💬 NLP

Neuro-Symbolic Synergy for Interactive World Modeling

تقترح الورقة البحثية NeSyS، وهو إطار عمل عصبي-رمزي يدمج القدرة التعبيرية الدلالية للنماذج اللغوية الكبيرة مع الاتساق المنطقي للنماذج العالمية الرمزية من خلال التدريب المتناوب وقيود توزيع الاحتمالات المباشرة، محققاً دقة تنبؤ وكفاءة بيانات فائقتين عبر بيئات تفاعلية متنوعة.

المؤلفون الأصليون: Hongyu Zhao, Siyu Zhou, Haolin Yang, Zengyi Qin, Tianyi Zhou

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hongyu Zhao, Siyu Zhou, Haolin Yang, Zengyi Qin, Tianyi Zhou

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 كيفية لعب لعبة فيديو معقدة أو التنقل في موقع إلكتروني حقيقي. لديك معلمان مختلفان تماماً لمساعدتك:

"الحكواتي المبدع" (النموذج العصبي/النموذج اللغوي الكبير): هذا المعلم ذكي للغاية، يعرف ملايين الحقائق، ويمكنه تخمين ما سيحدث لاحقاً بناءً على الأنماط والمنطق السليم. ومع ذلك، فهو حالم بعض الشيء؛ قد "يهلوس" (يختلق أشياء من خياله) أو ينسى قواعد اللعبة الصارمة، مثل الاعتقاد بأن الشخصية يمكنها الطيران بينما تنص القواعد على أنها لا تستطيع.
"كتاب القواعد الصارم" (النموذج الرمزي): هذا المعلم عبارة عن روبوت يعمل بجدول بيانات. هو يعرف كل قواعد اللعبة بدقة متناهية. إذا حاولت كسر قاعدة ما، سيصرخ قائلاً "لا!" فوراً. لكنه سيء جداً في التخمين؛ فإذا واجه موقفاً غريباً أو معقداً، يتجمد في مكانه لأنه لا يملك قاعدة محددة له.

المشكلة:
إذا استخدمت "الحكواتي" فقط، فسيقوم الروبوت باختلاق قواعد وهمية ويفشل. وإذا استخدمت "كتاب القواعد" فقط، فسوف يعلق الروبوت عند أي شيء غير معتاد قليلاً.

الحل: NeSyS (التآزر العصبي الرمزي)
تقدم هذه الورقة إطار عمل يسمى NeSyS. فكر فيه كأنه تعاون مثالي بين "الحكواتي المبدع" و"كتاب القواعد الصارم".

إليك كيف يعمل، باستخدام تشبيه بسيط:

1. "مرشح الطاقة" (كيف يتواصلان)

عادةً، عندما تسأل الحكواتي سؤالاً، فإنه يعطيك قائمة بالإجابات المحتملة مع "درجة ثقة" لكل منها.

الطريقة القديمة: قد تقول للحكواتي: "يرجى تذكر القواعد!" (وهذا يشبه كتابة ملاحظة طويلة في الطلب/البرومبت). لكن الحكواتي غالباً ما يتجاهل الملاحظة إذا كان واثقاً جداً من تخمينه الخاص.
طريقة NeSyS: بدلاً من مجرد الطلب منه بلطف، يعمل كتاب القواعد مثل إشارة مرور أو مرشح (فلتر) موضوع مباشرة أمام فم الحكواتي.
- إذا اقترح الحكواتي حركة تكسر قاعدة (مثلاً: "الشخصية تقفز فوق جدار")، يقوم كتاب القواعد فوراً بتحويل احتمالية هذه الفكرة إلى صفر (ضوء أحمر).
- إذا اقترح الحكواتي حركة منطقية، يقوم كتاب القواعد بمنحها دفعة (ضوء أخضر).
- السحر هنا: لا يحتاج الحكواتي حتى إلى "قراءة" القواعد؛ فالقواعد تغير فعلياً احتمالات اختيار الإجابة.

2. نظام "زميل الدراسة" (كيف يتعلمان)

تصف الورقة أيضاً طريقة ذكية لتدريبهما حتى لا يضيعا الوقت في دراسة نفس الأشياء.

الخطوة 1: يبدآن بالنظر في مجموعة من المسائل التدريبية.
الخطوة 2: يقوم كتاب القواعد بحل المسائل السهلة والواضحة (مثل "إذا نقرت على 'شراء'، فإن السلعة ستختفي"). ثم يدون هذه القواعد.
الخطوة 3: يتم تعليم الحكواتي فقط المسائل التي لم يستطع كتاب القواعد حلها (المسائل الصعبة، الغريبة، أو الإبداعية).
النتيجة: لا يضيع الحكواتي وقته في إعادة تعلم الحساب الأساسي؛ بل يركز تماماً على الأمور الصعبة. هذا يقلل من بيانات التدريب المطلوبة بنسبة 50% مع جعل الروبوت أكثر ذكاءً.

أمثلة من الواقع من الورقة البحثية

اختبر الباحثون هذا التعاون في ثلاثة "عوالم" مختلفة:

ScienceWorld (اختبار العلوم): كان على الروبوت حل ألغاز علمية. تعامل كتاب القواعد مع المنطق الصارم (مثل "لا يمكنك خلط هذه المواد الكيميائية")، بينما تعامل الحكماء مع السيناريوهات الغريبة. معاً، حققا نتائج أفضل مما لو كان كل منهما بمفرده.
Webshop (المتجر الإلكتروني): تخيل أنك تحاول شراء قميص معين من موقع إلكتروني.
- الحكواتي قد يخمن تخطيط الأزرار بشكل خاطئ.
- كتاب القواعد يعرف بالضبط مكان شريط "البحث".
- معاً: يتنقل الروبوت في الموقع ببراعة، فيجد السلعة ويشتريها دون أن يضل طريقه.
Plancraft (لعبة Minecraft): هذه لعبة حيث تقوم بصناعة الأدوات.
- الحكواتي قد ينسى وصفة صنع السيف.
- كتاب القواعد يعرف الوصفة بدقة.
- معاً: لا ينسى الروبوت الوصفة أبداً، لكنه لا يزال قادراً على وضع استراتيجيات معقدة للحصول على المواد.

لماذا هذا مهم؟

هذا النهج يشبه إعطاء إنسان آلة حاسبة. أنت لا تحتاج لتعليم الإنسان كيفية القيام بالقسمة المطولة بدقة (الآلة الحاسبة تقوم بذلك)؛ أنت فقط تعلمه متى يستخدم الآلة الحاسبة وكيف يفسر النتيجة.

من خلال الجمع بين مرونة الذكاء الاصطناعي وموثوقية الأكواد البرمجية، يخلق NeSyS نظاماً يتميز بـ:

دقة أكبر: يتوقف عن اختلاق الحقائق.
كفاءة أعلى: يحتاج إلى نصف كمية البيانات للتعلم.
متانة أكثر: يعمل حتى عندما تكون القواعد صارمة والمواقف فوضوية.

باختصار، NeSyS هو الشراكة المثالية بين "العقل والعضلات"، مما يضمن أن وكلاء الذكاء الاصطناعي لدينا مبدعون بما يكفي لحل المشكلات ومنضبطون بما يكفي لاتباع القواعد.

إليك ملخص تقني مفصل لورقة البحث بعنوان "التآزر العصبي-الرمزي للنمذجة التفاعلية للعالم" (NeSyS).

1. بيان المشكلة

برزت النماذج اللغوية الكبيرة (LLMs) كنماذج عالم (WMs) قوية وعامة الأغراض لاتخاذ القرار المتسلسل. ومع ذلك، فهي تعاني من قصورين حرجين في البيئات التفاعلية:

الهلوسة وانتهاك القيود: غالبًا ما تفشل النماذج اللغوية الكبيرة في الالتزام بقواعد الانتقال الصارمة والحتمية (مثل ميكانيكا الألعاب، أو بروتوكولات تصفح الويب)، خاصة في الحالات الاستثنائية، وذلك بسبب طبيعتها الاحتمالية المتأصلة.
الافتقار إلى التعبير الدلالي: في المقابل، توفر نماذج العالم الرمزية البحتة (الأنظمة القائمة على القواعد) اتساقًا منطقيًا، لكنها تفتقر إلى القدرة التعبيرية الدلالية للتعامل مع البيئات المعقدة، عالية الأبعاد، أو غير محددة بدقة في اللغة الطبيعية.

تعتمد النهج العصبية-الرمزية الحالية غالبًا على هندسة الأوامر (Prompt Engineering) (مثل إدراج القواعد في سياق النموذج اللغوي). وتعد هذه الطريقة غير موثوقة لأن النماذج الأصغر أو تلك التي خضعت لضبط دقيق (Fine-tuning) كثيرًا ما تتجاهل التعليمات المدرجة، مما يحد من المتانة والقابلية للتوسع.

2. المنهجية: التآزر العصبي-الرمزي (NeSyS)

يقترح المؤلفون إطار عمل NeSyS، وهو إطار يدمج النماذج اللغوية الكبيرة والقواعد الرمزية ليس من خلال الأوامر، بل عبر تعديل توزيع احتمالية مخرجات النموذج اللغوي مباشرة.

البنية الأساسية

يتكون إطار العمل من مكونين:

النموذج العصبي للعالم (Neural WM): نموذج لغوي كبير يولد الحالات التالية المرشحة والمكافآت بناءً على حالة الاعتقاد الحالية والإجراء المتخذ.
النموذج الرمزي للعالم (Symbolic WM): مجموعة مرجحة من دوال بايثون القابلة للتنفيذ ( $F = \{(f_j, w_j)\}$ ) تعمل كقيود منطقية.

آلية الاستدلال

بدلاً من مطالبة النموذج اللغيدي باتباع القواعد، يعامل NeSyS القواعد الرمزية كـ مصطلح طاقة (Energy Term) يعمل على إزاحة مشهد الاحتمالات الخاص بالنموذج اللغوي:

يولد النموذج العصبي للعالم $K$ من الحالات التالية المرشحة ( $s_{t+1}, r_t$ ) واحتمالاتها ( $p_i$ ).
يقوم النموذج الرمزي للعالم بتقييم كل مرشح مقابل قواعده. تعطي كل قاعدة $f_j$ درجة $e_{ij} \in [-1, 1]$ تشير إلى مدى الصحة.
يتم تجميع هذه الدرجات في إزاحة طاقة قياسية $E_i = \sum w_j e_{ij}$ .
يتم حساب الاحتمالية النهائية كالتالي:
$\tilde{p}_i = p_i \exp(\gamma E_i)$
حيث $\gamma$ $γ$ هو عامل قياس.
- $E_i$ سالبة: تعاقب المرشحين الذين ينتهكون القيود الصارمة (مثل حركات اللعبة المستحيلة).
- $E_i$ موجبة: تعزز المرشحين الذين يستوفون الاتساقات المنطقية.
يتم اختيار المرشح صاحب أعلى قيمة لـ $\tilde{p}_i$ .

مسار التدريب: الصقل المتبادل

يستخدم NeSyS عملية تدريب تكرارية ذات مرحلتين لضمان أن يتعلم النموذجان معرفة تكاملية وليست معرفة زائدة عن الحاجة:

المرحلة 1: التهيئة
- النموذج العصبي للعالم: يتم تهيئته باستخدام نموذج لغوي كبير مدرب مسبقًا.
- النموذج الرمزي للعالم: يتم استنتاج القواعد عبر حلقة تصحيح أخطاء مؤتمتة. يقوم النظام بتجميع الأخطاء التي يرتكبها النموذج العصبي في مجموعة تطوير، ويستخدم نموذجًا لغويًا (gpt-5-mini) لتوليد دوال بايثون تصحح أنماط الخطأ المحددة هذه.
المرحلة 2: الصقل المتبادل
- اختيار البيانات الموجه بالقواعد: يقوم النظام بتصفية بيانات التدريب. الخطوات التي يمكن حلها بسهولة بواسطة النموذج الرمزي الحالي (تغطية قواعد عالية) يتم استبعادها.
- الضبط الدقيق للنموذج العصبي: يتم ضبط النموذج العصبي بدقة فقط على البيانات "الصعبة" المتبقية (المسارات التي لا تغطيها القواعد). هذا يقلل متطلبات بيانات التدريب بنسبة ~50% مع التركيز على الديناميكيات المعقدة والحدسية.
- صقل النموذج الرمزي: بعد تحسن النموذج العصبي، يحدد النظام أخطاء متبقية جديدة (حالات الذيل الطويل) ويولد قواعد جديدة لتغطيتها، مع استبعاد القواعد التي تؤثر سلبًا على الأداء.

3. المساهمات الرئيسية

فرض القيود على مستوى الاحتمالية: طريقة مبتكرة لفرض القيود الصارمة عن طريق تعديل توزيعات مخرجات النماذج اللغية عبر قواعد بايثون قابلة للتنفيذ، مما يلغي الاعتماد على قدرات اتباع التعليمات.
نموذج التدريب التكاملي: استراتيجية صقل متبادل حيث يتم تدريب النماذج العصبية والرمزية حصريًا على أنظمة البيانات التي لا يستطيع الآخر التعامل معها، مما يقلل بشكل كبير من تكرار البيانات.
التحقق التجريبي: إثبات التحسن المستمر في الأداء عبر بيئات تفاعلية متنوعة ومقاييس نماذج مختلفة، وتحقيق نتائج هي الأفضل في فئتها (SOTA) باستخدام كمية أقل بكثير من بيانات التدريب.

4. النتائج التجريبية

تم تقييم إطار العمل في ثلاث بيئات متميزة: ScienceWorld (فيزياء المنطق العام)، وWebshop (التنقل في التجارة الإلكترونية)، وPlancraft (صناعة الأشياء في Minecraft).

ScienceWorld: حقق NeSyS دقة بنسبة 68.3% باستخدام 45% فقط من بيانات التدريب، متفوقًا على خط الأساس القياسي للضبط الدقيق الخاضع للإشراف (SFT) الذي بلغ (64.4%) والذي استخدم 100% من البيانات.
Webshop: أظهر NeSYs أداءً فائقًا في المهام التي تتطلب منطقًا صارمًا (مثل مهام "البحث" و"القرار"). بينما حققت النماذج اللغية النقية دقة 0% في مهمة "البحث" بسبب الهلوسة، حقق NeSyS دقة 100% عبر استخدام القواعد الرمزية لفرض مطابقة النصوص بدقة.
Plancraft: خفف إطار العمل من النسيان الكارثي. في مهمة "Smelt"، تسبب الـ SFT القياسي في انخفاض الأداء (من 54.7% إلى 31.3% لنموذج Llama)، بينما حقق NeSyS دقة 98.4%. ظل الجزء الرمزي محصنًا ضد التحولات في التوزيع التي أربكت النموذج العصبي.
كفاءة البيانات: عبر جميع الاختبارات، تفوق NeSyS باستمرار على خطوط الأساس مع استخدام 35% إلى 60% فقط من بيانات التدريب، مما يثبت أن القواعد الصريحة يمكن أن تحل محل جزء كبير من بيانات التدريب.

5. الأهمية

المتانة في المجالات الحتمية: يحل NeSyS المشكلة الحرجة المتمثلة في فشل النماذج اللغية في البيئات التي تتطلب التزامًا صارمًا بالقواعد (مثل الألعاب أو بروتوكولات الويب) دون التضحية بالمرونة الدلالية للنماذج اللغية.
الكفاءة: من خلال تصفية البيانات "السهلة" التي يمكن للقواعد التعامل معها بالفعل، يقلل إطار العمل بشكل كبير من التكلفة الحسابية ومتطلبات البيانات لتدريب نماذج عالم عالية الأداء.
القابلية للتوسع: على عكس الطرق القائمة على الأوامر، يعمل نهج تعديل الاحتمالية بفعالية حتى مع النماذج الأصغر والأكثر ضبطًا والتي عادة ما تجد صعوبة في اتباع التعليمات المعقدة.
الاتجاه المستقبلي: تشير الورقة إلى أنه بينما يعمل الوزن الثابت الحالي بشكل جيد، فإن تطوير آليات توجيه ديناميكية للاختيار بين المسارات العصبية والرمزية يمثل مسارًا واعدًا للبحث المستقبلي.