בעידן שבו דגמי שפה גדולים (LLM) עוברים משימוש סטטי לסוכנים מתפתחים עצמיים, אתגרים כמו התכנסות מוקדמת וחיפוש לא יעיל במרחבים מימדיים גבוהים מעכבים את ההתקדמות. כדי להתגבר על כך, חוקרים מציגים את LoongFlow – מסגרת סוכנים מתפתחים עצמיים שמשיגה איכות פתרונות ברמה עולמית בעלויות מחשוב נמוכות בהרבה. LoongFlow משלבת LLM בתהליך קוגניטיבי מסוג 'תכנן-בצע-סכם' (PES), שממיר את החיפוש האבולוציוני לתהליך חשיבה מובנה וממוקד.
בניגוד למפעילי מוטציה 'עיוורים', LoongFlow משתמשת ב-PES כדי לשפר את החיפוש האבולוציוני. המסגרת כוללת מערכת זיכרון אבולוציונית היברידית המשלבת מודלים רב-אי (Multi-Island) עם MAP-Elites ובחירה אדפטיבית של Boltzmann. שילוב זה מאזן באופן תיאורטי בין חקירה לניצול, שומר על נישות התנהגותיות מגוונות ומניע תקיעות באופטימיזציה. החוקרים מיישמים את LoongFlow בשני סוכנים: סוכן כללי לגילוי אלגוריתמים וסוכן למידת מכונה לאופטימיזציה של צינורות.
במבחנים מקיפים על ספסל הניסוי AlphaEvolve ועל תחרויות Kaggle, LoongFlow עוקפת baselines מובילים כמו OpenEvolve ו-ShinkaEvolve בשיפור של עד 60% ביעילות אבולוציונית, תוך גילוי פתרונות עליונים. התוצאות מראות כי המסגרת מצליחה לייצר פתרונות ברמת מומחים בעלויות מחשוב מופחתות, מה שמסמן קפיצה משמעותית בגילוי מדעי אוטונומי.
המשמעות של LoongFlow היא בהפיכת חיפוש אבולוציוני לחכמה יותר, רלוונטית במיוחד לעסקים ישראליים בתחום הבינה המלאכותית שמחפשים כלים יעילים לאופטימיזציה. בהשוואה לשיטות מסורתיות, היא מפחיתה את הצורך במשאבים כבדים ומאפשרת חקירה יעילה יותר במרחבים מורכבים כמו קוד וצינורות ML. בישראל, שבה חברות כמו Mobileye ו-Wiz משקיעות רבות ב-AI, כלים כאלה יכולים להאיץ פיתוח.
למנהלי עסקים, LoongFlow פותחת אפשרויות חדשות לשיפור אוטומטי של אלגוריתמים ומודלים. עם זאת, יש לבחון את ההטמעה בפועל. האם זו הבאה בתור בגילוי מדעי אוטונומי? המחקר מציע כן, ומזמין ניסויים נוספים.