى سير عمل فعّال
اقترحت مجموعة من الباحثين بقيادة Xu Yang نهجًا يقوم فيه نموذج لغوي كبير بدور المنسق. أُطلق على هذا التطوير اسم ADN-Agent. الفكرة تكمن في أن المستخدم يتواصل مع النظام بلغة طبيعية، بينما يقوم النموذج اللغوي داخليًا بتنسيق مجموعة من النماذج المتخصصة — أولئك الخبراء الضيقون الموجودون بالفعل في قطاع الطاقة.
من الناحية العملية، يبدو الأمر كما يلي: يكتب المشغل طلبًا واحدًا، على سبيل المثال، «تقييم عواقب فصل مغذٍّ مع توقعات طقس كذا وكذا واقتراح التحويل الأمثل». ليست هناك حاجة لتشغيل التنبؤ، وحساب نمط الحالة المستقرة، ونموذج التحسين يدويًا. يقوم ADN-Agent بنفسه بتحديد النية، وتقسيم المهمة إلى مراحل، وتحديد النماذج المتخصصة التي يجب إشراكها في العمل. بفضل الاختيار التكيفي للنماذج، يمكن للنظام التكيف مع أنواع مختلفة من الأسئلة دون أن يتطلب من المستخدم معرفة تفاصيل تنفيذ كل نموذج.

من المهم أن LLM لا يحاول بنفسه حساب الطاقة أو حل المعادلات. هذه نقطة جوهرية: النماذج اللغوية جيدة في فهم السياق والتخطيط، لكنها ليست جيدة في الحسابات الرقمية. لذلك، يُسند ADN-Agent العمليات الحسابية إلى النماذج المتخصصة الموثوقة، ويحتفظ لنفسه بدور «المنسق» — تقسيم المهام، واختيار الأدوات، وتجميع الإجابة في شكل مفهوم للبشر.
واجهة موحّدة لتنوّع النماذج
من أهم المشكلات عند بناء مثل هذه الأنظمة عدم تجانس النماذج المتخصصة. فهي مكتوبة بلغات برمجة مختلفة، وتستخدم تنسيقات بيانات مختلفة، وتتوقع هياكل إدخال مختلفة. لا يمكن ببساطة «إطعام» هذه المجموعة المتنوعة لنموذج لغوي. لذلك، ضمن بنية النظام، اقترح المؤلفون آلية تفاعل جديدة تمنح جميع النماذج واجهة موحدة ومرنة. بفضل هذا، يمكن للمنسق التواصل بالتساوي مع برنامج نصي بسيط أو مع أداة تحسين ثقيلة، دون الخوض في بنيتها الداخلية.
هذه الطبقة الموحدة ليست مجرد تفصيل تقني، بل شرط ضروري لقابلية التوسع. إذا ظهر نموذج متخصص جديد غدًا، يكفي توصيله بالحافلة المشتركة مرة واحدة، ليصبح متاحًا فورًا لجميع المستخدمين عبر طلب لغوي قياسي.
كيف يصبح النظام أكثر ذكاءً: ضبط دقيق لنماذج لغوية صغيرة
التنسيق باستخدام LLM ليس سوى نصف القصة. بعض المهام الفرعية ضمن الطلب المعقد تتطلب معالجة لغوية أكثر من الحسابات الرقمية. على سبيل المثال، استخراج معلمات كائن من نص حر، أو مطابقة أسماء المعدات، أو صياغة شرح للنتيجة. لمثل هذه العمليات كثيفة اللغة، طبق الباحثون أسلوبًا منفصلاً: قاموا بدمج نماذج لغوية صغيرة في النظام، يتم ضبطها بدقة عبر خط أنابيب آلي لوظائف محددة.
لماذا نحتاج إلى هذا إذا كان لدينا بالفعل نموذج لغوي كبير؟ لأن النماذج الصغيرة يمكن تشغيلها بسرعة وبتكلفة منخفضة في الزمن الحقيقي، وضبطها الدقيق على خصوصيات قطاع الطاقة يرفع دقة النظام ككل. علاوة على ذلك، فإن خط أنابيب التدريب مؤتمت بالكامل، أي أنه لا يتطلب جمعًا يدويًا للأمثلة في كل خطوة — فالنظام إلى حد كبير يجهّز البيانات بنفسه ويعلّم المساعدين. النتيجة هي بنية متعددة المستويات: LLM الكبير «يفكر» استراتيجيًا، بينما النماذج الصغيرة المضبوطة بدقة تنفذ العمليات اللغوية المحلية دون إثقال كاهل المنسق الرئيسي.
التجارب: المجموعة تتفوق على LLM المنفرد
لم يكتفِ المؤلفون بوصف الفكرة. فقد أجروا مقارنات تفصيلية وتجارب اقتطاع (ablation) اختبروا فيها مساهمة كل مكوّن — من آلية التوجيه إلى الضبط الدقيق للنماذج الصغيرة. أظهرت النتائج أن نهج ADN-Agent يتفوق على النماذج الحالية لاستخدام النماذج اللغوية الكبيرة في مهام الطاقة. وتكون الميزة ملحوظة بشكل خاص في الطلبات متعددة السيناريوهات والمعقدة، حيث يفتقر النموذج اللغوي الواحد إما إلى الدقة أو إلى القدرة على الاستعانة بالحلول الخارجية.

الورقة البحثية نفسها «One Request, Multiple Experts: LLM Orchestrates Domain Specific Models via Adaptive Task Routing» متاحة على arXiv تحت الرقم 2511.12484 وقد قُبلت للنشر في مجلة CSEE Journal of Power and Energy Systems في صيف عام 2026. هذه إشارة إلى أن العمل خضع لتقييم خبراء جاد، ولم يبقَ مجرد نسخة أولية. الاتجاه الذي يصبح فيه النموذج اللغوي ليس «موسوعة متنقلة» مستقلة، بل منسقًا مرنًا لمجموعة من النماذج المتخصصة، يبدو واعدًا للعديد من المجالات الصناعية — والطاقة هنا ليست سوى واحدة من البوادر الأولى.
الأسئلة المتكررة
المواد ذات الصلة
جميع المواد
AURA-Eval: كيفية التحقق من أن وكيل LLM قد أدرك المخاطر وغيّر خطوته التالية
يقيّم هذا الإطار سلوك وكلاء LLM لا استنادًا إلى الحكم النهائي، بل إلى استجابتهم للمخاطر عند نقاط محورية: إذ تُقطع مسارات استدعاء الأدوات، ثم يُطلب من النموذج مواصلة الاستدلال والتصرف، بينما تحلل لجنة من محكّمي LLM رصد المخاطر وطبيعة الخطوة ومدى أمانها. وفي 1249 مهمة جُمعت من 157 مسارًا لـ R-Judge، ازداد تواتر التصرفات غير الآمنة لدى 20 نموذجًا عند غياب مسار آمن، كما أدى رفع الإشراف قبل التنفيذ إلى تحويل 52,3% من الحالات الآمنة في الأصل إلى حالات غير آمنة.
10 نوفمبر 2026
ذاكرة خزان تشيرن-سايمونز: ديناميكيات الترابط الذاتية ونقل الكثافة
تتناول المقالة كيفية احتفاظ الخزان بتاريخ الإشارات الواردة في كلٍّ من توزيع الكثافة ودرجات الحرية الهندسية. وتُظهر مقارنة أربعة آليات أن التيار ينشئ مكوّنًا منفصلًا من مكوّنات الاتصال، يغيّر استجابة الكثافة لاحقًا، وأن أخذ جميع السمات المقاسة في الحسبان يحقق تحسنًا طفيفًا في فك ترميز ترتيب النبضات.
10 نوفمبر 2026
STAR: التطبيع التكيفي للسياق الزمني ومخطط الخدمات لإدارة الحوادث من البداية إلى النهاية
يُدرّب إطار STAR التمثيلات على المقاييس والسجلات وآثار التتبّع، مستخدمًا تطبيعًا قابلًا للتعلّم يراعي الديناميكيات الزمنية متعددة المقاييس وبنية التبعيات بين الخدمات. وعلى مجموعتي بيانات حقيقيتين، يحقق هذا النهج تحسنًا مستدامًا في جودة اكتشاف الحالات الشاذة وترتيب الأعطال وتحديد الأسباب الجذرية مقارنةً بأحدث الأساليب الأساسية.
10 نوفمبر 2026