تخيل عالماً لا تكتفي فيه الروبوتات باتباع سيناريو مكتوب، بل تفكر فعلياً فيما يفكر فيه الآخرون. هذا هو مجال تخطيط الحركة متعدد الوكلاء، وهو فرع من فروع الروبوتات مخصص لمساعدة الآلات على التنقل في المساحات المزدحمة دون الاصطدام ببعضها البعض. لفهم هذا التحدي، تخيل تقاطعاً مزدحماً حيث لا توجد إشارات مرور ولا أحد يتحدث مع الآخر. إذا حاولت سيارة الانعطاف يساراً، فعليها أن تخمن ما إذا كانت السيارة القادمة ستسرع أم ستبطئ. في الماضي، كانت الروبوتات غالباً ما تلعب دور الحذر الشديد، فتتصرف كالسائقين المتوترين الذين لا يتحركون أبداً حتى يتأكدوا بنسبة 100%، مما يؤدي إلى حالة من الجمود المروري. ولحل هذه المشكلة، يستخدم العلماء مفهوماً من علم الاقتصاد يسمى "نظرية الألعاب"، وتحديداً البحث عن "توازن ناش" (Nash Equilibrium). فكر في هذا كحالة من التوازن المثالي حيث لا يرغب أحد في تغيير حركته لأن القيام بذلك سيؤدي فقط إلى جعل الأمور أسوأ بالنسبة له، بالنظر إلى ما يفعله الجميع. إنه النقطة المثالية التي تتوافق فيها استراتيجية الجميع تماماً، مثل رقصة متقنة لا يخطو فيها أحد على قدم الآخر.

السؤال الكبير هو: كيف تجعل الروبوت يجد خطوة الرقص المثالية هذه في الوقت الفعلي، خاصة عندما تجعل قواعد الفيزياء (مثل سرعة دوران السيارة) الرياضيات معقدة للغاية؟ تقدم ورقة بحثية جديدة من باحثين في معهد التخنيون - معهد إسرائيل للتكنولوجيا حلاً ذكياً يسمى "البحث المتداخل القائم على نظرية الألعاب" (GTNS). لقد وجدوا أنه بينما كانت الطرق السابقة إما تتعثر في "طرق مسدودة" محلية أو تستغرق وقتاً طเสียً لحساب كل حركة ممكنة، فإن نهجهم الجديد يعمل مثل محقق ذكي للغاية. فبدلاً من فحص كل إمكانية بمفردها في مكتبة ضخمة مستحيلة المسح، يستخدم GTNS استراتيجية "متداخلة". لديه بحث خارجي يبحث عن أفضل مسار إجمالي، ولكنه يقوم باستمرار بإجراء "اختبار داخلي" سريع ليرى ما إذا كان بإمكان أي روبوت منفرد الانحراف والقيام بعمل أفضل بمفرده. إذا كان بإمكان الروبوت الانحراف، يتم استبعاد المسار فوراً. وهذا يسمح للنظام بإيجاد تفاعلات معقدة وواقعية — مثل سيارة تندمج بقوة في حركة المرور أو متسابق يتجاوز آخر — في غضون ثوانٍ قلي تعداد على جهاز كمبيوتر محمول عادي.

المشكلة: معضلة الروبوت

تخيل أنك تلعب لعبة فيديو مع ثلاثة أصدقاء. كلكم تريدون الوصول إلى خط النهاية، لكن المسار ضيق، ولا يمكنك التحدث مع بعضكم البعض. إذا حاولتم جميعاً الاندفاع للأمام، فستصطدمون. وإذا توقفتم جميعاً وانتظرتم، فلن تنهوا السباق أبداً. في العالم الحقيقي، تواجه السيارات ذاتية القيادة والطائرات المسيرة المتسابقة هذه المشكلة بالضبط. إنهم بحاجة إلى التنبؤ بما سيفعله الآخرون والاستجابة فوراً.

لفترة طويلة، حل الروبوتات هذه المشكلة من خلال اتباع أسلوب "اتبع القائد" أو عبر كونهم حذرين للغاية. كانوا يخمنون ما قد يفعله الآخرون، ويختارون مساراً آمناً، ويأملون في الأفضل. لكن هذا غالباً ما يؤدي إلى مواقف سخيفة، مثل سيارة تنتظر عند تقاطع فارغ للأبد لأنها تخشى التحرك. حاولت طرق أخرى استخدام رياضيات معقدة لإيجاد التوازن "المثالي" (توازن ناش)، لكنها غالباً ما كانت تتعثر في فخاخ محلية أو تتطلب تبسيط العالم لدرجة أن الروبوتات لا تستطيع التعامل مع العوائق الحقيقية أو المنعطفات الصعبة.

الحل: محقق بعدستين مكبرتين

قام مؤلفو هذه الورقة، أفيشاف إنجل وفريقه، ببناء خوارزمية جديدة تسمى البحث المتداخل القائم على نظرية الألعاب (GTNS). لفهم كيفية عملها، تخيل محققاً يحاول حل لغز في مبنى ضخم متعدد الطوابق (فضاء البحث).

1. البحث الخارجي (المحقق): يسير المحقق عبر المبنى، بحثاً عن أفضل طريق للمخرج. هذا هو الطبقة "الخارجية". إنه يشبه نظام GPS قياسي يحاول إيجاد أقصر مسار.
2. البحث الداخلي (الاستجواب): ولكن هنا تكمن المفاجأة. في كل مرة يفكر فيها المحقق في مسار جديد، يتوقف ويسأل سؤالاً حاسماً: "إذا كنت أحد الأشخاص في هذا السيناريو، فهل يمكنني التسلل بعيداً واتخاذ طريق مختصر يجعلني أسرع، حتى لو ظل الجميع على مسارهم؟"
   • هذه هي الطبقة "الداخلة". إنه فحص سريع ومركز لكل روبوت مشارك.
   • إذا كانت الإجابة "نعم، يمكنني الانحراف والفوز"، فإن المحقق يعرف أن هذا المسار ليس توازن ناش حقيقي، فيتم استبعاده فوراً.
   • إذا كانت الإجابة "لا، لا يمكنني القيام بعمل أفضل"، فإن المسار يكون آمناً ومتوازناً.

هذا النهج "المتداخل" قوي لأنه لا يضيع الوقت في فحص المسارات التي تكون غير مستقرة بشكل واضح. فهو يقلم الخيارات السيئة مبكراً، مثل البستاني الذي يقص الأغصان الميتة لكي تنمو النبتة بشكل أسرع.

ما وجدوه: من الاندماج الهجومي إلى التنازل المهذب

اختبر الباحثون خوارزميتهم في سيناريوهات متنوعة، من الاندماج في الطرق السريعة إلى التجاوز في حلبات السباق. وجدوا أنه من خلال ضبط بعض "المقابض" في نظامهم، يمكنهم تغيير شخصية الروبوتات.

• "الاندماج السريع": في إحدى التجارب، قاموا بتعديل الإعدادات لجعل الروبوت 1 (السيارة الزرقاء) أكثر هجومية. النتيجة؟ نجح الروبوت 1 في التسلل في فجوة ضيقة بين سيارتين أخريين، وهي مناورة تُعرف باسم "الاندماج السريع" (zip-merge).
• "التنازل المهذب": عندما قاموا بتغيير الإعدادات للاتجاه الآخر، بجعل الروبوت 1 أكثر حذراً، انتظر السيارات الأخرى لتمر قبل الاندماج.
• حلبة السباق: في محاكاة للسباق، كان بإمكانهم تحديد الفائز في السباق بمجرد تغيير رقم الأولوية. إذا كان للروبوت 1 أولوية عالية، فإنه يأخذ الخط الداخلي ويفوز. وإذا كانت للروبوت 2 الأولوية، تنعكس الأدوار.

ما يجعل هذا مميزاً هو أن هذه ليست مجرد تخمينات عشوائية. فالخوارزمية تضمن أن الحل هو توازن ناش حقيقي. وهذا يعني أنه بمجرد بدء حركة الروبوتات، ليس لدى أي منها سبب لتغيير رأيها فجأة والانحراف، لأنها تقوم بالفعل بأفضل ما يمكنها فعله بالنظر إلى ما يفعله الآخرون.

السرعة والواقع

قام الفريق بتشغيل هذه المحاكاة على كمبيوتر محمول قياسي بمعالج قوي (Intel Core i9). كانت النتائج مبهرة:

• للسيناريوهات البسيطة، وجد الكمبيوتر الحل في أقل من ثانية.
• للسيناريوهات الأكثر تعقيداً، مثل عمليات الاندماج في الطرق السريعة متعددة الروبوتات، استغرق الأمر بضع ثوانٍ (حوالي 3 إلى 4 ثوانٍ في بعض الحالات).
• حتى عندما أضافوا المزيد من الروبوتات أو جعلوا المسار أطول، لم يتباطأ النظام بنفس القدر الذي شهدته الطرق القديمة.

تنفي الورقة صراحةً فكرة أنك بحاجة إلى تبسيط فيزياء الروبوتات (مثل التظاهر بأنها نقاط يمكنها الدوران فوراً) لجعل الرياضيات تعمل. يتعامل GTNS مع الفيزياء الحقيقية والمعقدة للسيارات والطائرات المسيرة، بما في ذلك حدود سرعتها ونصف قطر دورانها.

لماذا هذا مهم؟

هذه ليست مجرد لعبة نظرية. القدرة على حساب هذه التفاعلات بسرعة تعني أنه في المستقبل، يمكن للسيارات ذاتية القيادة أن تتنقل في شوارع المدن المزدحمة دون التسبب في اختناقات مرورية أو حوادث. يمكنها التفاوض على حق الأولوية عند التقاطعات دون الحاجة إلى إشارات مرور أو إشارات راديو.

لاحظ الباحثون أيضاً أن طريقتهم يمكن استخدامها لتوليد بيانات تدريب للذكاء الاصطناعي. من خلال محاكاة آلاف من هذه التفاعلات "المتوازنة تماماً"، يمكنهم تعليم أنظمة الذاء الاصطناعي الأخرى كيفية التصرف بأمان وقابلية للتنبؤ.

بينما يعمل النظام الحالي بشكل أفضل عندما يتم تخطيط مسارات الروبوتات مسبقاً (في بيئة "الحلقة المفتوحة")، يشير المؤلفون إلى أن هذا يمثل خطوة كبيرة للأمام. وهم يعترفون بأن بناء الخرائط الأولية للروبوتات يستغرق بعض الوقت، ولكن بمجرد بنائها، يكون النظام سريعاً وموثوقاً. إنهم يتطلعون بالفعل إلى كيفية جعله يعمل بشكل أفضل مع المزيد من الروبوتات وفي حالات "الحلقة المغلقة" في الوقت الفعلي حيث يتعين على الروبوتات الاستجابة للتغيرات فوراً.

باختصار، يمنح GTNS الروبوتات القدرة على "قراءة الغرفة" وإيجاد حل حيث يربح الجميع، دون أن يضطر أي منهم للتحطم أو الانتظار للأبد. إنه يحول رقصة حركة المرور الفوضوية إلى أداء منسق، يتم حسابه في طرفة عين.