🤖 AI

Chronology of Multi-Agent Interactions for Provenance of Evolving Information

تقترح هذه الورقة نظاماً للإسناد البعدي باستخدام "سجلات رمزية" لتتبع وتدوين أصل المحتوى الناتج عن الأنظمة متعددة الوكلاء التعاونية، مما يتيح المساءلة عبر تضمين سجلات موقعة ومختومة زمنياً مباشرة داخل المحتوى الاصطناعي دون الاعتماد على الذاكرة الداخلية أو البيانات الوصفية الخارجية.

المؤلفون الأصليون: Ching-Chun Chang, Isao Echizen

نُشر 2026-05-01

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Ching-Chun Chang, Isao Echizen

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل مجموعة من الكتاب يجلسون حول طاولة، يتناقلون دفتراً واحداً لكتابة قصة معاً. يبدأ الكاتب (أ) بفقرة، ثم يسلمها للكاتب (ب) الذي يقوم بتنقيحها، ثم للكاتب (ج) الذي يعيد كتابة نصفها، وهكذا. وبحلول الوقت الذي تكتمل فيه القصة، يبدو النص النهائي كقطعة واحدة متماسكة. ولكن إذا نظرت إلى الدفتر، فلن يكون هناك سبيل لمعرفة من كتب أي جزء، أو ما هو الترتيب الذي تم به ذلك. لقد تم استبدال المساهمات الأصلية، مما أدى إلى محو أي أثر للتاريخ.

تتناول هذه الورقة البحثية تلك المشكلة تحديداً، ولكن باستخدام وكلاء الذكاء الاصطناعي (AI agents) بدلاً من الكتاب البشر. فبينما تتعاون نماذج ذكاء اصطناعي متعددة لإنشاء محتوى، غالباً ما يختفي تاريخ "من فعل ماذا". يقترح المؤلفون حلاً ذكياً: نظاماً يخفي "إيصال" كل تفاعل مباشرة داخل القصة نفسها، دون الحاجة إلى أي سجلات خارجية أو بيانات وصفية (metadata).

إليك كيف يعمل نظامهم، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: تأثير "الممحاة"

في سلسلة الذكاء الاصطناعي المتعددة الوكلاء العادية، عندما يتولى وكيل جديد مهمة ما، فإنه غالباً ما يعيد كتابة النص السابق ليجعله يتدفق بشكل أفضل. الأمر يشبه رساماً يطلي فوق عمل فنان سابق لإصلاح خطأ ما. في النهاية، تُغطى اللوحة بطبقات من الطلاء الجديد، وتختفي الطبقات الأصلية. إذا أردت معرفة من رسم ماذا، فلا يمكنك مجرد النظر إلى الصورة النهائية؛ بل ستحتاج إلى دفتر ملاحظات منفصل (بيانات وصفية) لتتبع التاريخ. ولكن ماذا لو ضاع هذا الدفتر، أو حُذف، أو انفصل عن اللوحة؟ سيضيع التاريخ للأبد.

2. الحل: سجل "الحبر السري"

يقترح المؤلفون نظاماً يسمى "الكرونيكل" (Chronicle/السجل الزمني). فكر في هذا كشفرة سرية تُكتب في القصة باستخدام "حبر سري" (أنماط إحصائية في اختيار الكلمات) بدلاً من النص المرئي.

كتاب الشفرة (The Codebook): تخيل قاموساً ضخماً حيث يتم تخصيص لون معين لكل كلمة. ولكل مجموعة ممكنة من الكتاب (على سبيل المثال: "الكاتب 1 ثم الكاتب 2 ثم الكاتب 3")، هناك "نمط لوني" فريد مخصص لهذا التسلسل.
الانحياز (The Bias): عندما يوشك وكيل الذكاء الاصطناعي على كتابة الجملة التالية، يهمس له النظام: "بالنسبة لهذه اللحظة المحددة في القصة، يرجى الميل قليلاً نحو استخدام كلمات تتوافق مع نمط اللون السري الخاص بنا".
النتيجة: لا يزال الذكاء الاصطناعي يكتب قصة تبدو طبيعية، لكنه يختار لا شعورياً كلمات مختلفة قليلاً عما كان سيفعله عادةً. هذه الاختيارات الدقيقة تشكل بصمة مخفية تقول: "لقد كُتبت بواسطة الوكيل (أ)، ثم الوكيل (ب)، ثم الوكيل (ج)".

3. حلقة التغذية الراجعة: تحديث الإيصال

يعمل النظام مثل سباق تتابع حيث يكون "العصا" عبارة عن رسالة سرية.

البداية: تبدأ القصة بلوحة بيضاء (وكيل "خالٍ" أو null).
الخطوة 1: يكتب الوكيل 1 جزءاً. يقوم النظام بتحديث الرسالة السرية لتشمل "الوكيل 1" ويدمج هذه الرسالة الجديدة في النص الذي كتبه للتو.
الخطوة 2: يقرأ الوكيل 2 النص، ويرى رسالة "الوكيل 1" المخفية، ويحدث الرسالة السرية لتصبح "الوكيل 1 ← الوكيل 2". ثم يكتب الجزء التالي، مدمجاً هذه الرسالة المجمعة الجديدة في نصه.
التكرار: يستمر هذا العمل على طول الخط. في كل مرة يتم فيها إنشاء النص، يتم تحديث "الإيصال" الخاص بالتاريخ الكامل وإعادة دمجه في الكلمات الجديدة.

4. عمل المحقق: فك تشفير القصة

لاحقاً، إذا أراد شخص ما معرفة تاريخ القصة، فإنه لا يحتاج إلى السجلات الأصلية. كل ما عليه فعله هو أخذ النص النهائي وإجراء تحليل إحصائي.

ينظر "المفكك" (decoder) إلى الكلمات المستخدمة ويتساءل: "هل تطابق هذه الكلمات النمط الخاص بـ 'الوكيل 1 ثم 2 ثم 3'؟".
ولأن الذكاء الاصطناعي قد انحاز لاختيار كلمات محددة لهذا التاريخ تحديداً، فإن النمط الإحصائي سيكون قوياً بما يكفي للكشف عن التسلسل الدقيق للوكلاء، حتى لو تم تعديل النص أو إعادة كتابته عدة مرات.

5. المقايضة: الوضوح مقابل المثالية

تسلط الورقة الضوء على عملية توازن، تشبه ضبط الراديو:

إشارة قوية (انحياز عالٍ): إذا أمرت الذكاء الاصطناعي باتباع الشفرة السرية بصرامة شديدة، فسيكون من السهل قراءة التاريخ (دقة عالية). ومع ذلك، قد يبدو صوت القصة جامداً أو غير طبيعي لأن الذكاء الاصطناعي مُجبر على اختيار كلمات محددة.
إشارة ضعيفة (انحياز منخفض): إذا تركت الذكاء الاصطناعي يكتب بحرية أكبر، ستبدو القصة طبيعية، لكن الشفرة المخفية ستكون باهتة ويصعب اكتشافها، خاصة إذا تم تعديل النص أو استبدال الكلمات (مثل استبدال الكلمات بمرادفاتها).

6. ما أظهرته التجارب

اختبر الباحثون هذا النظام مع مجموعة صغيرة من "كتاب" الذكاء الاصطناعي (من 2 إلى 4 وكلاء) يكتبون قصة عبر عدة خطوات.

الدقة: عندما استخدموا "انحيازاً" قوياً (أي أخبروا الذكاء الاصطناعي باتباع الشفرة عن كثب)، تمكنوا من إعادة بناء تاريخ من كتب ماذا بدقة شبه مثالية، حتى بعد عدة جولات من إعادة الكتابة.
المتانة (Robustness): حاولوا "كسر" النظام عن طريق استبدال الكلمات بمرادفات (مثل تغيير "سعيد" إلى "مبتهج"). صمد النظام جيداً إذا كان الانحياز قوياً، لكنه واجه صعوبة إذا كان الانحياز ضعيفاً.
التعقيد: الجزء الأصعب هو الرياضيات. كلما أضفت المزيد من الوكلاء أو جعلت القصة أطول، يتضخم عدد الاحتمالات الممكنة للتاريخ (مثل محاولة تخمين قفل أرقام يحتوي على المزيد من الأقراص). وهذا يجعل عملية فك التشفير ثقيلة حسابياً بالنسبة للسلاسل الطويلة أو المعقدة جداً.

ملخص

باختصار، تقدم هذه الورقة طريقة لدمج تاريخ مختوم زمنياً وموقعاً مباشرة في الحمض النووي للنص الناتج عن الذكاء الاصطناعي. بدلاً من الاعتماد على ملفات خارجية قد تُفقد، يتم نسج التاريخ في نسيج المحتوى نفسه، مما يسمح لأي شخص بالنظر إلى المنتج النهائي وتتبع أي وكلاء ذكاء اصطناعي ساهموا فيه وبالترتيب الذي تم به ذلك.

ملخص تقني لورقة بحثية بعنوان: "التسلسل الزمني للتفاعلات بين الوكلاء من أجل أصل المعلومات المتطورة"

1. بيان المشكلة

مع تقدم الذكاء الاصطناعي نحو أنظمة الوكلاء المتعددين المستقلة، يتم إنشاء المحتوى بشكل متزايد من خلال سلاسل تعاونية حيث يتفاعل الوكلاء، ويراجعون، ويمددون، أو يحلون محل مساهمات بعضهم البعض. يبرز تحدٍ حرج في تتبع الأصل (Provenance Tracking): وهو تحديد التاريخ الزمني لمن ساهم في محتوى معين في كل خطوة.

المشكلة الجوهرية: في السلسلة التوليدية، غالبًا ما يقوم الوكلاء اللاحقون بالكتابة فوق المحتوى السابق للحفاظ على التدفق السردي أو الاتساق. هذه العملية تمحو آثار المساهمات السابقة، مما يترك المخرج النهائي دون سجل متأصل لتاريخه التطوري.
قصور الطرق الحالية:
- البيانات الوصفية/السجلات (Metadata/Logs): السجلات الخارجية (سلسلة العهدة) هشة؛ إذ يمكن فصلها عن المحتوى أثناء النقل أو تعرضها للتلف.
- بصمات الأصابع (Fingerprinting): التجزئة التشفيرية (Cryptographic Hashing) حساسة للغاية تجاه تغييرات المحتوى (تتعطل عند حدوث تعديلات طفيفة)، بينما تفتقر البصمة الإدراكية (Perceptual Hashing) إلى التفرد.
- العلامات المائية (Watermarking): العلامات المائية التقلية ذات البت الصفر (Zero-bit) تنسب المحتوى لمصدر واحد وتواجه صعوبة في تحديد الترتيب الزمني للوكلاء المتعددين في سلسلة تعاونية.

تسعى الورقة البحثية إلى إيجده طريقة لدمج سجل موقع ومختوم زمنياً لتفاعلات الوكلاء مباشرة داخل النص المولد نفسه، دون الاعتماد على بيانات وصفية خارجية أو حالات ذاكرة داخلية.

2. المنهجية: النظام الزمني

يقترح المؤلفون نظاماً يعتمد على الكرونيكلز الرمزية (Symbolic Chronicles)، والتي تعمل كـ "سلسلة عهدة" استيجانوغرافية (إخفاء معلومات) مدمجة داخل النص عبر أخذ عينات من الرموز (Tokens) المنحازة.

أ. المفاهيم الأساسية

الكرونيكل ( $x$ ): تسلسل رمزي بطول $T$ (عدد خطوات التوليد)، حيث يمثل كل رمز $x_t \in \{0, 1, \dots, n\}$ هوية الوكيل النشط في الخطوة الزمنية $t$ (الرقم 0 يشير إلى وكيل فارغ/غير معين).
كتاب الرموز (Codebook - $C$ ): رسم خرائط حيث يرتبط كل كرونيكل صالح $x$ $x$ بكلمة رمزية ثنائية فريدة $c(x)$ $c (x)$ بطول $|V|$ $∣ V ∣$ (حجم المفردات).
- تحدد الكلمة الرمزية مجموعة فرعية متفرقة من المفردات (على سبيل المثال، 50% من الرموز "موسومة" بالرقم 1).
- يستخدم النظام استراتيجية بناء قابلة للتوسع: توليد كلمات رمزية أساسية فريدة في بُعد مخفض $d$ وتوسيعها إلى حجم المفردات الكامل عبر التكرار والحشو.

ب. حلقة التغذية الراجعة

يعمل النظام من خلال حلقة تغذية راجعة تكرارية تتضمن ثلاثة مكونات:

المُشفّر (التوليد - Encoder):
- في الخطوة الزمنية $t$ ، يسترجع النظام الكلمة الرمزية $c(x^{(t)})$ المقابلة لحالة الكرونيكل الحالية.
- يقوم الوكيل (LLM) بتوليد النص بناءً على مطالبة (Prompt).
- الانحياز (Biasing): يقوم المُشفّر بتعديل احتمالات الرموز (Logits) للنموذج. لكل رمز $v$ في المفردات، إذا كان البت المقابل في الكلمة الرمزية هو 1، يتم إضافة انحياز $\delta$ إلى قيمة الـ logit ( $\tilde{\ell}_v = \ell_v + \delta$ ).
- هذا يؤدي إلى توجيه احتمالية أخذ العينات نحو الرموز المرتبطة بالكرونيكل الحالي، مما يدمج هوية الوكيل وتاريخ التفاعلات السابقة في توزيع النص.
المُفكك (الاسترجاع - Decoder):
- بالنظر إلى النص المولد، يقوم المُفكك بتقطيع النص (Tokenization).
- يحسب تردد الرموز "الموسومة" لكل كرونيكل صالح محتمل في كتاب الرموز.
- يتم اختيار الكرونيكل الذي يمتلك أعلى تردد من الرموز المتطابقة كونه التاريخ المعاد بناؤه ( $\hat{x} = \arg \max_x f(x)$ ).
آلية التحديث (Update Mechanism):
- بعد التوليد، يتم تحديث الكرونيكل ليشمل هوية الوكيل الحالي في الموضع $t$ ، مع إزاحة "الموقع النشط" للخطوة التالية. وهذا يسمح بتتبع التسلسل الكامل $x^{(1)}, x^{(2)}, \dots, x^{(T)}$ .

3. المساهمات الرئيسية

الأصل المدمج في النص (In-Text Provenance): طريقة مبتكرة لدمج تاريخ التفاعل بين الوكلاء مباشرة في المحتوى الدلالي للنص المولد، مما يلغي الاعتماد على البيانات الوصفية الخارجية الهشة.
صياغة الكرونيكل (Chronicle Formalism): تعريف "الكرونيكلز" كسلاسل رمزية موقعة ومختومة زمنياً تتطور جنباً إلى جنب مع عملية التوليد.
بناء كتاب رموز قابل للتوسع: استراتيجية توافقية لتوليد كلمات رمزية فريدة لمساحة شاسعة من تسلسلات الوكلاء المحتملة دون الحاجة إلى تخزين ذاكرة باهظة.
الإسناد اللاحق (Post Hoc Attribution): القدرة على إعادة بناء التاريخ التوليدي الكامل (من كتب ماذا ومتى) بمجرد تحليل النص النهائي باستخدام التحليل الإحصائي.

4. النتائج التجريبية

تم تقييم النظام باستخدام نموذج Llama (بمعلمة 1 مليار بارامتر) في مهمة كتابة مستمرة مع 2 إلى 4 وكلاء على مدار 3 إلى 6 خطوات زمنية.

الدقة الزمنية (Chronological Accuracy):
- مع قوة انحياز ( $\delta$ ) تبلغ 3، حقق النظام دقة شبه مثالية (99-100%) عبر مختلف الإعدادات.
- تتدهور الدقة طبيعياً بمرور الوقت (انتشار الخطأ) ومع زيادة عدد الوكلاء، ولكن قوة الانحياز الأعلى تخفف من ذلك بفعالية.
جودة التوليد (الارتباك - Perplexity):
- هناك مقايضة: زيادة قوة الانحياز تحسن دقة الإسناد ولكنها تزيد من الارتباك (مما يقلل من سلاسة النص وطبيعته).
  la ومع ذلك، فإن تأثير الارتباك يستقر بعد خطوة التوليد الأولى ولا يعتمد بشكل كبير على عدد الوكلاء.
القدرة على مواجهة الهجمات (Adversarial Robustness):
- تم اختبار النظام ضد الاستبدال المعجمي (استبدال الكلمات بمرادفاتها، بنسبة تصل إلى 70%).
- الانحياز المنخفض ( $\delta=1$ ): انخفضت الدقة بسرعة، مقتربة من التخمين العشوائي.
- الانحياز العالي ( $\delta=3$ ): ظل النظام قوياً. بالنسبة لوكيلين، ظلت الدقة فوق 90% حتى مع استبدال 60% من الكلمات. يعمل الانحياز العالي على تركيز توزيع أخذ العينات على رموز محددة، مما يجعل الإشارة الإحصائية صامدة أمام الضجيج الدلالي.

5. الأهمية والتوجهات المستقبلية

الثقة والمساءلة: يوفر هذا البحث آلية تأسيسية لـ الذكاء الاصطناعي الخاضع للمساءلة. فهو يضمن أنه في الأنظمة البيئية التعاونية للذكاء الاصطناعي، يمكن تتبع أصل وتطور المحتوى، مما يعزز الشفافية والثقة.
التطبيق الجنائي (Forensic Application): تعمل الطريقة كـ "سلسلة عهدة رقمية" للذكاء الاصطناعي، مما يسمح بالتحليل الجنائي للمحتوى الاصطناعي لتحديد ما إذا كان قد تم التفكير فيه نظرياً، أو اختباره تجريبياً، أو تحديه نقدياً من قبل وكلاء محددين.
القيود والعمل المستقبلي:
- القابلية للتوسع: تنمو مساحة البحث أسياً مع عدد الوكلاء وطول الكرونيكل ( $|X| = (n+1)^T$ )، مما يتطلب فك تشفير فعال أو أولويات هيكلية للأنظمة واسعة النطاق.
- التجانس: تستخدم التجارب الحالية نماذج متطابقة؛ يجب أن تعالج الأعمال المستقبلية الوكلاء غير المتجانسين الذين يمتلكون مفردات مختلفة.
- المقايضات: يتطلب التوتر بين دقة الإسناد وجودة النص (الارتباك) ضبطاً بناءً على احتياجات التطبيقات المحددة.
- المتانة: يجب أن تستكشف الأبحاث المستقبلية المتانة ضد الاضطرابات الأكثر تعقيداً مثل إعادة الهيكلة النحوية، أو الترجمة، أو الاقتطاع.

في الختام، تقدم الورقة البحثية إطاراً قابلاً للتطبيق ومبنياً على أسس رياضية لدمج أصل تعدد الوكلاء في الذكاء الاصطناعي التوليدي، محولةً النص نفسه إلى سجل تاريخي مكتفٍ بذاته لعملية إنشائه.