چگونه عوامل هوش مصنوعی با خوداصلاحی به دقت ۹۶ درصدی در کدنویسی اقتصادسنجی می‌رسند

مدل‌های زبان بزرگ زمانی که از آن‌ها خواسته می‌شود کد آماری پیچیده را در یک مرحله بنویسند، به طرز مشهودی شکننده هستند. اما وقتی به همین مدل‌ها عاملیت داده می‌شود تا کد خود را اجرا کنند، پیام‌های خطا را بخوانند و کار خود را بازبینی کنند، دقت آن‌ها از یک نمره قبولی به تقریباً کمال می‌رسد.[3]

مکانیسم پشت این جهش، تغییر از هوش مصنوعی «ابزارمحور» به هوش مصنوعی «عاملیت‌محور» است. به جای تولید یک اسکریپت و امید به کار کردن آن، یک عامل خودمختار وظیفه پیچیده اقتصادسنجی را تجزیه می‌کند، نرم‌افزار آماری تخصصی را فرا می‌خواند، نتایج میانی را ارزیابی می‌کند و از طریق خوداصلاحی تکرار می‌کند.[2]

شواهد اخیر از دفتر ملی تحقیقات اقتصادی (NBER) دقیقاً نشان می‌دهد که این حلقه خوداصلاحی چقدر قدرتمند شده است. در یک معیار دقیق از وظایف کاربردی اقتصادسنجی و آماری، یک چت‌بات استاندارد «بدون مثال» (zero-shot) به نرخ موفقیت ۷۴٫۴٪ دست می‌یابد.[1]

با این حال، هنگامی که مدل به عنوان یک «عامل محدودشده» (constrained agent) به کار گرفته می‌شود – به این معنی که اجازه دارد کد را اجرا کند و بر اساس خروجی آن را بازبینی کند – نرخ موفقیت وظیفه به ۹۵٫۷٪ افزایش می‌یابد. این دستاوردها عمدتاً ناشی از توانایی مدل در اطمینان از قابل اجرا بودن کد و تولید فایل نتیجه مورد نیاز است.[1]

این تکرار خودمختار اساساً نحوه تعامل هوش مصنوعی با زبان‌های برنامه‌نویسی تخصصی را تغییر می‌دهد. در مدل چت‌بات استاندارد، شکاف عملکردی بزرگی بین زبان‌های عمومی و نرم‌افزارهای آماری تخصصی وجود دارد.[1][3]

در محیط «بدون مثال»، Python و R هر دو به نرخ موفقیت وظیفه تقریباً ۸۹٪ دست می‌یابند. Stata، یک زبان تخصصی که به شدت در اقتصادسنجی استفاده می‌شود، با نرخ تنها ۴۵٫۷٪ بسیار عقب‌تر است. چت‌بات برای تولید دستور زبان (Syntax) بی‌نقص Stata در اولین تلاش، دچار مشکل می‌شود.[1]

اما در چارچوب عامل محدودشده، این شکاف از بین می‌رود. از آنجا که عامل می‌تواند کد Stata خود را آزمایش کند و خطاهای نحوی را در حین کار اصلاح کند، نرخ موفقیت آن در Stata به ۹۸٫۱٪ می‌رسد – بالاترین نرخ موفقیت وظیفه در بین هر سه محیط نرم‌افزاری.[1]

داده‌ها یک اثر جایگزینی جذاب بین مهندسی دستور (Prompt Engineering) و عاملیت خودمختار را آشکار می‌کنند. برای مدل‌هایی مانند Claude Sonnet 4.6 و GPT-5.4، ارائه مثال‌های دقیق – که به عنوان «دستوردهی چندمثالی» (few-shot prompting) شناخته می‌شود – عملکرد یک چت‌بات پایه را به طور قابل توجهی بهبود می‌بخشد.[1]

با این حال، هنگامی که مدل به عنوان یک عامل خودمختار عمل می‌کند، آن دستورات دقیق تقریباً هیچ مزیت اضافی ارائه نمی‌دهند. توانایی آزمایش و بازبینی کد به عنوان جایگزینی برای دستورالعمل‌های کامل اولیه عمل می‌کند و بار کاربر انسانی را برای مهندسی دستور بی‌نقص کاهش می‌دهد.[1][3]

هزینه مالی این خوداصلاحی به طرز چشمگیری پایین است. دورهای اضافی مدل و فراخوانی ابزارهای مورد نیاز برای بازبینی کد توسط عامل، تنها حدود هشت سنت در هر اجرا هزینه اضافه می‌کند، که عاملیت خودمختار را به یک استراتژی بسیار مقرون‌به‌صرفه برای تحقیقات تجربی تبدیل می‌کند.[1]

با وجود این پیشرفت‌ها، ۴٪ باقی‌مانده از شکست‌ها، محدودیت‌های فعلی هوش مصنوعی عاملیت‌محور را برجسته می‌کند. هنگامی که یک عامل شکست می‌خورد، معمولاً به این دلیل نیست که کد اجرا نمی‌شود، بلکه به این دلیل است که تخمین‌گر کمی متفاوتی را پیاده‌سازی می‌کند، از یک قرارداد داده‌ای متفاوت پیروی می‌کند، یا محاسبه درخواستی را اشتباه تفسیر می‌کند.[1]

از آنجا که کد در این موارد شکست با موفقیت اجرا می‌شود، حلقه خوداصلاحی عامل هرگز فعال نمی‌شود. اجرای صرف نمی‌تواند سوءتفاهم اساسی از نظریه اقتصادی زیربنایی را آشکار کند.[1][2]

این امر به مرز بعدی در تحقیقات با کمک هوش مصنوعی اشاره دارد: فراتر رفتن از اصلاح نحوی به تأیید مفهومی. همانطور که عوامل هوش مصنوعی به ابزارهای استاندارد در تحلیل داده تبدیل می‌شوند، نقش محقق انسانی از نوشتن کد به تأیید دقیق منطق اقتصادی خروجی عامل تغییر می‌کند.[3][4]

انتقال به هوش مصنوعی عاملیت‌محور نشان‌دهنده یک تغییر ساختاری در نحوه انجام تحقیقات تجربی است. اقتصاددانان و دانشمندان داده به طور فزاینده‌ای هوش مصنوعی را نه به عنوان یک تکمیل‌کننده خودکار پر زرق و برق، بلکه به عنوان یک مشارکت‌کننده مفهومی در طراحی تحقیق می‌بینند که می‌تواند به طور خودمختار در محیط‌های داده‌ای پیچیده حرکت کند.[4]

در نهایت، این تغییر اصطکاک ترجمه نظریه اقتصادی به کد عملیاتی را کاهش می‌دهد. با خودکارسازی فرآیند خسته‌کننده اشکال‌زدایی نحوی، محققان می‌توانند مدل‌های پیچیده را بسیار سریع‌تر تکرار کنند، سرعت کشف علمی را تسریع بخشند در حالی که استاندارد بالاتری از نظارت نظری را طلب می‌کنند.[2][3]