🤖 AI

Persona Generators: Generating Diverse Synthetic Personas for Arbitrary Contexts

تقدم هذه الورقة "مولدات الشخصيات" (Persona Generators)، وهو إطار عمل تكراري قائم على تقنية AlphaEvolve يستخدم النماذج اللغوية الكبيرة لتطوير كود برمجي قادر تلقائياً على توليد مجموعات سكانية اصطناعية متنوعة ذات تغطية واسعة للسمات والآراء النادرة، مما يتفوق بشكل كبير على النماذج المرجعية الحالية في تقييم أنظمة الذكاء الاصطناعي عبر سياقات تعسفية.

المؤلفون الأصليون: Davide Paglieri, Logan Cross, William A. Cunningham, Joel Z. Leibo, Alexander Sasha Vezhnevets

نُشر 2026-05-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Davide Paglieri, Logan Cross, William A. Cunningham, Joel Z. Leibo, Alexander Sasha Vezhnevets

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 بناء محاكاة لمدينة لاختبار كيف سيعمل قانون مروري جديد. إذا ملأت محاكاتك فقط بـ "سائقين متوسطين" — أشخاص مهذبون، يتبعون القواعد، ويقودون تماماً بسرعة السرعة المحددة — فقد تعتقد أن نظامك آمن. لكن في العالم الحقيقي، هناك أيضاً الشخص الذي يتجاوز الإشارة الحمراء، والسائق الذي يعاني من نوبات غضب، وذلك الذي يسلك طريقاً جانبياً لمجرد رؤية غروب الشمس. إذا أغفلت محاكاتك هؤلاء "الاستثناءات"، فسوف يفشل اختبارك عندما يصطدم بالواقع.

هذه الورقة البحثية، "مولدات الشخصيات" (Persona Generators)، تتحدث عن إصلاح مشكلة تتمثل في أن محاكاة الكمبيوتر للبشر (باستخدام النماذج اللغوية الكبيرة أو LLMs) تكون مملة للغاية ومتشابهة جداً.

إليك تفصيل لما قاموا به، باستخدام تشبيهات بسيطة:

المشكلة: تأثير "القالب الموحد"

حالياً، عندما تطلب من الذكاء الاصطناعي "إنشاء مجموعة متنوعة من الناس"، فإنه غالباً ما يعطيك مجموعة من الأشخاص الذين يفكرون ويتصرفون بنفس الطريقة. جميعهم مهذبون، وموافقون، ويتبعون السيناريو "القياسي". يطلق المؤلفون على هذا اسم انهيار النمط (Mode Collapse).

التشبيه: تخيل مخبزاً من المفترض أن يخبز أنواعاً مختلفة من الخبز. بدلاً من صنع خبز العجين المخمر، والخبز الأسمر، والباجيت، ولفائف القرفة، يستمر المخبز في صنع نفس رغيف الخبز الأبيض المتطابق مراراً وتكراراً. حتى لو طلبت منه "خبزاً متنوعاً"، فإن الآلة ستستمر في إنتاج نفس الرغيف لأن هذا هو ما ترتاح له.
النتيجة: إذا استخدمت هؤلاء الأشخاص "ذوي القالب الموحد" لاختبار تطبيق جديد أو سياسة اجتماعية، فستفقد ردود الفعل النادرة ولكن الخطيرة (أو المفيدة) التي لن تظهر إلا من قبل "الاستثناءات".

الحل: "الطاهي التطوري"

بدلاً من محاولة إجبار الذكاء الاصطناعي على صنع بشر متنوعين بشكل مباشر، بنى المؤلفون أداة تسمى مولد الشخصيات (Persona Generator). فكر في هذا ليس كشخص، بل كـ وصفة أو دالة.

الهدف: أرادوا وصفة يمكنها، عند إعطائها موضوعاً (مثل "أشخاص ينتظرون توصيل طعام")، أن تطهو فوراً حشداً من 25 شخصاً يكونون جميعاً مختلفين تماماً عن بعضهم البعض، بحيث يغطون كل أنواع الشخصيات الممكنة من "الغاضب" إلى "الصبور" إلى "المتحير".
الطريقة (AlphaEvolve): لم يكتبوا هذه الوصفة يدوياً. بل استخدموا نظاماً يسمى AlphaEvolve.
- التشبيه: تخيل طاهياً يحاول كتابة الوصفة المثالية لـ "خبز متنوع". بدلاً من أن يتذوق الطاهي الخبز، هو يكتب التعليمات الخاصة بالخبز.
- ثم، يستخدم ذكاءً اصطناعياً ثانياً ("طاهي الطفرات") لتعديل التعليمات. "ربما يجب أن نخبر الخباز بإضافة المزيد من الملح"، أو "ربما يجب أن نخبرهم بأن يخبزوا الخبز بشكل غريب".
- يقومون بخبز الخبز (توليد الأشخاص)، يتذوقونه (اختبار مدى تنوع الأشخاص)، وإذا لم يكن متنوعاً بما يكفي، يقومون بتعديل التعليمات مرة أخرى.
- يكررون هذه العملية 500 مرة. في النهاية، يكتشف الذكاء الاصطناعي مجموعة من التعليمات (الكود) التي تجيد بشكل مذهل صنع مجموعة واسعة من أنواع الخبز.

كيف قاسوا النجاح

لم ينظروا فقط إلى الخبز؛ بل قاسوا مدى تغطية الخبز لـ "مساحة النكهة".

التغطية: هل تضمنت المجموعة أشخاصاً يحبون الطعام الحار، وأشخاصاً يكرهونه، والجميع فيما بينهما؟
"الذيل الطويل" (The Long Tail): هل تضمنت التركيبات الغريبة والنادرة (مثل شخص يكون خجولاً للغاية ويحب موسيقى الميتال الصاخبة في آن واحد)؟

النتيجة: "الوصفة المتطورة" (مولد الشخصيات) أنشأت مجموعات من الناس كانت أكثر تنوعاً بكثير من أي طريقة أخرى جربوها.

اكتشاف مفاجئ: عادةً، عندما تحاول جعل الأشياء "متنوعة"، تبدأ في الظهور بشكل مزيف أو غريب. لكن هذه الورقة وجدت أنه من خلال إجبار الذكاء الاصطناعي على تغطية كامل نطاق الاحتمالات، بدا الأشخاص الناتجون في الواقع أكثر واقعية من الأشخاص الذين تم توليدهم بواسطة طرق مصممة لمطابقة الإحصائيات الواقعية. اتضح أنه من خلال محاربة "تأثير القالب الموحد"، نجحوا بالصدفة في التقاط الفوضى الحقيقية للسلوك البشري بشكل أفضل مما فعل الخبراء.

لماذا هذا مهم

يقول المؤلفون إن هذا يشبه امتلاك مختبر لاختبار الجهد (Stress-test lab).

إذا كنت تبني سيارة ذاتية القيادة، فأنت لا تريد فقط اختبارها على السائقين الهادئين. أنت تريد اختبارها على السائق الذي يقطع طريقك، وعلى السائق الذي يلوح لك ليمر، وعلى السائق المشتت بهاتفه.
تتيح لك هذه الأداة توليد "حشد" من البشر الاصطناعيين لأي موقف (على سبيل المثال، "كيف سيتفاعل الناس مع ضريبة جديدة؟" أو "كيف سيتصرف الناس في سيناريو خيال علمي؟") وضمان أن الحشد يتضمن الغريب، والمتطرف، والنادر، وليس فقط المتوسط.

الملخص

تقدم الورقة أداة تستخدم البحث التطوري (التجربة والخطأ باستخدام الذكاء الاصطناعي) لكتابة كود يولد مجموعات متنوعة من البشر.

الطريقة القديمة: اطلب من الذكاء الاصطناعي "صنع بشر متنوعين" -> يصنع الذكاء الاصطناعي 25 شخصاً مهذباً ومتشابهاً.
الطريقة الجديدة: طوّر "وصفة" تجبر الذكاء الاصطناعي على صنع 25 شخصاً مختلفين عن بعضهم البعض قدر الإمكان.
النتيجة: الطريقة الجديدة تنشئ مجموعات أكثر تنوعاً، وتغطي مساحة "بشرية" أكبر، وتظهر بشكل مفاجئ أنها أكثر واقعية من الطرق السابقة، رغم أنها لم تُدرب صراحةً على بيانات بشرية حقيقية.

ينوي المؤلفون مشاركة أفضل "وصفاتهم" (الكود) حتى يتمكن الآخرون من استخدامها لاختبار منتجات الذكاء الاصطناعي الخاصة بهم أو عمليات المحاكاة الاجتماعية.

ملخص تقني: مولدات الشخصيات لسكانيات اصطناعية متنوعة

بيان المشكلة

تقدم محاكاة السلوك البشري باستخدام النماذج اللغوية الكبيرة (LLMs) مختبراً قابلاً للتوسع لعلوم الاجتماع واختبار إجهاد الذكاء الاصطائي. ومع ذلك، تعاني النماذج اللغوية الكبيرة القياسية بشكل متكرر من "انهيار النمط" (mode collapse)، حيث تنهار نحو مجموعة فرعية ضيقة من الاستجابات النمطية، أو شديدة الموافقة، أو الاستجابات التي تنتمي لثقافات (WEIRD) (الغربية، المتعلمة، الصناعية، الغنية، الديمقراطية). وهذا يحد من القدرة على محاكاة كامل نطاق التنوع البشري، وخاصة الحالات الشاذة النادرة ولكن ذات العواقب الوخيمة.

تسعى المنهجيات الحالية لإنشاء البشر الاصطناعيين عادةً إلى مطابقة الكثافة (density matching)، محاولةً مواءمة المخرجات الاصطناعية مع الإحصائيات الإجمالية للبيانات الواقعية. وبينما يعد هذا النهج فعالاً لنمذجة المستخدمين المتوسطين، إلا أنه غير مناسب جوهرياً لاختبار الإجهاد أو التنبؤ في السيناريوهات الاستشرافية (مثل الاستجابات المجتمعية للذكاء الاصطناي العام AGI)، حيث يكون استكشاف النطاق الكامل للاستجابات البشرية الممكنة أكثر أهمية من تحديد الاستجابة الأكثر احتمالاً. تجادل الورقة بأن المحاكاة القوية تتطلب تحولاً في الهدف من الدقة الخوارزمية (مطابقة أفراد محددين) إلى تغطية الدعم (support coverage): ضمان أن تغطي السكانيات الاصطناعية كامل مشهد السمات والآراء والتفضيلات البشرية، بما في ذلك "الذيل الطويل" للسلوكيات المتطرفة.

المنهجية

تقدم الورقة مولدات الشخصيات (Persona Generators)، وهي وظائف خفيفة الوزن قادرة على إنتاج سكانيات اصطناعية متنوعة لسياقات عشوائية عند الطلب. وبدلاً من تحسين الشخصيات الفردية، يقوم المؤلفون بتحسين كود المولد نفسه باستخدام حلقة بحث تطورية مدعومة بـ AlphaEvolve.

نظرة عامة على خط الإنتاج (Pipeline)

توليد الاستبيان: تبدأ العملية بتوليد استبيانات اصطناعية ( $q$ ) تتكون من سياق ( $c$ )، ومجموعة من محاور التنوع ( $D$ )، وعناصر الاستطلاع ( $I$ ). يتم إنشاء هذه العناصر باستخدام التلقين بلقطات قليلة (few-shot prompting) بناءً على أدوات القياس النفسي الراسخة (مثل مقياس الخمس الكبرى، وDASS، وSVO).
توليد الشخصية ( $G_{\phi,\theta}$ ): تأخذ وظيفة مولد الشخصية السياق ومحاور التنوع كمدخلات لإنتاج عدد $N$ $N$ من الشخصيات الاصطناعية ( $P$ $P$ ). تتبع بنية المولد عملية من مرحلتين:
- المرحلة الأولى (التوليد التلقائي - Autoregressive): يقوم النموذج اللغوي الكبير بتوليد واصفات عالية المستوى لكل شخصية، مما يحدد موقعهم على محاور التنوع المحددة.
- المرحلة الثانية (التوازي - Parallel): يتم توسيع هذه الواصفات بالتوازي إلى ملفات تعريف شخصية كاملة مع سمات وتفاصيل خلفية محددة.
المحاكاة والتقييم: يتم وضع كل شخصية في محاكاة كونكورديا (Concordia simulation) حيث يجيبون على عناصر الاستبيان. يتم رسم استجاباتهم إلى تضمينات عددية ( $Z$ ).
مقاييس التنوع: يتم قياس تنوع السكان باستخدام ستة مقاييس ( $M(Z)$ $M (Z)$ ):
- التغطية (تقدير مونت كارلو)
- حجم الغلاف المحدب (Convex Hull Volume)
- الحد الأدنى للمسافة بين الزوجين
- متوسط المسافة بين الزوجين
- التشتت (نصف قطر أكبر منطقة فارغة)
- تباعد KL عن توزيع شبه عشوائي مثالي
التحسين التطوري: تستخدم AlphaEvolve مقاييس التنوع كدالة لياقة (fitness function) لتعديل كود المولد ( $\phi$ ) بشكل تكراري. تقوم عامل الطفرة (وهو نموذج لغوي كبير) بتعديل المنطق داخل المرحلة الأولى والمرحلة الثانية لاكتشاف تنفيذات جديدة للمولد تعظم التغطية عبر محاور التنوع.

المساهمات الرئيسية

صياغة تغطية الدعم: تصيغ الورقة توليد الشخصيات الاصطناعية كمسألة تعظيم التنوع عبر تضمينات السمات، مع التحول صراحةً من الهدف المتمثل في مطابقة أفراد محددين إلى شمول فضاء السمات والتفضيلات الممكنة.
بنية مبتكرة لمولد الشخصية: تم اقتراح بنية مكونة من مرحلتين وقابلة للتوسع تفصل بين قرارات مستوى السكان (المرحلة 1) وتوسيع الخلفية لكل شخصية (المرحلة 2). يقترن ذلك بخط إنتاج يستخدم النماذج اللغوية الكبيرة لتوليد الاستبيانات، ومحاكاة التفاعلات، وتطوير كود المولد.
الاكتشاف التطوري للمولدات: يوضح المؤلفون أن البحث التطوري المدفوع بالنماذج اللغوية الكبيرة يمكنه اكتشاف وظائف توليد جديدة تتفوق بشكل كبير على النماذج المرجعية في مقاييس التغطية والتنوع.

النتائج

تم تقييم مولدات الشخصيات المتطورة مقابل أربعة نماذج مرجعية: Nemotron Personas (مجموعة بيانات ثابتة قائمة على التركيبة السكانية الأمريكية)، ونموذج التلقين بالتنوع (Diversity Prompting) (المُحسّن عبر تلقين عالي الجهد)، وConcordia Generator (القائم على الذاكرة التكوينية)، ونموذج الاسم فقط (Name-only).

مقاييس التنوع: تفوقت المولدات المتطورة بشكل كبير على جميع النماذج المرجعية في جميع المقاييس الستة للتنوع، سواء في مجموعات التدريب/التحقق أو في مجموعات الاختبار المستقلة. ومن الملاحظ أنها تفوقت على نموذج "التلقين بالتنوع"، مما يشير إلى أن البحث التطوري التكراري عبر تدفق التحكم ينتج استراتيجيات هيكلية لا يمكن للتلقين صفري المحتوى (zero-shot prompting) تحقيقها.
الواقعية والأمانة البشرية: رغم تحسينها لتغطية دعم واسع، ظلت الشخصيات المولدة واقعية. وجد تقييم "النموذج اللغوي كحكم" (LLM-as-a-judge) أن ما بين 93.0% إلى 99.2% من الشخصيات المولدة اعتُبرت واقعية. والأهم من ذلك، عند مقارنتها بالبيانات البشرية الحقيقية (مقياس الخمس الكبرى)، حقق المولد المتطور أعلى تغطية (62.9%) وأقل تباعد KL (0.99) بين جميع الطرق، متفوقاً بشكل كبير على النماذج المرجعية المرتبطة صراحةً بالتركيبة السكانية الواقعية. يشير هذا إلى أن تعظيم تغطية الدعم يخفف من انهيار النمط في النماذج اللغوية الكبيرة وي captura التباين البشري الحقيقي بشكل أفضل من نهج مطابقة الكثافة.
نقل السلوك: في المهام مفتوحة النهاية (كتابة الكوميديا وحل النزاعات)، أنتجت المولدات المتطورة طيفاً أوسع من السلوكيات والعواطف، بينما أظهرت النماذج المرجعية انهياراً حاداً في النمط (مثل الميل إلى الاستجابات المهذبة والمتجنبة للصراع).
التعميم والنقل: تعمم الكودات المتطورة بشكل جيد على السياقات المستقلة وتنتقل بفعالية عبر نماذج الاستدلال المختلفة (Gemma, Gemini, Qwen)، مع الحفاظ على هوامش تنوع عالية.

الأهمية والادعاءات

تدعي الورقة أن تحسين المولد نفسه، بدلاً من الشخصيات الفردية أو السكانيات الثابتة، هو اتجاه قابل للتطبيق وواعد لإنشاء وكلاء اصطناعيين متنوعين. وتتميز مولدات الشخصيات الناتلة بأنها خفيفة الوزن وقابلة لإعادة الاستخدام، مما يسمح بتوليد سكانيات متنوعة عند الطلب.

يؤكد المؤلفون أن هذا النهج لا يأتي على حساب الواقعية؛ فمن خلال مكافحة انهيار النمط في النماذج اللغوية الكبيرة صراحةً، تلتقط الطريقة توزيعات السمات البشرية الواقعية بشكل أفضل من النماذج المرجعية المصممة لمطابقة الإحصاءات البشرية. ويشير العمل إلى أنه إذا تمت تغطية كامل دعم السمات البشرية، يمكن بعد ذلك إعادة أخذ عينات من السكان لمطابقة أي كثافة مستهدفة محددة.

تختتم الورقة بالإشارة إلى الطبيعة مزدوجة الاستخدام لهذه التكنولوجيا: فبينما هي مفيدة لاختبار الإجهاد، واختبار الاختراق (red-teaming)، وتوليد وكلاء تفاعليين متنوعين، فإنها تحمل أيضاً مخاطر إساءة الاستخدام لإنشاء بوتات أو حملات تضليل. ويخطط المؤلفون لفتح المصدر لأفضل التنفيذات أداءً لدعم المزيد من الأبحاث.