💬 NLP

PathWise: Planning through World Model for Automated Heuristic Design via Self-Evolving LLMs

يُعد PathWise إطار عمل جديداً متعدد الوكلاء يعزز التصميم الآلي للاستدلالات في التحسين التوافقي من خلال صياغة العملية كمسألة اتخاذ قرار متسلسلة واعية بالحالة عبر رسم بياني للاستلزام، مما يستبدل التجربة والخطأ القائمين على الرؤية الضيقة بالتخطيط الاستراتيجي والاستدلال ذاتي التطور لتحقيق تقارب أسرع وتعميم أفضل.

المؤلفون الأصليون: Oguzhan Gungordu, Siheng Xiong, Faramarz Fekri

نُشر 2026-05-26

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Oguzhan Gungordu, Siheng Xiong, Faramarz Fekri

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

إليك شرح لورقة بحث PathWise، مترجم بلغة بسيطة مع تشبيهات إبداعية.

الصورة الكبيرة: تعليم الروبوت ابتكار قواعد أفضل

تخيل أن لديك لغزًا ضخمًا وفوضويًا (مثل مسألة البائع المتجول، حيث يحتاج سائق التوصيل إلى إيجاد أقصر طريق لزيارة 100 مدينة). لحل هذه المسألة، عادة ما يكتب البشر "قواعد" (Heuristics) لإخبار الكمبيوتر بكيفية اختيار المدينة التالية.

لفترة طويلة، حاولت أجهزة الكمبيوتر كتابة هذه القواعد تلقائيًا باستخدام نماذج اللغات الكبيرة (LLMs) — وهي نفس نوع الذكاء الاصطناعي الذي يكتب المقالات أو الأكواد البرمجية. ومع ذلك، كانت الطرق السابقة تشبه طباخًا يحاول ابتكار وصفة جديدة عن طريق رمي المكونات عشوائيًا في القدر، ثم تذوقها، والأمل في الحصول على نتيجة جيدة. كانت هذه الطرق تكرر الأخطاء، أو تنسى ما نجح سابقًا، أو تظل عالقة في محاولة تجربة نفس الأفكار السيئة مرارًا وتكرارًا.

PathWise هو نظام جديد يغير هذه العملية. فبدلاً من التخمين العشوائي، يعمل كـ مهندس معماري ذكي وواعٍ بذاته يبني خريطة لعملية تفكيره الخاصة لتصميم قواعد أفضل وبسرعة أكبر.

المشكلة الجوهرية: "فقدان الذاكرة" لدى الذكاء الاصطناعي السابق

تجادل الورقة البحثية بأن طرق الذكاء الاصطناعي السابقة لتصميم هذه القواعد كانت تعاني من عيبين رئيسيين:

كانت تنسى الماضي: كانت تتعامل مع كل محاولة جديدة وكأنها المرة الأولى، متجاهلة الدروس المستفادة من الإخفاقات السابقة.
كانت عمياء: لم تكن تفهم لماذا نجحت القاعدة أو فشلت؛ بل كانت تنظر فقط إلى النتيجة النهائية.

أدى هذا إلى نتائج "قصيرة النظر" (Myopic)، حيث أضاع الذكاء الاصطناعي الوقت في إعادة اكتشاف نفس الأفكار السيئة.

الحل: PathWise (نهج "نموذج العالم")

يعالج PathWise هذه المشكلة عبر التعامل مع عملية التصميم كأنها لعبة فيديو تحتوي على ملف حفظ (Save File). فهو يستخدم هيكلًا خاصًا يسمى رسم الاستلزام البياني (Entailment Graph).

اعتبر "رسم الاستلزام البياني" بمثابة شجرة عائلة للأفكار:

العُقد (الأشخاص): كل عقدة هي قاعدة محددة (Heuristic) ابتكرها الذكاء الاصطناعي.
الحواف (العلاقات): الخطوط التي تربط بينها توضح كيف تم إنشاء قاعدة من أخرى. هل دمج الذكاء الاصطناعي بين فكرتين؟ هل قام بتعديل إحدى القواعد؟
الذاكرة: يحفظ هذا الرسم التاريخ بأكمله. فهو يعرف أن "القاعدة ب" كانت تحسينًا طفيفًا على "القاعدة أ"، وأن "القاعدة ج" فشلت لأنها تجاهلت أنماط حركة المرور.

كيف يعمل: فريق من ثلاثة وكلاء

لا يستخدم PathWise وكيل ذكاء اصطناعي واحد فحسب؛ بل يستخدم فريقًا من ثلاثة وكلاء متخصصين يعملون معًا، تمامًا مثل طاقم إنتاج فيلم:

1. المخرج (وكيل السياسة - Policy Agent)

الدور: ينظر هذا الوكيل إلى "شجرة العائلة" (الرسم البياني) ويقرر الخطوة التالية.
الإجراء: يختار أي القواعد السابقة سيستخدمها كـ "آباء"، ويكتب "سيناريو" (توجيه) يخبر الوكيل التالي بكيفية مزجهم.
التشبيه: تخيل مخرجًا ينظر إلى لوحة القصة (Storyboard) ويقول: "لنأخذ الإضاءة من المشهد الثالث وزاوية الكاميرا من المشهد الخامس، ولكن اجعل المشهد أكثر قتامة".

2. الممثل (وكيل نموذج العالم - World Model Agent)

الدور: يأخذ هذا الوكيل سيناريو المخرج ويقوم بالفعل بكتابة الكود (القاعدة الجديدة).
الإجراء: يقوم بإنشاء البرنامج الفعلي بناءً على التعليمات.
التشبيه: هذا هو الممثل الذي يقرأ السيناريو ويؤدي المشهد. يحاول تجسيد رؤية المخرج على أرض الواقع.

3. الناقد (وكلاء النقد - Critic Agents)

الدور: يشاهد هؤلاء الوكلاء الأداء ويقدمون الملاحظات.
الإجراء: يقارنون القاعدة الجديدة بالقواعد القديمة. إذا كانت القاعدة الجديدة أفضل، يخبرون المخرج: "عمل رائع، استمر في هذا!". وإذا كانت أسوأ، يقولون: "تلك الإضاءة كانت مظلمة جدًا؛ جرب شيئًا آخر".
التشبيه: هؤلاء هم نقاد الأفلام ومساعدو المخرج. هم لا يكتفون بالقول "جيد" أو "سيء" فحسب؛ بل يشرحون لماذا حتى يتمكن المخرج من تحسين السيناريو التالي.

السر الكامن: التخطيط "المدرك للحالة" (State-Aware Planning)

يكمن سحر PathWise في أنه لا ينظر فقط إلى النتيجة الحالية. بل ينظر إلى الرحلة بأكملها.

الطريقة القديمة: "لقد جربت هذا، وفشل. لنحاول شيئًا مختلفًا تمامًا".
طريقة PathWise: "لقد جربت هذا، وفشل لأنني تجاهلت المسافة إلى المدينة التالية. كما جربت ذاك، وقد نجح بشكل جيد. لنقم بدمج منطق المسافة من المحاولة الثانية مع منطق السرعة من المحاولة الأولى".

من خلال الاحتفاظ بهذه "الذاكرة الحالة" (Stateful Memory)، يتجنب PathWise تكرار الأخطاء ويبني على النجاحات، مما يؤدي إلى تقارب أسرع (Convergence) للوصول إلى أفضل حل.

النتائج: أسرع وأذكى

اختبرت الورقة البحثية PathWise في العديد من الألغاز المعقدة (مثل توجيه الشاحنات، وتعبئة الصناديق، وحل مسألة البائع المتجول).

السرعة: وجد PathWise حلولاً أفضل باستخدام محاولات أقل من الطرق الأخرى. لقد وصل إلى "خط النهاية" بشكل أسرع.
الجودة: القواعد التي ابتكرها كانت أفضل من تلك التي صنعها البشر أو طرق الذكاء الاصطناعي الأخرى.
تعدد الاستخدامات: عمل بشكل جيد مع أنواع مختلفة من نماذج الذكاء الاصطناعي (Backbones) وعلى مشكلات ذات أحجام مختلفة.

ملخص التشبيه

تخيل أنك تحاول ابتكار الشطيرة المثالية.

الذكاء الاصطناعي القديم: تصنع شطيرة، تأكلها، وإذا كانت سيئة، ترميها وتصنع واحدة جديدة عشوائية تمامًا دون أي ذاكرة لما أضفته إليها.
PathWise: تحتفظ بـ دفتر وصفات. عندما تصنع شطيرة، تدون بالضبط ما فعلته. إذا كان طعمها سيئًا، تقرأ الدفتر، وتدرك أنك أضفت الكثير من الملح، وتدون ذلك. في المرة القادلة، تطلب من "ناقد" مراجعة دفترك، فيقول لك: "لا تخمن فحسب؛ استخدم وصفة الملح القليل من يوم الثلاثاء ولكن أضف الجبن من يوم الاثنين".

Pathwise هو نظام دفتر الوصفات الذكي هذا، الذي يسم يسمح للذكاء الاصطناعي بالتعلم من تاريخه لابتكار حلول أفضل للمشكلات المعقدة.

ملخص تقني: PathWise

بيان المشكلة

يهدف التصميم الاستدلالي المؤتمت (AHD) إلى التوليد التلقائي للخوارزميات الاستدلالية لمشكلات التحسين التوافقي (COPs)، مما يقلل الاعتماد على التصميمات اليدوية التي يقوم بها الخبراء. وبينما مكنت النماذج اللغوية الكبيرة (LLMs) مؤخرًا من التصميم الاستدلالي المؤتمت عبر دمجها في عمليات البحث التطوري، إلا أن الأطر الحالية تعاني من قيود كبيرة. فغالباً ما تعتمد الطرق القائمة على المجموعات السكانية على قواعد تطورية ثابتة وقوالب مطالبات (prompts) استاتيكية، مما يؤدي إلى توليد استدلالي قاصر الرؤية، وتقييمات مكررة، وتقارب مبكر. أما الطرق القائمة على الأشجار، مثل تلك التي تستخدم بحث شجرة مونت كارلو (MCTS)، فتفرض هياكل هرمية مدفوعة بإحصائيات الأداء بدلاً من الفهم الدلالي لمساحة البحث. والأهم من ذلك، تفتقر الأساليب الحالية إلى تمثيل دلالي وحالي (stateful) لكيفية اشتقاق الاستدلالات، وكيفية انتقال التعديلات عبر الأجيال، أو سبب نجاح أو فشل التغييرات. ويؤدي هذا إلى استخدام غير فعال لاستدعاءات النماذج اللغوية الكبيرة والفشل في نقل القرارات الماضية بفعالية.

المنهجية

يقترح المؤلفون PathWise (التخطيط عبر نموذج عالم للتصميم الاستدلالي المؤتمت عبر النماذج اللغوية الكبيرة ذاتية التطور)، وهو إطار عمل استدلالي متعدد الوكلاء يصيغ توليد الاستدلال كعملية اتخاذ قرار متسلسلة عبر رسم بياني للاستلزام (entailment graph). يعمل هذا الرسم البياني كذاكرة حالة مدمجة لمسار البحث.

المكونات الأساسية

الرسم البياني للاستلزام ( $G = (V, E)$ ):
- بخلاف الأشجار التطورية أو المجموعات السكانية القياسية، يقوم الرسم البياني للاستلزام بتشفير تاريخ الاشتقاق.
- العقد ( $v$ ): تمثل صفوفاً تحتوي على كود الاستدلال ( $h$ )، ومنطق الاشتقاق باللغة الطبيعية ( $\kappa$ )، والوصف الخوارزمي ( $d$ )، ومقاييس الأداء ( $P(h; D)$ )، وبيانات وصف الأب ( $PM$ ).
- الحواف ( $E$ ): تربط مجموعات الآباء بالعقد الأبناء، وتُشفر المنطق المحدد المستخدم لاشتقاق الابن من آبائه.
- يسمح هذا الهيكل للنظام بضبط القرارات المستقبلية بناءً على تاريخ الاشتقاق بدلاً من معاملة الخطوات كأحداث عينات معزولة.
النظام متعدد الوكلاء:
يعمل الإطار عبر دورة منسقة من التخطيط، والتنفيذ، والتفكير عبر مقياسين زمنيين (تحديثات المجموعة السكانية الخارجية وخطوات الاستلزام الداخلية):
- وكيل السياسة ( $\pi_p$ ): يعمل كمخطط رفيع المستوى. يراقب الحالة الحالية (جبهة الرسم البياني للاستلزام) ويقترح إجراءات محددة بواسطة زوج من عقد الآباء المختارة ( $S$ ) ومنطق اشتقاق باللغة الطبيعية ( $\kappa$ ). يتيح ذلك للسياسة ابتكار أنواع جديدة من العمليات ديناميكياً بدلاً من الاعتماد على قوالب ثابتة.
- وكيل نموذج العالم ( $\pi_{wm}$ ): يعمل كمنفذ منخفض المستوى. يقوم بترجمة إجراءات السياسة عالية المستوى إلى كود استدلالي قابل للتنفيذ (rollouts) مشروط بالآباء المختارين والتوجيه.
- وكلاء النقد (Critic Agents):
  - ناقد السياسة ( $\pi_{p\_critic}$ ): يحلل نتائج إجراءات السياسة (اختيار الآباء والتوجيهات) لتقديم تأملات موجهة توجه الاستراتيجيات التطورية المستقبلية.
  - ناقد نموذج العالم ( $\pi_{wm\_critic}$ ): يقارن بين أفضل وأسوأ عمليات تشغيل الاستدلال (rollouts) لتقديم ملاحظات حول جودة تركيب الكود، مما يوجه نموذج العالم لتحسين البنية الخوارزمية والكفاءة.
عملية البحث:
- الحلقة الخارجية: تحافظ على مجموعة سكانية من العقد الجذرية.
- الحلقة الداخلية: تبني تدريجياً رسماً بيانياً للاستلزام متجذراً في المجموعة السكانية الحالية. في كل خطوة، يأخذ النظام عينات من إجراءات متعددة وعمليات تشغيل، ويختار أفضل عقدة ناتجة، ويحدث الرسم البياني.
- آليات التنوع: لمنع المخرجات منخفضة التنوع، يستخدم PathWise تنوع مستوى المطالبة (اضطراب المطالبات بعبارات استكشافية) وخلط الحالة (عشوائية ترتيب العقد لتخفيف الانحياز الموقعي).

المساهمات الرئيسية

صياغة هجينة بين الرسم البياني والمجموعة السكانية: قدم المؤلفون صياغة حيث يشفر الرسم البياني للاستلزام منطق الاشتقاق وتاريخ الأداء، مما يعمل كحالة مشتركة للتفاعل بين السياسة ونموذج العالم.
إطار عمل متعدد الوكلاء منسق: نظام يتحكم فيه وكيل السياسة في الاستراتيجية التطورية، ويقوم نموذج العالم بتنفيذ توليد الكود، بينما يقدم وكلاء النقد تأملات موجهة، مما يتيح توليد استدلال ذاتي التطور وواعٍ بالحالة دون تحديث معاملات النموذج اللغوي الكبير.
تنوع مستوى المطالبة: آليات لضمان تنوع اختيار الآباء وعمليات تشغيل الاستدلال، مما يتيح استكشافاً أوسع عبر الرسم البياني للاستلزام.
التحقق التجريبي: تجارب مكثفة تثبت أن PathWise يكتشف استدلالات أقوى بعدد أقل من التقييمات، ويحقق تقارباً أسرع، ويتوسع بفعالية مع أحجام المشكلات الأكبر عبر مختلف مشكلات التحسين التوافقي.

النتائج التجريبية

تم تقييم PathWise على العديد من مشكلات التحسين التوافقي الصعبة (NP-hard)، بما في ذلك مسألة البائع المتجول (TSP)، مسألة الحقيبة (KP)، مسألة توجيه المركبات ذات السعة المحددة (CVRP)، مسألة الحقيبة المتعددة (MKP)، مسألة التوجيه (OP)، ومسألة تعبئة الصناديق (BPP). تم اختبار الإطار عبر ثلاثة نماذج بحث: البناء خطوة بخطوة، وتحسين مستعمرة النمل (ACO)، والبحث المحلي الموجه (GLS).

الأداء: تفوق PathWise باستمرار على النماذج المرجعية المتقدمة القائمة على النماذج اللغوية الكبيرة (مثل FunSearch، وEoH، وReEvo، وHSEvo، وMCTS-AHD) وعلى الاستدلالات المصممة يدوياً. حقق فجوات مثالية أقل عبر مجموعات الاختبار داخل النطاق وخارجه.
الكفاءة: حقق Pathwise تقارباً أسرع نحو استدلالات أفضل. في عدة تجارب، حقق PathWise أداءً متفوقاً بـ 500 تقييم فقط، بينما سُمح للنماذج المرجعية بـ 1000 تقييم.
القابلية للتوسع: أظهرت الطريقة قدرة قوية على التعميم لأحجام مشكلات أكبر (مثل TSP بـ $N=200$ ، وKP بـ $N=500$ ) ومع مختلف النماذج اللغوية الكبيرة (GPT-4o-mini، وGPT-5-nano بمستويات استدلال متفاوتة).
دراسات الاستئصال (Ablation Studies): أدى إزالة وكلاء النقد أو آليات التنوع إلى تدهور الأداء بشكل كبير، مما أكد ضرورة التغذية الراجعة الواعية بالحالة والاستكشاف.

الأهمية والادعاءات

يزعم البحث أن PathWise يمثل تحولاً من "التطور القائم على التجربة والخطأ" نحو "التخطيط الواعي بالحالة من خلال الاستدلال". ومن خلال معاملة اكتشاف الاستدلال كعملية اتخاذ قرار متسلسل عبر رسم بياني للاستلزام، يمكن للنظام نقل القرارات الماضية واستخدام أو تجنب معلومات الاشتقاق عبر الأجيال.

يؤكد المؤلفون أن PathWise هو نظام لا يتطلب تدريباً بمعنى أنه لا يقوم بتحديث معاملات النماذج اللغوية الكبيرة؛ بل يستفيد من المعرفة المسبقة للنماذج اللغوية الكبيرة التي يتم تعزيزها عبر التأملات باللغة الطبيعية. تكمن الأهمية في قدرته على التغلب على قصور الرؤية في الأساليب الحالية عبر توفير ذاكرة مهيكلة لعملية البحث، مما يقلل من التقييمات المكررة ويمكّن الاكتشاف الأكثر فعالية للاستدلالات عالية الجودة للمشكلات المعقدة. ويشير العمل إلى أن الاستدلال المهيكل فوق تاريخ الاشتقاق يعد مكوناً حاسماً لتوسيع نطاق التصميم الخوارزمي المعتمد على النماذج اللغوية الكبيرة.