🤖 AI

EmCoop: A Framework and Benchmark for Embodied Cooperation Among LLM Agents

تقدم هذه الورقة EmCoop، وهو إطار عمل مرجعي يعمل على فصل التنسيق المعرفي عالي المستوى عن التفاعلات المجسدة منخفضة المستوى لتمكين التحليل المنهجي على مستوى العمليات لديناميكيات التعاون وأنماط الفشل في الأنظمة متعددة الوكلاء القائمة على النماذج اللغوية الكبيرة.

المؤلفون الأصليون: Hanqing Yang, Shiyu Chen, Narjes Nourzad, Marie Siew, Jingdi Chen, Carlee Joe-Wong

نُشر 2026-03-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hanqing Yang, Shiyu Chen, Narjes Nourzad, Marie Siew, Jingdi Chen, Carlee Joe-Wong

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 تنظيم عشاء "بوتلاك" (عشاء تشاركي) ضخم وفوضوي، حيث الضيوف ليسوا بشراً، بل هم روبوتات ذكاء اصطناعي.

بعض هذه الروبوتات ذكية للغاية (تمتلك "أدمغة" مدعومة بنماذج لغوية كبيرة، مثل تلك التي تكتب هذه الورقة البحثية). يمكنها قراءة الوصفات، وتخطيط القوائم، والتحدث مع بعضها البعض. ومع ذلك، فهي خرقاء أيضاً؛ إذ يتعين عليها المشي فعلياً إلى الثلاجة، والتقاط مرطبان مخلل، وحمله إلى الطاولة دون إسقاطه.

المشكلة:
إذا طلبت من روبوت واحد ذكي القيام بكل شيء، فقد يشعر بالإرهاق. وإذا طلبت من ثلاثة روبوتات العمل معاً، فقد يقاطع بعضهم بعضاً في الكلام، أو يصطدمون ببعضهم البعض، أو يعتقد أحدهم أنه يحضر سلطة بينما يعتقد الآخر أنه يشوي شريحة لحم.

الاختبارات الحالية للذكاء الاصطناعي تسأل عادةً: "هل تم طهي العشاء؟" إذا كانت الإجابة نعم، فهذا رائع. وإذا كانت لا، فهذا سيء. لكن هذا لا يخبرنا لماك فشلوا. هل تجادلوا؟ هل نسوا التنسيق؟ هل علقوا في حلقة مفرغة؟

الحل: EmCoop
تقدم الورقة البحثية EmCoop، وهو يشبه برنامج تلفزيون واقع فائق التطور لروبوتات الذكاء الاصطناعي. بدلاً من مجرد مراقبة العشاء النهائي، يضع EmCoop كاميرا على كل دماغ روبوت وعلى كل خطوة يخطوها، مما يسم يسمح للباحثين برؤية كيف يتعاونون (أو يفشلون في التعاون) بدقة.

إليك كيف يعمل EmCoop، مقسماً إلى مفاهيم بسيطة:

1. الدماغ ثنائي الطبقات (الـ "دماغ" مقابل الـ "يدين")

تخيل أن الروبوت لديه جزءان متميزان:

الدماغ (الطبقة الإدراكية): هذا هو الجزء الذكي. يفكر: "أنا بحاجة للحصول على الطماطم. يجب أن أطلب من الروبوت (ب) المساعدة في حمل الصندوق الثقيل". إنه يتحدث بجمل ويضع الخطط.
اليدان (الطبقة المجسدة): هذا هو الجزء الفيزيائي. هو الذي يحرك العجلات فعلياً، ويمسك الطماطم، ويمشي.

سحر EmCoop: في الماضي، كانت هاتان الطبقتان مختلطتين غالباً. يقوم EmCoop بفصلهما؛ فهو يراقب الدماغ وهو يضع خطة، ثم يراقب اليدين وهما تحاولان تنفيذها. إذا قال الدماغ "اذهب يساراً" ولكن اليدين تعثرتا في سجادة، فإن EmCoop يسجل بالضبط أين حدث الانفصال.

2. "لعبة التعاون" (الاختبارات المعيارية)

لاختبار هذه الروبوتات، أنشأ المؤلفون عالمين يشبهان ألعاب الفيديو:

اللعبة (أ): ماين كرافت الرقمية (MA-Crafter)
تخيل مجموعة من الروبوتات في غابة. يتعين عليهم قطع الأشجار، وتعدين الأحجار، وصنع الأدوات لصنع سيف ماسي.
- اللمسة المميزة: بعض الأشجار ثقيلة جداً على روبوت واحد. يحتاج الأمر إلى روبوتين لقطعها في نفس الوقت تماماً. بعض الأحجار تحتاج إلى ثلاثة روبوتات.
- الاختبار: هل يمكن للروبوتات التحدث مع بعضها البعض، والاتفاق على من يفعل ماذا، وتوقيت ضرباتهم بشكل مثالي؟
اللعبة (ب): دفع الصندوق الثقيل (CUBE)
تخيل أرضية شبكية بها كتل ضخمة وثقيلة.
- اللمسة المميزة: الكتلة الخفيفة تحتاج إلى روبوت واحد لدفعها. أما الكتلة الثقيلة فتحتاج إلى ثلاثة روبوتات يدفعونها من نفس الجانب في اللحظة ذاتها.
- الاختبار: إذا لم تكن الروبوتات متزامنة تماماً، فلن تتحرك الكتلة، أو قد يدفعونها نحو الحائط.

3. "طبوغرافيات التواصل" (كيف يتحدثون)

اختبر الباحثون طرقاً مختلفة لتواصل الروبوتات، مثل أساليب الاجتماعات المختلفة:

"الذئب المنفرد" (فردي): لا يوجد حديث. الجميع يخمن ما يجب فعله. (فوضى متوقعة).
"قاعة المدينة" (مركزي): يوجد روبوت واحد هو الزعيم. يخبر الجميع بما يجب فعله. (فعال، ولكن إذا أخطأ الزعيم، سيفشل الجميع).
"نادي المناظرة" (مناظرة): الجميع يتحدث في وقت واحد، ويجادلون في أفكارهم قبل العمل. (يمكن أن يؤدي إلى أفكار رائعة، أو مجرد الكثير من الضجيج).
"الكل ضد الكل" (لامركزي): الجميع يتحدث مع الجميع، في أي وقت يريدون. (طاقة عالية، ولكن من السهل الارتباك).

4. "بطاقة الدرجات" (المقاييس)

بدلاً من مجرد قول "نجح" أو "فشل"، يقدم EmCoop تقريراً مفصلاً:

العبء القراري: هل قضت الروبوتات 10 دقائق في التفكير بشأن الاتجاه الذي ستنعطف إليه، مما أدى لضياع الوقت؟
حمل التواصل: هل أرسلوا 500 رسالة لتحريك صندوق واحد فقط؟ (الكثير من الكلام أمر سيء!).
استقرار الخطة: هل كانوا يغيرون آراءهم باستمرار؟ (مثلاً: "سأذهب يساراً!" -> "لا، يميناً!" -> "انتظر، يساراً مجدداً!").
"سبب" الفشل: إذا فشلوا، هل فشلوا لأنهم لم يجدوا الصندوق؟ أم لأنهم تجادلوا؟ أم لأنهم وصلوا في الوقت الخطأ؟

لماذا هذا مهم؟

فكر في EmCoop كأنه مسجل طيران (الصندوق الأسود) لفرق الذكاء الاصطناعي.

في العالم الحقيقي، سنرى قريباً أسراباً من الروبوتات تقوم بأمور مثل:

توصيل الطرود في مدينة مزدحمة.
تنظيف بقع النفط في المحيطات.
بناء المنازل على المريخ.

إذا نظرنا فقط إلى النتيجة النهائية (هل وصل الطرد؟)، فلن نعرف كيفية إصلاح الفريق عندما يتعطل. يتيح لنا EmCoop رؤية "الأخطاء التقنية" في عملهم الجماعي حتى نتمكن من تعليمهم كيف يكونون شركاء أفضل.

باختصار: EmCoop هو طريقة جديدة لمراقبة كيفية تعلم روبوتات الذكاء الاصطناعي العمل معاً، ليس فقط من خلال التحقق مما إذا كانوا قد أنهوا المهمة، بل من خلال تحليل كيف تحدثوا، وخططوا، وحركوا أجسادهم للوصول إلى هناك.

إليك ملخص تقني مفصل لورقة البحث بعنوان "EmCoop: إطار عمل ومعيار للتعاون المجسد بين وكلاء النماذج اللغوية الكبيرة (LLM)".

1. بيان المشكلة

تعالج الورقة الفجوة الحرجة في تقييم الأنظمة متعددة الوكلاء (MAS) القائمة على النماذج اللغوية الكبيرة (LLM) التي تعمل في بيئات مجسدة (Embodied Environments). فبينما تركز المعايير الحالية إما على التجسيد أحادي الوكيل أو على إعدادات متعددة الوكلاء مبسطة تتجاهل القيود الواقعية، فإنها تفشل في رصد الديناميكيات المعقدة لكيفية ظهور التعاون، وتطوره، وفشله.

وتشمل التحديات الرئيسية المحددة ما يلي:

الفجوة الإدراكية-التجسدية (The Cognitive–Embodied Gap): تتفوق النماذج اللغوية الكبيرة في التفكير والتخطيط عالي المستوى، لكنها تعاني في ربط هذه القرارات الرمزية بالتنفيذ الفيزيائي منخفض المستوى تحت قيود زمنية ومكانية.
الافتقار إلى التحليل على مستوى العملية (Lack of Process-Level Analysis): تعتمد التقييمات الحالية بشكل كبير على نجاح المهمة النهائي (المعتمد على النتيجة)، معتبرةً التعاون عاملاً ضمنياً. وهناك نقص في الأدوات التي تسمح بمراقبة، وتدقيق، وتشخيص عملية التعاون بشفافية (مثل اختناقات التواصل، أو عدم استقرار التخطيط، أو انتهاكات القيود) قبل وقوع الفشل.
القابلية للتوسع والطبولوجيا (Scalability and Topology): تفتقر الأطر الحالية غالباً إلى القدرة على دراسة كيفية تأثير طبولوجيات الاتصال المختلفة (مثل المركزية مقابل اللامركزية) واختلاف أعداد الوكلاء على الأداء التعاوني بشكل منهجي.

2. المنهجية: إطار عمل EmCoop

يقدم EmCoop إطار عمل موحداً يربط التفكير الإدراكي عالي المستوى بالتنفيذ التجسدي منخفض المستوى من خلال واجهة ثنائية الطبقات وحلقة تفاعل البيئة متعددة الوكلاء (MAEIL).

أ. البنية ثنائية الطبقات

الطبقة الإدراكية (عالية المستوى): يستخدم الوكلاء النماذج اللغوية الكبيرة للقيام بالتفكير الرمزي، وتوليد الخطط ( $\pi$ )، والتواصل بشكل غير متزامن. تعمل هذه الطبقة وفق "ساعة إدراكية" ( $\hat{t}$ ).
الطبقة التجسدية (منخفضة المستوى): ينفذ الوكلاء أفعالاً أولية ( $a$ ) في بيئة فيزيائية (مثل عوالم الشبكة/Grid worlds) تخضع لقوانين الفيزياء، والاصطدامات، وقيود الموارد. تعمل هذه الطبقة وفق "ساعة البيئة" ( $t$ ).
المحاذاة (Alignment): يحدد الإطار خريطة مؤشر $\kappa$ لمحاذاة الخطوات الإدراكية مع انتقالات البيئة. يقوم الإطار بتسجيل "التجسيد المحلول بالخطوات" (step-resolved grounding)، مما يربط مفاهيم الأفعال عالية المستوى بتسلسلات من الأفعال الأولية، لضمان إمكانية إرجاع الآثار التجسدية إلى قرارات إدراكية محددة.

ب. حلقة تفاعل البيئة متعددة الوكلاء (MAEIL)

تتم نمذجة التفاعل كحلقة يمر فيها الوكلاء عبر أربع حالات:

R (التفكير - Reasoning): توليد الخطط.
X (التنفيذ - Execution): تنفيذ الخطط الملتزم بها.
W (الانتظار - Wait): حالة مزامنة حيث ينتظر الوكلاء الآخرين للمحاذاة قبل المضي قدماً.
I (المقاطعة - Interrupt): يتم تفعيلها عند استقبال رسالة، مما يسمح للوكلاء بإعادة التخطيط أو الاستئناف بناءً على معلومات جديدة.

تدعم هذه الحلقة الاتصال غير المتزامن عبر مخازن الرسائل (message buffers)، مما يسمح بتنوع طبولوجيات الاتصال (فردي، نقاش، مركزي، لامركزي).

ج. تصميم المهام والقيود

تُعرف المهام كعمليات ممتدة زمنياً تتطلب استيفاء القيود التعاونية ( $C_{coop}$ ) في آن واحد. وتشمل هذه القيود:

القيود الزمنية ( $C_{\Delta t}$ ): نوافذ زمنية للإنجاز.
القيود المكانية ( $C_{\Delta \ell}$ ): يجب أن يكون الوكلاء في نفس الموقع أو ضمن نصف قطر محدد.
المشاركة ( $C_n$ ): حد أدنى من عدد الوكلاء ذوي قدرات محددة يجب أن يعملوا معاً.
التبعية ( $C_d$ ): شروط مسبقة (مثل صنع الأدوات) يجب استيفاؤها.

3. المساهمات الرئيسية

الواجهة الإدراكية-التجسدية: توصيف رسمي يفصل التخطيط الإدراكي عن التنفيذ الفيزيائي مع الحفاظ على رابط قابل للتتبع، مما يسمح بنسب الفشل التجسدي إلى قرارات إدراكية محددة.
مقاييس التعاون على مستوى العملية: مجموعة من المقاييس المصممة لتشخيص جودة التعاون بما يتجاوز مجرد النجاح أو الفشل:
- عبء القرار ( $D$ ): الجهد الإدراكي وأوقات الانتظار.
- حمل الاتصال ( $L$ ): حجم الرسائل وتوزيعها.
- ديناميكيات التخطيط ( $P$ ): تماسك الخطط، معدلات المقاطعة، وتكرار إعادة التخطيط.
- الآثار التجسدية ( $C, \Delta Z$ ): معدلات استيفاء القيود (مكانية، زمنية، مشاركة) وتغيرات القدرات.
معيار قابل للتوسع: تنفيذ EmCoop في بيئتين مختلفتين:
- MA-Crafter: بيئة لجمع الموارد وصنعها حيث يجب على الوكلاء جمع الموارد وصنع الأدوات تحت قيود المشاركة.
- CUBE: بيئة تعاونية لدفع الكتل حيث يجب على الوكلاء دفع كتل ذات أوزان متفاوتة (تتطلب نصاباً معيناً من الوكلاء) نحو هدف ما.
المشغلات التشخيصية: يدعم الإطار استعلامات بحثية محددة:
- تدخل الطبولوجيا (Topology Intervention): تحليل كيفية تأثير هياكل الاتصال على أنماط الفشل.
- الإسناد الزمني (Temporal Attribution): تحديد متى ولماذا ينهار التعاون (على سبيل المثال، في مرحلة التخطيط مقابل مرحلة التنفيذ).
- التحكم بالتغذية الراجعة (Feedback Control): تقييم ما إذا كانت التغذية الراجعة الصريحة بشأن انتهاكات القيود تحسن الأداء.

4. النتائج التجريبية

قيم المؤلفون إطار EmCoop باستخدام GPT-5.2 و DeepSeek-V3.2 عبر أعداد متفاوتة من الوكلاء (2 مقابل 3)، ومستويات صعوبة مختلفة (سهل مقابل صعب)، وطبولوجيات اتصال متنوعة.

تأثير الطبولوجيا (RQ1):
- حققت الطبولوجيا المركزية عموماً أعلى تماسك في الخطط (توافق الوكلاء على استراتيجية واحدة) ولكنها عانت أحياناً من التكرار أو اختناقات القائد.
- أظهر الوكلاء الفرديون أعلى استقرار في الخطط وأقل عبء، لكنهم فشلوا في حل المهام التعاونية المعقدة بسبب نقص التنسيق.
- تسببت الطبولوجيا اللامركزية والنقاش في أعلى أحمال اتصال وأدت غالباً إلى تماسك أقل بسبب الخطط المتضاربة والمقاطعات المتكررة.
تحليل الفشل (RQ2):
- مع زيادة الصعوبة (الوضع الصعب)، أصبحت قيود المشاركة هي نقطة الفشل الرئيسية. عانى الوكلاء في مزامنة وصولهم وأفعالهم في وقت واحد.
- كشف تحليل الفشل أن الانهيارات غالباً ما حدثت أثناء مرحلة التخطيط (إعادة التخطيط المتكرر) أو بسبب عدم المحاذاة المكانية-الزمانية (وصول الوكلاء في أوقات مختلفة).
تأثير التغذية الراجعة (RQ3):
- أدى توفير تغذية راجعة بيئية صريحة (مثل إبلاغ الوكلاء بانتهاكات القيود أو حالة المشاركة الحالية) إلى تحسين معدلات نجاح المهام بشكل كبير في الإعدادات الصعبة، مما ساعد الوكلاء على تصحيح الخطط غير المتوافقة في الوقت الفعلي.

5. الأهمية

التحول من النتيجة إلى العملية: ينقل EmCoop المجال من سؤال "هل نجحت المهمة؟" إلى "كيف تعاون الوكلاء؟". ومن خلال جعل عملية التعاون قابلة للملاحظة والقياس الكمي، فإنه يسمح للباحثين بتصحيح أخطاء الأنظمة متعددة الوكلاء.
سد الفجوة: يوفر طريقة مبدئية لربط الإدراك اللغوي الكبير بالقيود الفيزيائية، مما يعالج عقبة رئيسية في نشر الذكاء الاصطعي المجسد.
القابلية للتعميم: الإطار مستقل عن النموذج وعن البيئة، حيث يدعم أي عدد من الوكلاء وهياكل اتصال متنوعة، مما يجعله معياراً قوياً للأبحاث المستقبلية في التعاون متعدد الوكلاء المجسد.
الفائدة التشخيصية: تمكن المقاييس المقترحة من تحديد أنماط فشل محددة (مثل اختناقات التواصل مقابل عدم استقرار التخطيط)، مما يوجه تصميم خوارزميات تنسيق أفضل واستراتيجيات هندسة الأوامر (Prompt Engineering).

في الختام، يضع EmCoop معياراً تأسيسياً لدراسة ديناميكيات التعاون المجسد، موفراً الأدوات اللازمة لتحليل وتشخيص وتحسين القدرات التعاونية للوكلاء المعتمدين على النماذج اللغوية الكبيرة في سيناريوهات العالم الحقيقي المعقدة بشكل منهجي.