OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Algorithm Discovery
يُعد OR-Agent إطار عمل بحثي متعدد الوكلاء يعزز التصميم الاستدلالي المؤتمت من خلال دمج توليد الفرضيات القائم على الأشجار مع نظام انعكاس هرمي مستوحى من التحسين، وذلك للتغلب على القيود الاستراتيجية والتعلمية التي تواجه الأساليب التطورية الحالية القائمة على النماذج اللغوية الكبيرة.
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 عالماً لا تكتفي فيه الحواسيب باتباع التعليمات فحسب، بل تحاول فيه ابتكار طرق جديدة لحل الألغاز. هذا هو الأفق المثير والفوضوي لـ "التصميم الاستدلالي المؤتمت". فكر في "الاستدلال" (Heuristic) كأنه حيلة ذكية أو قاعدة تقريبية، مثل سر طباخ لصنع أومليت مثالي دون وصفة. لعقود من الزمن، استخدم العلماء "البحث التطوري" لإيجاد هذه الحيل. إنه يشبه نسخة رقمية من الانتقاء الطبيعي: تولد مجموعة من الأفكار العشوائية، تختبرها، تحتفظ بالأفضل منها، ثم تمزجها معاً لإنشاء الجيل التالي. لكن هناك مشكلة؛ فالطرق التقليدية غالباً ما تتصرف مثل سنجاب مذعور يركض في دوائر، يحاول إجراء طفرات عشوائية دون خطة حقيقية. قد تظل عالقة في حل "جيد بما يكفي" يبدو رائعاً في البداية ولكنه ينهار عندما تحاول استخدامه في العالم الحقيقي. إنها تفتقر إلى وسيلة للتعلم بعمق من أخطائها أو للتراجع خطوة للوراء والتفكير: "مهلاً، لماذا فشل ذلك؟".
إليك OR-Agent، وهو فريق بحثي رقمي جديد صُمم لإصلاح ذلك عبر التصرف بشكل أقل شبهاً بالسنجاب المذعور وأكثر شبهاً بمحقق علمي متمرس. أراد الباحثون وراء هذا المشروع بناء نظام ذكاء اصطناعي لا يكتفي بالتخمين والتحقق، بل ينظم بحثه كما يفعل العالم البشري تماماً. لقد أنشأوا نظاماً يعامل كل فكرة جديدة كفرضية يجب اختبارها، وكل فشل كدرس يجب تعلمه، وكل نجاح كحجر زاوية لشيء أفضل. وبدلاً من مجرد إنتاج الأكواد البرمجية، يقوم هذا الوكيل ببناء "شجرة بحث"، تتفرع لاستكشاف احتمالات مختلفة مع الاحتفاظ بخريطة مفصلة لما نجح، وما فشل، ولماذا. والهدف؟ تصميم خوارزميات أفضل لحل المشكلات المعقدة للغاية، من توجيه شاحنات التوصيل إلى تنسيق أساطيل السيارات ذاتية القيادة، دون الحاجة إلى إنسان يمسك بيده في كل خطوة.
وكالة التحريات البرمجية
إذن، كيف يعمل OR-Agent فعلياً؟ تخيل مختبراً بحثياً عالي التقنية حيث يعمل فريق من وكلاء الذكاء الاصطناعي المتخصصين معاً على مشروع واحد. في المركز يوجد الوكيل القائد (Lead Agent)، الذي يعمل كباحث رئيسي أو مدير للمختبر. مهمته هي النظر في "شجرة" الأفكار. بعض فروع الشجرة تكون عميقة وضيقة (تركز بكثافة على فكرة واحدة واعدة)، بينما تكون فروع أخرى واسعة وضحلة (تختبر العديد من التخمينات الجامحة). يقرر الوكيل القائد أي فرع سيستكشف تالياً، موازناً بين الحاجة إلى التعمق في فكرة جيدة والحاجة إلى تجربة شيء جديد تماماً.
ويحيط بالوكيل القائد مساعدوه:
- وكيل الأفكار (Idea Agent) هو المبتكر المبدع. فبدلاً من مجرد إخراج فكرة عشوائية واحدة، فإنه يولد مجموعة كاملة من الأفكار ذات الصلة في وقت واحد، مع التأكد من أنها مختلفة عن بعضها البعض وتغطي زوايا مختلفة من المشكلة. الأمر يشبه سؤال مجموعة من الأصدد لابتكار موضوعات لحفلة، ولكن بدلاً من أن يقترح الجميع "حفلة بيتزا"، يقترحون "تحت الماء"، "الفضاء"، و"العصور الوسطى" جميعاً في آن واحد.
- وكيل الكود (Code Agent) هو البنّاء. يأخذ تلك الأفكار المجردة ويحولها إلى كود برمجي فعلي.
- وكيل التجربة (Experiment Agent) هو المختبر. يقوم بتشغيل الكود في عالم محاكي (مثل محاكي حركة المرور للسيارات ذاتية القيادة) ليرى ما إذا كان يعمل. إذا تعطل الكود أو كان بطيئاً جداً، فإن هذا الوكيل لا يتخلص منه فحسب، بل يبحث في سبب الفشل، تماماً مثل الميكانيكي الذي يستمع إلى ضجيج غريب في المحرك ليعرف أي جزء هو المعطل.
السر الخفي: التأمل والذاكرة
يكمن السحر الحقيقي لـ OR-Agent في كيفية تعامله مع الفشل. في العديد من الأنظمة القديمة، إذا فشلت فكرة، يتم حذفها ببساطة وينتقل النظام إلى غيرها. أما OR-Agent، فيمتلك "نظام تأمل" يعمل كذاكرة للعقل.
فكر في نظام التأمل هذا على أنه يمتلك ثلاث طبقات من الذاكرة:
- الذاكرة قصيرة المدى (التدرجات اللفظية - Verbal Gradients): هذا هو الشعور الفوري بـ "آه، هذا مؤلم". عندما يرى وكيل التجربة خطأً في الكود، فإنه يعطي نصيحة سريعة ومحددة لوكيل الكود حول كيفية إصلاحه فوراً.
- الذاكرة طويلة المدى (الزخم اللفظي - Verbal Momentum): هذا هو الشعور بـ "لقد رأيت هذا من قبل". إذا لاحظ النظام أن نوعاً معيناً من الأخطاء يتكرر باستمرار عبر مشاريع مختلفة، فإنه يبني "زخماً" لتجنب هذا الخطأ في المستقبل. إنه يشبه الطالب الذي يدرك أنه ينسى دائماً المذاكرة ليلة الاختبار، فيبدأ في تكوين عادة المذاكرة مبكراً.
- ضغط الذاكرة (تلاشي الوزن الدلالي - Semantic Weight Decay): أحياناً، يكون لديك الكثير من المعلومات. يمكن لـ OR-Agent تلخيص تاريخ تجاربه الطويل في تقرير قصير وموجز. فهو يحتفظ بالدروس الأكثر أهمية وينسى التفاصيل الصغيرة، تماماً كما قد تتذكر الحبكة الرئيسية لفيلم ولكن تنسى لون قميص البطل.
يمنع هذا النظام الذكاء الاصطناعي من الوقوع في فخ "انهيار الجمهرة" (population ruin)، حيث تصبح فكرة واحدة معيبة قليلاً مشهورة جداً لدرجة أنها تمحو جميع الأفكار الجيدة الأخرى. ومن خلال الاحتفاظ بقاعدة بيانات مشتركة لجميع المحاولات ونتائجها، يضمن OR-Agent الحفاظ على التنوع، ولا يقع الفريق في حلقة مفرغة.
النتائج: أذكى، أسرع، أفضل
وضع الباحثون OR-Agent تحت الاختبار في 12 نوعاً مختلفاً من الألغاز الصعبة، بدءاً من مسألة "البائع المتجول" الكلاسيكية (إيجاد أقصر طريق لزيارة مدن عديدة) وصولاً إلى "تعبئة الصناديق" المعقدة (وضع العناصر في الحاويات بكفاءة). كما اختبروه في محاكاة للقيادة التعاونية، حيث يتعين على عدة سيارات ذاتية القيادة العمل معاً دون الاصطدام.
كانت النتائج مبهرة. في عالم هذه الألغاز الاثني عشر، حقق OR-Agent متوسط درجة بلغ 0.924 (على مقياس حيث 1.0 هو الأفضل)، متفوقاً بشكل كبير على أفضل أساليب الذكاء الاصطناعي الأخرى مثل FunSearch وAEL وReEvo. على سبيل المثال، في مشكلة محددة لتوجيه الشاحنات تسمى CVRP-LEHD، حقق OR-Agent درجة مثالية بلغت 1.000، بينما عانت الأساليب الأخرى من درجات مثل 0.285 أو 0.033.
لكن المفاجأة الحقيقية كانت في محاكاة السيارات ذاتية القيادة. في سيناريو يشهد حركة مرور كثيفة، سجل نموذج القيادة القياسي المستخدم في برنامج المحاكاة (SUMO) درجة 85.25. ومع ذلك، اكتشف OR-Agent استراتيجية جديدة سجلت 90.24. لم يقم فقط بتعديل القواعد الموجودة؛ بل وجد طريقة جديدة تماماً لتنسيق السيارات كانت أكثر أماناً وكفاءة. في الواقع، كان OR-Agent هو الخوارزمية الوحيدة التي تم اختبارها والتي تمكنت من هزيمة النموذج المصمم بشرياً بعد تشغيله لفترة طويلة.
ماذا يعني هذا؟
تشير الورقة البحثية إلى أن مستقبل حل المشكلات آلياً لا يقتصر فقط على إلقاء المزيد من القدرة الحوسبية على التخمينات العشوائية. بل يتعلق ببناء أنظمة يمكنها التفكير، والتأمل، وتنظيم أبحاثها الخاصة. ومن خلال محاكاة الطريقة التي يعمل بها العلماء البشر — التفرع، والعودة إلى الوراء عندما تسوء الأمور، والتعلم من كل فشل — يظهر OR-Agent أن الذكاء الاصطناعي يمكن أن يكون شريكاً حقيقياً في الاكتشاف.
ويشير المؤلفون بحذر إلى أنه على الرغم من قوة نتائجهم في هذه المحاكاة، إلا أن النظام لا يزال عملاً قيد التطوير. وهم يقترحون أن النسخ المستقبلية يمكن أن تصبح أفضل حتى من خلال منح الوكلاء إمكانية الوصول إلى الإنترنت لقراءة الأوراق العلمية أو باستخدام أنواع مختلفة من البيانات بخلاف النصوص فقط. ولكن في الوقت الحالي، يعد OR-Agent دليلاً قوياً على أنه عندما تمنح الذكاء الاصطناعي طريقة مهيكلة للاستكشاف وذاكرة للتعلم منها، فإنه يمكنه حل المشكلات بطرق لم نكن نتوقعها، محولاً العملية الفوضوية للاختراع إلى علم منضبط وفعال للغاية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.