Adaptive Domain Modeling with Language Models: A Multi-Agent Approach to Task Planning

تخيل أنك تحاول تعليم روبوت كيفية طهي العشاء. في الأيام الخوالي، كان على العلماء كتابة دليل تعليمات ضخم وصارم لكل سيناريو محتمل: "إذا كان الإناء أحمر، افعل X. إذا كان الإناء أزرق، افعل Y". وإذا واجه الروبوت إناءً أخضر، أو مهمة لم يسبق له رؤيتها، فإنه يتجمد لأن الدليل لم يغطِ هذه الحالة. هذا هو عالم التخطيط الرمزي (Symbolic Planning)، حيث تتبع الحواسيب قواعد صارمة ومكتوبة مسبقًا. إنه أمر قوي، لكنه يشبه نظام GPS لا يعرف سوى الطرق المرسومة على خريطة من عام 1990؛ فإذا فُتح طريق جديد، يضيع نظام الـ GPS.

من ناحية أخرى، لدينا الآن النماذج اللغوية الكبيرة (LLMs)، وهي عقول الذكاء الاصطناعي فائقة الذكاء التي يمكنها الدردشة، وكتابة القصص، وفهم لغة البشر. إنها مرنة للغاية ويمكنها تخمين ما تقصده حتى لو قلت الأشياء بطريقة غريبة. ومع ذلك، فهي أيضًا تشبه فنانًا عبقريًا ولكنه مشتت الذهن: قد يحلم بخطة تبدو رائعة ولكنها مستحيلة جسديًا بالنسبة لروبوت للقيام بها فعليًا، أو قد ينسى قوانين الفيزياء تمامًا.

السؤال الكبير للعلماء هو: كيف نجمع بين الموثوقية الصارمة للروبوتات القديمة التي تتبع القواعد وبين العقل المرن والمبدع للذكاء الاصطناي الجديد؟ نحن بحاجة إلى نظام يمكنه فهم طلب فوضوي من العالم الحقيقي مثل "اصنع برجًا باستخدام أكبر كتلة في الأسفل"، ثم يجد طريقة لبنائه، حتى لو لم يرَ الروبوت "أكبر كتلة" من قبل. وهنا يأتي البحث الذي ستطالعه الآن، ليقدم طريقة جديدة تسمح للروبوتات بالتعلم أثناء العمل.

---

تعرف على TAPAS: فريق المهندسين المعماريين المبدعين للروبوت

تعرف على TAPAS (التكيف والتخطيط القائم على المهام باستخدام الوكلاء - Task-based Adaptation and Planning using AgentS). فكر في TAPAS ليس كعقل روبوت واحد، بل كطاقم بناء صغير ومنظم للغاية يعمل داخل جهاز كمبيوتر. بدلًا من شخص واحد يحاول القيام بكل شيء، يقوم TAPAS بتقسيم العمل بين ثلاثة "وكلاء" (عمال ذكاء اصطناعي صغار)، لكل منهم دور محدد، يتحدثون مع بعضهم البعض لبناء خطة.

إليك كيف يعمل هذا الفريق، باستخدام تشبيه بسيط: تخيل أنك تريد بناء برج من المكعبات، لكنك قلت للفريق: "أريد الكتلة الحمراء فوق الزرقاء".

1. مولد النطاق (كاتب كتاب القواعد)
أولاً، يستمع مولد النطاق (Domain Generator) إلى طلبك. في الأيام الخوالي، إذا لم يكن "المولد" يعرف معنى كلمة "أحمر" أو "أزرق" في كتاب قواعده، فسيقول ببساطة: "خطأ! أنا لا أعرف هذه الكلمة!" ويتوقف. لكن TAPAS مختلف. إذا أدرك مولد النطاق أن: "مهلاً، كتاب قواعدنا الحالي لا يحتوي على طريقة لوصف الألوان"، فإنه لا يصاب بالذعر. بل يقول: "حسنًا، نحتاج إلى إضافة قاعدة 'اللون' إلى كتاب قواعدنا". إنه حرفيًا يعيد كتابة دليل التعليمات الداخلي للروبوت في مكانه ليشمل هذا المفهوم الجديد.

2. مولد الحالة الأولية (واضع المشهد)
بعد ذلك، ينظر مولد الحالة الأولية (Initial State Generator) إلى الغرفة. يرى المكعبات على الطاولة. إذا تم تحديث كتاب القواعد للتو ليشمل "اللون"، فإن هذا الوكيل يسأل: "انتظر، ما لون كل مكعب؟". إذا لم تخبره، فقد يطلب منك (أو من المحاكاة) هذه المعلومات. إنه يجهز المسرح، ويتأكد من أن الروبوت يعرف بالضبط مكان كل مكعب ولونه، بما يتوافق مع القواعد الجديدة.

3. مولد حالة الهدف (واضع الهدف)
أخيرًا، ينظر مولد حالة الهدف (Goal State Generator) إلى رغبتك: "الأحمر فوق الأزرق". يتحقق من كتاب القواعد الجديد والمشهد. ويقول: "فهمت. الهدف هو تكدسهما بحيث يكون الأحمر في الأعلى".

سحر "استدعاء الأدوات"
الجزء الأكثر روعة هو كيفية تواصلهم. هم لا يخمنون فحسب؛ بل يستخدمون "أدوات". إذا رأى مولد الهدف مشكلة (مثل: "لا يمكننا تكديس المكعبات حسب الحجم لأننا لا نملك قاعدة 'الحجم' بعد")، فإنه يسحب أداة تسمى missing_fluent ويقول لمولد النطاق: "مهلاً، نحتاج إلى قاعدة للحجم!". يقوم مولد النطاق بعد ذلك بتحديث كتاب القواعد، ويبدأ الفريق بأكمله من جديد مع تعليمات جديدة وأفضل. إنه يشبه مجموعة من الأصدقاء يبنون مجموعة "ليجو"، حيث إذا أدركوا أنهم يفتقدون قطعة معينة، يركض أحد الأصدقاء إلى المتجر لشرائها، ثم يواصلون البناء معًا.

من "ماذا" إلى "كيف": فريق التنفيذ

بمجرد كتابة الخطة، يجب على TAPAS جعل الروبوت يتحرك فعليًا. هذا أمر صعب لأن الخطة قد تقول "ضع المكعب A فوق المكعب B"، لكن ذراع الروبوت الفيزيائية قد تعرف فقط كيفية "تحريك القابض إلى الإحداثيات X، Y، Z".

يستخدم TAPAS منفذ خطة (Plan Executor) لسد هذه الفجوة. وهو يعمل كمترجم.

• المترجم: يأخذ الخطة رفيعة المستوى ويحولها إلى تعليمات بسيطة بلغة طبيعية مثل "حرك ذراعك إلى اليسار" أو "أمسك بالمكعب الأحمر".
• وكيل ReAct: هذا هو عقل "السبب والعمل" (Reason and Act) الخاص بالروبوت. ينظر إلى التعليمات، ويتحقق من الأدوات (المهارات) التي يمتلكها الروبوت بالفعل، ويختار الأفضل منها. إذا حاول الروبوت الإمساك بمكعب وأخطأ، فإن الوكيل الموثق (Validator Agent) (المشرف) يقول: "أوه، لم ينجح ذلك. حاول مرة أخرى، ولكن ربما حرك ذراعك ببطء أكثر".

ماذا وجدوا؟

اختبر المؤلفون TAPAS بطريقتين رئيسيتين: في ألغاز منطقية كلاسيكية وفي منزل ثلاثي الأبعاد محاكى يسمى VirtualHome.

1. الألغاز المنطقية (الاختبارات المرجعية)
اختبروا TAPAS في سبعة تحديات تخطيط مختلفة، مثل "Blocksworld" الشهير (تكدس المكعبات) و"Barman" (خلط المشروبات).

• النتيجة: كان TAPAS بارعًا للغاية. عند استخدام نموذج ذكاء اصطناعي رفيع المستوى (GPT-4o)، حل 97% من مشكلات "Barman" و 100% من مشكلات "Blocksworld".
• المقارنة: كان هذا أفضل بكثير من استخدام نماذج ذكاء اصطناعي أخرى أو مجرد محاولة إجبار الذكاء الاصطناعي على القيام بكل شيء دون خطة مهيكلة. على سبيل المثال، في اختبار "Blocksworld"، حل TAPAS 100% من المشكلات، بينما عانت الطرق الأخرى بشكل كبير.

2. اختبار "القواعد الجديدة" (القدرة على التكيف)
هذا هو المكان الذي يتألق فيه TAPAS حقًا. أعطى الباحثون الروبوت مهامًا لم يسبق له رؤيتها، مثل "رص المكعبات بحيث تكون الأكبر في الأسفل" أو "حرك المكعبات، ولكن تأكد من أن الروبوت لن ينفد شحنه".

• النتيجة: نجح TAPAS في استنتاج أنه بحاجة إلى إضافة قواعد "الحجم" أو "البطارية" إلى كتاب قواعده. فعل ذلك تلقائيًا.
  • بالنسبة لمهمة "الحجم"، قام بتحديث القواعد لتنص على: "يمكنك فقط تكديس مكعب فوق مكعب أكبر منه". وحل 90% من هذه المشكلات الجديدة والمعقدة.
  • بالنسبة لمهمة "البطارية"، أضاف قواعد حول استهلاك الطاقة. وحل 100% من مشكلات بطارية "القبضات" (Grippers).
• العقبة: لم يكن مثاليًا. في اختبار "Floortile" (تنظيف البلاط) مع قيود البطارية، حل 70% فقط من المشكلات. يشير البحث إلى أن هذا كان بسبب قيام الذكاء الاصطناعي أحيانًا بتخمين مستوى البطارية الأولي بدلاً من السؤال عنه، مما يظهر أن النظام لا يزال بحاجة إلى توخي الحذر بشأن الافتراضات.

3. محاكاة VirtualHome
أخيرًا، وضعوا TAPAS في محاكاة ثلاثية الأبعاد لمنزل. كانت المهمة هي: "أحضر فطيرة من الثلاجة وضعها على الطاولة"، و"سخن السلمون وضعه على الطاولة".

• النتيجة: نجح TAPAS في إنشاء خطة، وترجمتها إلى أفعال، وتوجيه روبوت افتراضي لفتح الثلاجة، والإمساك بالطعام، واستخدام الميكروويف، ووضع العناصر على الطاولة.
• خدعة الذاكرة: اختبروا أيضًا ما إذا كان بإمكان TAPAS التعلم من الأخطاء. أخبروا النظام: "في المرة القادمة التي تستخدم فيها الثلاجة، تأكد من إغلاقها، حتى لو لم أقل ذلك". لاحقًا، عندما واجه الروبوت مهمة مماثلة، تذكر هذه القاعدة وأغلق الثلاجة تلقائيًا. أظهر هذا أن TAPAS يمكنه تخزين "الذاكرة الإجرائية" ليصبح أفضل بمرور الوقت.

لماذا يهم هذا (وما لا يهم)**

يشير البحث إلى أن TAPAS يمثل خطوة قوية للأمام لأنه يجمع بين أفضل ما في العالمين: إبداع الذكاء الاصطناعي الذي يفهم اللغة وموثوقية قواعد التخطيط الصارمة. هو لا يتبع نصًا فحسب؛ بل يمكنه إعادة كتابة النص عندما يتغير الموقف. إنه لا يتبع خريطة فحسب؛ بل يمكنه رسم خريطة جديدة عندما يجد طريقًا مسدودًا، وطلب الاتجاهات إذا تاه، وتذكر الطريق المختصر للمرة القادمة. إنه ليس روبوتًا مثاليًا بعد، لكنه روبوت ذكي جدًا يتعلم كيف يفكر بسرعة في المواقف المتغيرة.

ومع ذلك، يوضح المؤلفون أن هذا هو محاكاة. لقد اختبروه في عالم كمبيوتر (VirtualHome) وعلى ألغاز منطقية قياسية، وليس على روبوت حقيقي في مطبخ فوضوي في العالم الحقيقي. وبينما تبدو النتائج واعدة، يقر البحث بأن النشر في العالم الحقيقي لا يزال يواجه تحديات، مثل منع الذكاء الاصطناعي من "الهلوسة" (اختلاق الحقائق) أو التعامل مع الأخطاء التي يصعب إصلاحها تلقائيًا.