🤖 AI

Bongards at the Boundary of Perception and Reasoning: Programs or Language?

تقدم هذه الورقة نهجاً عصبياً رمزياً يجمع بين النماذج اللغوية الكبيرة لتوليد البرامج ذات المعلمات وبين التحسين البايزي لضبط المعلمات لحل مشكلات بونغارد، مما يسد الفجوة بين الإدراك البصري والاستدلال التجريدي.

المؤلفون الأصليون: Cassidy Langenfeld, Claas Beger, Gloria Geng, Wasu Top Piriyakulkij, Keya Hu, Yewen Pu, Kevin Ellis

نُشر 2026-02-04

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Cassidy Langenfeld, Claas Beger, Gloria Geng, Wasu Top Piriyakulkij, Keya Hu, Yewen Pu, Kevin Ellis

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 بحثية بعنوان "مسائل بونغارد عند حدود الإدراك والاستنتاج"، باستخدام لغة بسيطة وتشبيهات إبداعية.

الصورة الكبيرة: تحدي "اللغز البصري"

تخيل أنك أمام مجموعة من 12 رسمة. ست منها "جيدة" (إيجابية) والست الأخرى "سيئة" (سلبية). مهمتك هي اكتشاف القاعدة السرية التي تفصل بين الجيدات والسيئات.

هذا ما يسمى "مسألة بونغارد" (Bongard Problem). هذه ليست مجرد ألعاب بسيطة مثل "أوجد الشكل المختلف". القواعد يمكن أن تكون معقدة للغاية.

مثال: ربما الصور "الجيدة" جميعها تحتوي على شكل له "عنق" أفقي، بينما العنق في الصور "السيئة" رأسي. أو ربما الأشكال في الصور "الجيدة" "متعرجة"، بينما الأشكال في "السيئة" "ملساء".

تسأل الورقة البحثية سؤالاً كبيراً: هل يمكن للذكاء الاصطناعي حل هذه الألغاز كما يفعل البشر؟ البشر بارعون في النظر إلى موقف جديد تماماً، وابتكار مفهوم جديد في اللحظة ذاتها (مثل "عنق أفقي") وتطبيقه. أما الذكاء الاصطناعي الحالي فهو بارع في التعرف على الأشياء التي رآها من قبل (مثل "هذه قطة")، لكنه غالباً ما يعاني عندما يتعين عليه ابتكار مفهوم جديد من الصفر.

المشكلة: الذكاء الاصطناعي إما جامد جداً أو غامض جداً

وجد الباحثون أن للذكاء الاصطناعي طريقتين رئيسيتين في التفكير، وكلتاهما تعانيان من عيوب عند حل هذه الألغاز:

نهج "المحادثة" (اللغة الطبيعية):
- كيف يعمل: ينظر الذكاء الاصطناعي إلى الصور ويحاول وصف القاعدة بالكلمات، مثل محقق يكتب تقريراً.
- العيب: هو جيد في الأفكار الكبيرة لكنه سيء في الدقة. قد يقول: "الأشكال الجيدة مدببة نوعاً ما"، لكنه لا يستطيع التمييز بين شكل "مدبب قليلاً" وشكل "مدبب جداً". الأمر يشبه طباخاً يعرف أن الوصفة تتطلب "رشة ملح" لكنه لا يعرف بالضبط كم مقدار تلك الرشة.
نهج "المبرمج" (الكود البرمجي):
- كيف يعمل: يكتب الذكاء الاصطناعي برنامجاً حاسوبياً لفحص الصور. يمكنه قياس المسافات والزوايا والأعداد بدقة متناهية.
- العيب: هو ممتاز في الدقة لكنه سيء في الإبداع. إذا كانت القاعدة هي "الشكل يبدو كوجه حزين"، فإن البرنامج الحاسوبي يكافح لتعريف كلمة "حزن" رياضياً. إنه يشبه روبوتاً يمكنه قياس الغرفة بالمليمتر، لكنه لا يستطيع فهم مفهوم "الدفء والراحة" (Cozy).

الحل: فريق "المترجم"

بنى المؤلفون نظاماً جديداً يعمل كـ فريق من متخصصين يعملان معاً. يسمون هذا النهج "النهج العصبي الرمزي" (Neurosymbolic) (الذي يجمع بين الشبكات العصبية/الذكاء الاصطناعي وبين المنطق الرمزي/البرامج).

إليك كيف يعمل هذا الفريق، خطوة بخطوة:

الخطوة 1: مولد الأفكار (الـ "Chatbot")

أولاً، نطلب من نموذج ذكاء اصطناعي قوي (نموذج لغوي بصري) النظر إلى اللغز وتخمين بعض القواعد المحتملة بلغة إنجليزية بسيطة.

تشبيه: تخيل جلسة عصف ذهني حيث يقترح كاتب مبدع: "ربما القاعدة تتعلق بـ 'عنق' الشكل!"

الخطوة 2: المترجم (الـ "Programmer")

بعد ذلك، يأخذ النظام تلك التخمينات الإنجليزية ويحاول تحويلها إلى كود برمحي.

اللمسة المميزة: لا يكتب الذكاء الاصطناعي الكود فحسب، بل يترك "فراغات" للأرقام الصعبة. على سبيل المثال، إذا كانت القاعدة هي "الأشكال ذات عنق أطول من X"، فإن الذكاء الاصطناعي يكتب الكود ولكنه يترك (X) كمتغير مجهول.
تشبيه: الكاتب يقول: "العنق يجب أن يكون أطول من [فراغ]". المبرمج يجهز الآلة لقياس العنق لكنه ينتظر الرقم الدقيق.

الخطوة 3: الضبط (التحسين البايزي - Bayesian Optimization)

هذا هو "السر الخفي". يخضع النظام لعملية "تجربة وخطأ" لإيجاد الرقم المثالي لتلك الفراغات. يختبر أرقاماً مختلفة (مثل 5 بكسل، 10 بكسل، 15 بكسل) ليرى أي منها يفصل تماماً بين الصور "الجيدة" والصور "السيئة".

تشبيه: تخيل أنك تضبط جهاز الراديو. أنت تعلم أن المحطة موجودة في مكان ما بين 90 و100، لكنك لا تعرف التردد الدقيق. أنت تقوم بتدوير القرص ببطء حتى يختفي التشويش وتصبح الموسيقى مثالية. النظام يفعل هذا رياضياً لإيجاد "نقطة القطع" الدقيقة للقاعدة.

الخطوة 4: الحَكَم (المُحقِّق - The Verifier)

أخيراً، يتحقق النظام: "هل يعمل هذا الكود فعلياً على جميع صور التدريب؟"

إذا عمل الكود بشكل مثالي، يقبل النظام القاعدة.
إذا فشل الكود، يعود النظام إلى "الـ Chatbot" ويقول له: "هذه الفكرة لم تنجح، جرب مرة أخرى"، وتتكرر الدورة.

ماذا وجدوا؟

اختبر الباحثون هذا "النهج الجماعي" مقابل أفضل نماذج الذكاء الاصطناعي المتاحة (مثل GPT-4o و Claude 3.7) وحتى مقابل أداء البشر المتوسط.

الفريق يفوز: من خلال الجمع بين إبداع "الـ Chatbot" ودقة "المبرمج"، حل نظامهم 51 من أصل 100 من مسائل بونغارد.
التفوق على البشر: حل البشر المتوسط في الدراسات السابقة حوالي 47 مسألة. أما فريق الذكاء الاصطناعي الخاص بهم فقد حل 51 مسألة، مما يمثل المرة الأولى التي يتفوق فيها الذكاء الاصطناعي على متوسط الأداء البشري في هذا الاختبار المحدد.
نقاط قوة مختلفة:
- عندما كانت المسألة تتعلق بـ الهندسة والرياضيات (مثل "هل هذه الخطوط متوازية؟")، كان جزء "المبرمج" في الفريق هو البطل.
- عندما كانت المسألة تتعلق بـ مفاهيم مجردة (مثل "هل هذا الشكل 'مفتوح' أم 'مغلق'؟")، كان جزء "الـ Chatbot" هو البطل.
- عندما استخدموا "الـ Chatbot" فقط أو "المبرمج" فقط، كان أداؤهم أسوأ. لقد كانوا بحاجة إلى كليهما.

فحص "الحفظ" (الـ Memorization)

كان الباحثون قلقين من احتمال قيام الذكاء الاصطناعي بـ "الغش" عبر حفظ الإجابات من الإنترنت (بما أن هذه الألغاز قديمة وشائعة). لاختبار ذلك، قاموا بقلب القواعد: أخبروا الذكاء الاصطناعي أن الصور "السيئة" هي في الواقع الصور "الجيدة". ظل الذكاء الاصطناعي يعمل بشكل جيد، مما أثبت أنه لم يكن مجرد يسترجع إجابات محفوظة، بل كان يكتشف المنطق فعلياً.

الخلاصة

تظهر هذه الورقة البحثية أنه لحل الألغاز البصرية الصعبة، لا ينبغي للذكاء الاصطناعي أن يحاول فقط "التفكير" كإنسان أو "الحساب" ككمبيوتر. بل يجب عليه القيام بـ الأمرين معاً. من خلال السماح لذكاء اصطناعي مبدع باقتراح الأفك والأخر دقيق بالتحقق منها باستخدام الرياضيات الدقيقة، يمكننا بناء أنظمة تتعلم المفاهيم البصرية الجديدة بنفس كفاءة البشر، وأحياناً بشكل أفضل منهم.

ملخص تقني: بونغارد عند حدود الإدراك والاستنتاج: برامج أم لغة؟

تعريف المشكلة

تتناول الورقة البحثية تحدي حل "مسائل بونغارد" (Bongard Problems - BPs)، وهي مجموعة كلاسيكية من 100 لغز بصري للاستدلال في سياق التعلم القليل (few-shot) تم تقديمها عام 1970. تتكون كل مسألة من 12 صورة: ست صور تمثل مفهوماً "إيجابياً"، وست صور تمثل مفهوماً "سلبياً". وخلافاً للمهام مثل مصفوفات رافن التقدمية (Raven's Progressive Matrices)، التي تعتمد على تسلسلات منطقية ثابتة، تتطلب مسائل بونغارد من الحلّال إدراك سمات بصرية جديدة آنياً وتحديد بدائيات إدراكية جديدة بسلاسة للتمييز بين الفئتين. يكمن الصعوبة الجوهرية في الحد الفاصل بين الإدراك (تحديد سمات مثل "الرقبة"، أو "التجويف"، أو "الدائرية") والاستنتاج (صياغة قاعدة تفصل بين الفئات). وبينما تتفوق نماذج الرؤية واللغة (VLMs) في المهام البصرية اليومية، فإنها تواجه صعوبة في التعميم الجذري المطلوب في مسائل بونغارد، حيث غالباً ما تفشل في تركيب القواعد الهندسية أو المفاهيمية الدقيقة اللازمة للحل.

المنهجية

يقترح المؤلفون نهجاً "عصبياً-رمزياً" (neurosymbolic) يجمع بين الاستنتاج المفاهيمي عالي المستوى للنماذج اللغوية الكبيرة (LLMs) ودقة التنفيذ البرمجي. يعمل النظام من خلال مهمتين رئيسيتين: التحقق (تصنيف صورة محجوزة بناءً على قاعدة حقيقية) والحل (توليد القاعدة من الصفر).

بنية النظام

يتكون النظام من مكونين رئيسيين: مولد الفرضيات والمُحقِّق.

مولد الفرضيات:
- يستخدم نموذج رؤية ولغة (VLM) لتوليد قواعد مقترحة باللغة الطبيعية.
- لتحسين التنوع والارتباط، يستخدم المولد التوليد المعزز بالاسترجاع (RAG). حيث يقوم بأخذ عينات من القواعد بناءً على أمثلة داخل السياق مستمدة من مسائل بونغارد سابقة (بالاستفادة من المنهج الطبيعي لمجموعة البيانات) ومسائل عشوائية.
- في مهمة الحل، ينتج المولد قواعد مرشحة متعددة؛ أما في مهمة التحقق، فيأخذ القاعدة الحقيقية كمدخل.
المُحقِّق:
- يقيم المُحقِّق القواعد المرشحة باستخدام استراتيجية هجينة تتناوب بين الاستقراء البرمجي والاستنتاج (سلسلة الأفكام - CoT).
- الاستقراء البرمجي: بالنسبة لقاعدة معينة، يحاول نموذج الرؤية واللغة (VLM) تركيب برنامج بايثون (Python) ذي معاملات (parameterized) (تحديداً دالة classify_image) ينفذ تلك القاعدة.
  - البرامج ذات المعاملات: إدراكاً بأن القيم العددية الدقيقة (مثل تحديد "مستطيل" مقابل "مدمج") يصعب على النماذج اللغوية الكبيرة تخمينها، يعامل النظام هذه القيم كمعاملات.
  - التحسين البايزي (Bayesian Optimization): يقوم النظام بإجراء 15 خطوة من التحسين البايزي لإيجاد قيم المعاملات التي ترفع دقة البرنامج إلى أقصى حد على أمثلة التدريب.
  - التقييم (Scoring): يُقبل البرنامج إذا حقق درجة $\ge 0.9$ في مجموعة التدريب. إذا نجحت برامج متعددة، فإن الملصق (label) الأكثر شيوعاً في صورة الاختبار هو الذي يحدد المخرج.
- الاستنتاج (CoT): إذا لم يحقق أي برنامج الدرجة المطلوبة، يلجأ المُحقِّق إلى نهج "سلسلة الأفكار" (Chain-of-Thought)، حيث يتم توجيه نموذج الرؤية واللغة لتصنيف صورة الاختبار مباشرة بناءً على أمثلة التدريب والقاعدة المقترحة.

الإعداد التجريبي

النماذج: تدرس الدراسة أداء GPT-4o و Claude 3.7 Sonnet.
المهام:
- التحقق: تصنيف الصور بناءً على القاعدة الحقيقية.
- الحل: توليد القاعدة اللغوية الطبيعية الصحيحة للمسألة بأكملة.
- الانعكاس (Inversion): مهمة ضبط (control task) حيث يتم تبديل الأمثلة الإيجابية والسلبية لاختبار مدى الحفظ.
النماذج المرجعية (Baselines): تتم مقارنة الأداء مع نماذج الرؤية واللغة الأساسية (بدون تركيب البرامج) وأداء بشري سابق (Wüst et et al., 2025).

المساهمات الرئيسية

تقييم نماذج الرؤية واللغة الحديثة: تقدم الورقة معياراً صارماً لـ GPT-4o و Claude 3.7 في مسائل بونغارد، مع التمييز بين قدرتهما على التحقق من القواعد وتوليدها من الصفر.
النموذج العصبي-الرمزي الهجين: يقدم المؤلفون نموذجاً مبتكراً يركّب برامج ذات معاملات جنباً إلى جنب مع الاستنتاج باللغة الطبيعية. يستفيد هذا النهج من قدرة الـ VLM على توليد مفاهيم عالية المستوى وقدرة البرنامج على إجراء حسابات هندسية دقيقة وضبط المعاملات.
المقارنة بين الإنسان والنموذج: تحلل الدراسة البيانات البشرية لمقارنة نقاط القوة والضعف في نماذج الرؤية واللغة والنموذج الهجين المقترح مقابل السلوك البشري، وتحديد فئات محددة تنجح فيها النماذج أو تفشل مقارنة بالبشر.

النتائج

أداء التحقق:
- أظهر Claude 3.7 أداءً قوياً، حيث حقق دقة بلغت 86.5% عند الجمع بين التحقق البرمجي واستنتاج سلسلة الأفكار (CoT).
- تفوق النهج الهجين ("+ both") على استخدام البرامج وحدها أو الـ CoT وحده، لا سيما في فئات المكان (Spatial) والمفهوم (Concept). برع التحقق البرمجي في المسائل المكانية والمبنية على التشابه، بينما كان الـ CoT متفوقاً في المسائل المفاهيمية عالية المستوى والمسائل المبنية على الأرقام.
- أظهر GPT-4o فجوة أكبر بين الأداء البرمجي وأداء الـ CoT، حيث تفوق الـ CoT عموماً على تركيب البرامج، مما يشير إلى أن فعالية النهج الهجين تعتمد على قدرات توليد الكود في النموذج الأساسي.
أداء الحل:
- حل النظام الكامل الذي يستخدم Claude 3.7 كمولد للفرضيات 51 مسألة من أصل 100.
- يتجاوز هذا النتيجة متوسط الأداء البشري المسجل بواسطة Wüst et al. (2025)، والذي بلغ حوالي 47 حلاً صحيحاً.
- حل GPT-4o نحو 31 مسألة باستخدام الطريقة الهجينة، وهو تحسن عن أدائه الأساسي ولكنه لا يزال دون المتوسط البشري.
فحص الحفظ (Memorization Check): أظهرت مهمة "الانعكاس" أن تبديل الملصقات الإيجابية والسلبية لم يؤثر إلا قليلاً على أداء النموذج، مما يشير إلى أن النماذج لا تقوم بمجرد حفظ حلول مسائل محددة بل تشارك في استنتاج حقيقي.

الأهمية والادعاءات

تدعي الورقة أن الجمع بين اللغة الطبيعية والبرامج الرسمية يسمح لأنظمة الذكاء الاصطناعي بالاستنتاج بدقة أكبر حول المفاهيم البصرية مقارنة بأي وسيط منهما بمفرده. من خلال توليد المفاهيم باللغة وتنفيذها في الكود، يسد النظام الفجوة بين "الإدراك" (تحديد السمات) و"الاستنتاج" (تطبيق المنطق) المطلوب في مسائل بونغارد.

يصرح المؤلفون أن نظامهم، حسب علمهم، قد تجاوز لأول مرة دقة البشر المتوسطة في مسائل بونغارد. وهم لا يعتبرون ذلك حلاً نهائياً للاستدضاء البصري العام، بل خطوة نحو أنظمة ذكاء اصطناي يمكنها "اكتساب واستخدام مفاهيم إدراكية جديدة بطرق تشبه البشر". وتسلط الدراسة الضوء على أن امتلاك نماذج الرؤية واللغة (VLMs) لمعرفة واسعة من مرحلة التدريب المسبق، يتطلب دقة التنفيذ البرمجي للتعامل مع التفاصيل الهندسية والمعاملية للألغاز البصرية المجردة. وتخلص الدراسة إلى أن الطبيعة التكاملية للاستقراء (تركيب البرامج) والاستنتاج (CoT) ضرورية لمعالجة مهام تعلم المفاهيم الصعبة عند الحد الفاصل بين الإدراك والاستنتاج.