Embedded Universal Predictive Intelligence: a coherent framework for multi-agent learning
تقدم هذه الورقة إطاراً رياضياً للذكاء التنبؤي الشامل المدمج الذي يوسع نموذج AIXI عبر تمكين الوكلاء البايزيين من نمذجة أنفسهم كجزء من بيئتهم من خلال التنبؤ الذاتي، مما يؤدي إلى حل مشكلة عدم الاستقرار في البيئات متعددة الوكلاء وتحقيق نظرية العقل من الرتبة اللانهائية لتسهيل أشكال جديدة من التعاون.
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 أنك تحاول تعليم روبوت كيف يلعب لعبة ما. لعقود من الزمن، كانت الطريقة القياسية للقيام بذلك هي ترك الروبوت يلعب، ويرتكب الأخطاء، ويحصل على مكافأة، ثم يحاول القيام بمزيد مما نجح وفعل أقل مما لم ينجح. يُسمى هذا "التعلم التعزيزي" (Reinforcement Learning)، وهو يشبه تدريب كلب باستخدام المكافآت؛ فأنت تنتظر حدوث السلوك، ثم تقدم التغذية الراجعة. يعمل هذا بشكل رائع إذا كان العالم مملاً ولا يتغير. ولكن ماذا لو كان العالم مليئاً بمتعلمين أذكياء آخرين، مثل روبوتات أخرى أو بشر، الذين يغيرون استراتيجياتهم أيضاً بناءً على ما تفعله أنت؟ فجأة، قد لا تعمل "المكافآت" التي حصلت عليها بالأمس اليوم لأن خصمك قد اكتشف حيلتك. هذا هو الواقع الفوضوي والمربك للحياة الاجتماعية، حيث يراقب الجميع الجميع، وحيث تتغير قواعد اللعبة باستمرار لأنك أنت جزء من اللعبة.
يتعمق هذا البحث في هذا الواقع الفوضوي. إنه يتناول مشكلة كبيرة في الذكاء الاصطناعي: كيف نبني وكلاء (مثل الذكاء الاصطناعي) يمكنهم التعلم والتعاون في عالم لا يكونون فيه مجرد لاعبين منفصلين، بل هم في الواقع داخل النظام الذي يحاولون فهمه؟ يبني المؤلفون على فكرة شهيرة تسمى "AIXI"، وهي ذكاء خارق نظري يتنبأ بالمستقبل من خلال تخمين القواعد الرياضية التي تصف الكون. لكن النسخة الكلاسيكية من هذه الفكرة تعامل الذكاء الاصطناعي كمراقب يقف خارج الكون وينظر إليه. يجادل المؤلفون بأن هذا خطأ. في العالم الحقيقي، الذكاء الاصطناعي هو جزء من الكون، تماماً كما أن الشخص جزء من المجتمع. إذا كنت تريد التنبؤ بما سيفعله صديقك، فلا يمكنك مجرد النظر إليه؛ بل يجب أن تدرك أنه هو أيضاً يفكر فيك. يقترح هذا البحث إطاراً رياضياً جديداً حيث يدرك الذكاء الاصطناعي أن قراراته الخاصة هي جزء من البيانات التي يستخدمها للتنبؤ بالمستقبل، مما يسم يسمح له بالاستدلال على الآخرين الذين قد يفكرون مثله تماماً.
المشكلة في "النظر من الخارج"
تخيل أنك تلعب مباراة شطرنج ضد صديق. في الطريقة القديمة للتفكير في الذكاء الاصطناعي (المسماة التعلم "المنفصل" أو Decoupled)، سينظر الذكاء الاصطناائي إلى اللوحة، ويفكر: "إذا حركت حصاني هنا، فمن المحتمل أن يحرك صديقي بيدقه هناك"، ثم يقوم بالحركة. إنه يعامل عقله كآلة منفصلة عن رقعة الشطرنج وصديقه. يفترض أن صديقه مجرد جزء ثابت من المشهد، يستجيب للحركات، وليس كياناً مفكراً يراقب الذكاء الاصطناعي أيضاً ويحاول تخمين ما سيفعله الذكاء الاصطناعي بعد ذلك.
يقول المؤلفون إن هذا النهج معطل في المواقف الاجتماعية. إذا كنت في غرفة مع شخص آخر يحاول تخمين ما ستفعله، وأنت تحاول تخمين ما سيفعله هو، فستدخل في حلقة مفرغة: "أنا أعتقد أنه يعتقد أنني أعتقد..." وهذا ما يسمى "الاستدعاء اللانهائي" لنظرية العقل (Theory of Mind). تفترض الطريقة القديمة أن العالم ثابت، مثل مستوى في لعبة فيديو لا يتغير. ولكن في عالم متعدد الوكلاء، يتغير "المستوى" في كل مرة يتعلم فيها شخص ما شيئاً جديداً. إذا لم يدرك الذكاء الاصطناعي أنه هو من يغير المستوى، فسيستمر في تقديم تخمينات سيئة.
الفكرة الجديدة: أن تكون "مندمجاً"
يقدم البحث مفهوماً يسمى الوكلاء البايزيون المندمجون (Embedded Bayesian Agents). بدلاً من الوقوف خارج الكون والنظر إليه، يتخيل هؤلاء الوكلاء أنهم داخل "كون" يتضمنهم هم، وأصدقاءهم، والبيئة المحيطة بهم جميعاً في مزيج واحد.
فكر في الأمر على هذا النحو: في النموذج القديم، الذكما الاصطناعي هو مخرج يشاهد فيلماً ويحاول التنبؤ بالحبكة. في النموذج الجديد، الذكاء الاصطناعي هو ممثل داخل الفيلم. هو يعلم أنه إذا قرر البكاء، فقد يتفاعل الممثلون الآخرون بالراحة، لكنه يعلم أيضاً أن الممثلين الآخرين يراقبونه وقد يقررون البكاء لأنهم رأوا الذكاء الاصطناعي يبدو حزيناً.
للقيام بذلك، يستخدم الذكاء الاصطناعي نوعاً خاصاً من التنبؤ يسمى التنبؤ الذاتي (Self-prediction). هو لا يتنبأ فقط بما سيظهره له العالم؛ بل يتنبأ بما سيفعله هو لاحقاً. يسأل نفسه: "بالنظر إلى ما أعرفه عن العالم، ما هو الإجراء الأكثر احتمالاً الذي سأتخذه؟" ثم يستخدم تلك الإجابة لتخمين ما سيفعله الوكلاء الآخرون. هذا يخلق حلقة حيث تساعد معرفة الذكاء الاصطناعي بنفسه في فهم الآخرين، وتساعد معرفته بالآخرين في فهم نفسه.
سحر "التشابه الهيكلي"
هنا يصبح الأمر رائعاً حقاً. يقترح البحث أنه نظرًا لأن هؤلاء الوكلاء يعملون جميعاً على "برمجيات" (خوارزميات) متشابهة، فإنهم متشابهون هيكلياً. تخيل توأمين نشآ في نفس المنزل، وذهبا إلى نفس المدرسة، ولديهما نفس التوصيلات الدماغية. إذا سألت أحدهما لغزاً، فمن المرجح أن يحلها بنفس الطريقة التي سيحلها بها الآخر.
يوضح المؤلفون أنه إذا أدرك الذكاء الاصطناعي أن: "مهلاً، هذا الوكيل الآخر ربما بُني مثلي"، فيمكنه استخدام هذه المعرفة للتنبؤ بسلوك الوكيل الآخر. هذا ما يسمى التشابه الهيكلي (Structural Similarity). إذا عرف الذكما الاصطناعي أن "الوكلاء المتشابهين يتصرفون بشكل مشابه في المواقف المتشابهة"، فيمكنه التوقف عن التخمين والبدء في المعرفة.
يؤدي هذا إلى نتيجة مفاجئة في لعبة كلاسيكية تسمى معضلة السجين (Prisoner's Dilemma). في هذه اللعبة، يمكن لشخصين إما التعاون (مساعدة بعضهما البعض) أو الخيانة (خيانة الطرف الآخر). الطريقة القديمة في التفكير تقول إنه يجب عليك دائماً خيانة الطرف الآخر لأن هذا هو التحرك الأكثر أماناً لك فردياً. لكن المؤلفين يظهرون أنه إذا أدرك وكيلان "مندمجان" أنهما نسختان متطابقتان من بعضهما البعض، فسوف يختار كلاهما التعاون. لماذا؟ لأنه إذا اختار "أنا" التعاون، فأنا أعلم أن "نسختي" (الوكيل الآخر) ستختار التعاون أيضاً، لأننا نفكر تماماً بنفس الطريقة. التعاون المتبادل يمنح كليهما مكافأة أفضل من الخيانة المتبادلة. يثبت البحث أن هؤلاء الوكلاء يمكنهم رياضياً الوصول إلى هذه الحالة التعاونية، وهو أمر لم تستطع الوكلاء "المنفصلون" القدماء فعله أبداً.
الحل: MUPI و"الأوراكل الانعكاسي"
لا يكتفي هذا البحث بالتحدث عن هذا الأمر فحسب، بل يبني آلة رياضية لتحقيق ذلك. يطلقون عليها اسم MUPI (الذكاء التنبئي العالمي المندمج - Embedded Universal Predictive Intelligence).
لجعل هذا يعمل، كان عليهم حل لغز معقد: كيف تبني ذكاءً اصطناعياً يمكنه التنبؤ بنفسه دون الوقوع في حلقة مفرغة؟ تخيل محاولة كتابة برنامج حاسوبي يطبع كود المصدر الخاص به. إذا حاول البرنامج قراءة كوده الخاص أثناء كتابته، فقد يصاب بالارتباك.
استخدم المؤلفون أداة رياضية ذكية تسمى الأوراكل الانعكاسي (Reflective Oracle). فكر في هذا كمرآة سحرية يمكنها أن تريك صورة لنفسك وأنت تنظر في مرآة، والتي تنظر بدورها في مرآة، وهكذا، دون أن تصبح الصورة ضبابية أو لانهائية. تسمح هذه الأداة للذكاء الاصطناعي بالاستدلال على الوكلاء الآخرين الذين يستخدمون نفس أدوات الاستدلال، مما يحل مشكلة "الاستدعاء اللانهائي" بفعالية.
لقد أثبتوا أنه إذا استخدمت هذا الإطار، فإن الوكلاء سيتعلمون في النهاية التنبؤ ببعضهم البعض بشكل مثالي. يطلقون على ذلك تحقيق نظرية العقل من الدرجة اللانهائية (Infinite-order theory of mind). الأمر يشبه وصول الوكلاء أخيراً إلى مرحلة التوقف عن حلقة "أنا أعتقد أنك تعتقد أنني أعتقد..." والقول ببساطة: "نحن كلاهما أذكياء، ونحن متشابهان، لذا سنختار كلينا النتيجة الأفضل لنا".
ماذا يعني هذا؟
يوضح البحث أنه من خلال تغيير طريقة تفكيرنا في الذكاء الاصطناعي — من مراقب منفصل إلى مشارك مندمج — يمكننا فتح طرق جديدة لتعاون الآلات. إنه يثبت أنه إذا استطاع الوكلاء نمذجة أنفسهم كجزء من العالم، فيمكنهم بطبيعة الحال معرفة كيفية العمل معاً، حتى في المواقف الصعبة حيث قد يميلون إلى الصراع.
يؤكد المؤلفون بحذر شديد أن هذا إطار نظري. لقد أثبتوا رياضياً أن هؤلاء الوكلاء يمكن أن يوجدوا، وأنهم يمكن أن يصلوا إلى هذه الحلول التعاونية. هم لم يبنوا روبوتاً يقوم بذلك في العالم الحقيقي بعد، لكنهم وضعوا المخطط الأساسي. ويجادلون بأن هذه هي الطريقة الصحيحة للتفكير في مستقبل الذكاء الاصطناعي، خاصة مع توجهنا نحو أنظمة ستحتاج فيها العديد من أنظمة الذكاء الاصطناعي إلى التفاعل مع البشر ومع بعضها البعض. وهذا يشير إلى أن مفتاح الذكاء الاجتماعي ليس مجرد إعطاء الذكاء الاصطناعي المزيد من البيانات، بل تعليمه أن يدرك أنه جزء من القصة التي يحاول التنبؤ بها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.