🤖 AI

The EpisTwin: A Knowledge Graph-Grounded Neuro-Symbolic Architecture for Personal AI

تقدم الورقة البحثية EpisTwin، وهو إطار عمل عصبي-رمزي يتغلب على تفتت البيانات في الذكاء الاصطناłي الشخصي من خلال ترسيخ الاستدلال التوليدي في رسم بياني معرفي شخصي قابل للتحقق مستمد من بيانات متعددة الوسائط، باستخدام منسق وكيل للاستدلال المعقد والتحسين البصري، وتم التحقق منه بواسطة معيار اصطناعي جديد يسمى PersonalQA-71-100.

المؤلفون الأصليون: Giovanni Servedio, Potito Aghilar, Alessio Mattiace, Gianni Carmosino, Francesco Musicco, Gabriele Conte, Vito Walter Anelli, Tommaso Di Noia, Francesco Maria Donini

نُشر 2026-03-09

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Giovanni Servedio, Potito Aghilar, Alessio Mattiace, Gianni Carmosino, Francesco Musicco, Gabriele Conte, Vito Walter Anelli, Tommaso Di Noia, Francesco Maria Donini

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 أن حياتك الرقمية تشبه منزلاً به مئات الغرف، لكن كل غرفة مغلقة وقد فقدت مفاتيحها. لديك صور في غرفة ما، ومواعيد في التقويم في غرفة أخرى، ورسائل نصية في ثالثة، وملاحظات صوتية في رابعة.

إذا سألت ذكاءً اصطناعيًا تقليديًا: "هل اتصلت بي سارة قبل وصولي إلى العمل اليوم؟"، فسيتعين عليه الركض من غرفة إلى أخرى، يختلس النظر عبر ثقوب الأبواب. قد يجد صورة لك في العمل ورسالة نصية من سارة، لكنه غالبًا ما يفشل في إيجاد "الرابط" بينهما لأنه يبحث فقط عن كلمات متشابهة، ولا يفهم القصة.

إبيس توين (EpisTwin) هو نوع جديد من "الذكاء الاصطناعي الشخصي" يحل هذه المشكلة عبر العمل كـ أمين مكتبة ومحقق شخصي فائق التنظيم يبني خريطة واحدة ضخمة وحية لحياتك بالكامل.

إليك كيف يعمل، مقسمًا إلى مفاهيم بسيية:

1. خريطة "التوأم الرقمي" (الرسم البياني للمعرفة الشخصية - PKG)

بدلاً من مجرد تخزين بياناتك في أكوام فوضوية، يقوم EpisTwin ببناء رسم بياني للمعرفة الشخصية (PKG).

التشبيه: فكر في هذا كخريطة مترو أنفاق ضخمة وتفاعلية لحياتك.
كيف يعمل: في كل مرة تلتقط فيها صورة، أو ترسل رسالة نصية، أو تضيف موعدًا في التقويم، لا يقوم EpisTwin بمجرد حفظ الملف، بل يحوله إلى "محطة" على الخريطة ويرسم خطًا يربطها بمحطات أخرى.
- مثال: يربط "صورة برج إيفل" بـ "حدث التقويم: رحلة باريس" وبـ "الرسالة النصية: أنا في باريس".
لماذا يهم هذا: نظرًا لأن كل شيء متصل على هذه الخريطة، يمكن للذكاء الاصطناعي رؤية الصورة الكاملة. فهو يعرف أنك إذا كنت في باريس، فمن المرجح أنك لست في مكتبك.

2. "المترجم" (البنية العصبية الرمزية - Neuro-Symbolic Architecture)

العالم فوضوي. لديك صور، وتسجيلات صوتية، وملاحظات مكتوبة بخط اليد. يحتاج الذكاء الاصطعي إلى تحويل هذه الأشياء إلى حقائق واضحة.

التشبيه: تخيل مترجمًا يستمع إلى فرقة جاز فوضوية (بياناتك الخام) ثم يدون نوتة موسيقية واضحة ومنظمة (الرسم البياني للمعرفة).
كيف يعمل: يستخدم الذكاء الاصطناعي "عقلًا عصبيًا" (مثل البشر) ليفهم أن الصورة هي "غروب شمس"، ثم يستخدم "عقلًا رمزيًا" (مثل الكمبيوتر) ليكتب قاعدة صارمة: المستخدم_1 -> التقط_صورة -> غروب_شمس.
الفائدة: هذا يجعل البيانات قابلة للتحقق. إذا أردت حذف ذكرى (مثل صورة لشخص سابق)، يمكن للذكاء الاصطناعي مسح تلك "المحطة" نهائيًا من الخريطة. في أنظمة الذكاء الاصطناعي الأخرى، يكون حذف البيانات مثل محاولة مسح ظل؛ أما في EpisTwin، فالأمر يشبه إزالة مبنى من مخطط هندسي. لقد اختفى للأبد.

3. "المحقق مع عدسة مكبرة" (الاستدلال الوكيل - Agentic Reasoning)

أحيانًا، لا تكفي الخريطة. رب maybe يرى الذكاء الاصطناعي صورة لـ "سيارة حمراء" على الخريطة، لكنه يحتاج لمعرفة رقم لوحة السيارة للإجابة على سؤال محدد.

التشبيه: الذكاء الاصطناعي هنا هو محقق. عادةً، يحل الجرائم من خلال النظر في ملفات القضية (الخريطة). ولكن إذا كانت الملفات غامضة، فإنه يرتدي حذاءه ويذهب عائدًا إلى مسرح الجريمة ليفحص المكان بدقة أكبر.
كيف يعمل: يُسمى هذا التحسين البصري العميق عبر الإنترنت (Online Deep Visual Refinement). إذا لم يكن الذكاء الاصطناعي متأكدًا، فإنه لا يخمن. بل يعود إلى الصورة الأصلية الخام، ويستخدم "عينيه" (نموذج رؤية) لتقريب الصورة وقراءة رقم اللوحة، ثم يستخدم هذا التفصيل الجديد لحل اللغز.
السحر: يفعل ذلك فقط عند الضرورة، حتى لا يضيع الوقت في فحص كل الصور، لكن لديه القدرة على القيام بذلك إذا كان السؤال صعبًا.

4. "النادي المجتمعي" (إيجاد الروابط الخفية)

لحياتك موضوعات: "العمل"، "العائلة"، "الهوايات".

التشبيه: تخيل أن خريطة المترو بها ميزة تبرز جميع المحطات في "وسط المدينة" بدائرة زرقاء متوهجة.
كيف يعمل: يقوم EpisTwin تلقائيًا بتجميع الأشياء ذات الصلة في "مجتمعات". فهو يدرك أن "المنبه"، و"الاجتماع"، و"صورة المقهى" جميعها تنتمي إلى مجتمع "الروتين الصباحي". يساعد هذا الذكاء الاصطناعي على الإجابة على أسئلة معقدة مثل: "كيف كان روتيني الصباحي الثلاثاء الماضي؟" من خلال النظر إلى المجموعة بأكملها، وليس إلى العناصر الفردية.

لماذا يعد هذا أمرًا بالغ الأهمية؟

المساعدات الذكية الحالية تشبه الببغاوات؛ فهي تكرر ما تجده في بيانات تدريبها أو نتائج البحث. وغالبًا ما ترتبك عندما تكون بياناتك مبعثرة عبر تطبيقات مختلفة.

EpisTwin هو مثل مساعد شخصي موثوق يقوم بـ:

تنظيم حياتك في خريطة واضحة.
احترام خصوصيتك (أنت تملك الخريطة؛ ويمكنك حذف أي شيء فورًا).
التفكير بعمق عبر ربط النقاط عبر تطبيقات مختلفة (التقويم + الصور + الرسائل).
التحقق من عمله عبر النظر إلى الدليل الأصلي إذا لم يكن متأكدًا بنسبة 100%.

اختبر الباحثون هذا باستخدام مجموعة بيانات واقعية ولكن وهمية تسمى PersonalQA-71-100، حيث كان على الذكاء الاصطناي الإجابة على 100 سؤال صعب حول حياة شخص ما. والنتيجة؟ حصل الذكاء الاصطناعي على الإجابة الصحيحة في كل مرة تقريبًا، مما يثبت أن هذا النهج "القائم على الخريطة" أفضل بكثير في فهم العالم الحقيقي الفوضوي من التكنولوجيا الحالية.

باختصار: يحول EpisTwin حياتك الرقمية المجزأة إلى قصة متماسكة تملكها، وتتحكم بها، وتثق بها.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "EpisTwin: بنية عصبية رمزية قائمة على الرسم البياني للمعرفة للذكاء الاصطناعي الشخصي."

1. بيان المشكلة

تواجه أنظمة الذكاء الاصطناعي الشخصي الحالية (Personal AI) عقبة حرجة وهي: تجزئة البيانات. حيث تتوزع بيانات المستخدم عبر صوامع معزولة (مثل التقويمات، معرض الصور، مخازن المستندات، سجلات المكالمات)، وتفتقر إلى طبقة دلالية موحدة.

محدودية تقنية RAG الحالية: تعتمد تقنية التوليد المعزز بالاسترجاع (RAG) القياسية على التشابه المتجهي غير المهيكل. وبينما تنجح في استرجاع الأجزاء ذات الصلة، إلا أنها تفشل في التقاط التوبولوجيا الدلالية الكامنة والارتباطات الزمنية المطلوبة للإدراك الشامل (على سبيل المثال: الربط بين وقت حدث في التقويم وطابع زمني لصورة للإجابة على سؤال: "هل اتصلت سارة بي قبل وصولي إلى العمل؟").
قضايا سيادة البيانات: تجعل النهج العصبية أو المتجهة الكثيفة عملية "التعلم غير المكتسب" (الحذف الحتمي لبيانات محددة) أمراً غير بسيط حوسبياً، مما يفرض تحديات أمام الامتثال التنظيمي (مثل الحق في "النسيان" بموجب قانون GDPR).
فقدان السياق: إن تحويل البيانات متعددة الوسائط (الصور، الصوت) إلى نصوص لتخزينها في متجهات يؤدي غالباً إلى فقدان السياق الجوهري، مما يؤدي إلى حدوث هلوسات أو استنتاجات ناقصة.

2. المنهجية: بنية EpisTwin

تعد EpisTwin إطار عمل وكيل عصبي رمزي من النوع الثالث (بناءً على تصنيف Kautz)، وهي تفصل بين الاستنتاج والتخزين. إنها تعامل النموذج اللغوي الكبير (LLM) ليس كمخزن للمعرفة، بل كمهندس هيكلي ومحرك استنتاج يعمل فوق رسم بياني للمعرفة الشخصية (PKG).

تعمل البنية في مرحلتين متمايزتين:

أ. مرحلة البناء (تعبئة الـ PKG)

يقوم النظام باستيعاب كائنات معلوماتية متباينة (تتكون من المصدر، والبيانات الوصفية، والحمولة غير المهيكلة) وتحويلها إلى رسم بياني مهيكل.

استخراج البيانات الوصفية ( $\Phi_M$ ): يتم تحويل البيانات الوصفية المهيكلة (الطوابع الزمنية، مسارات الملفات) بشكل حتمي إلى ثلاثيات دلالية.
التحويل الرمزي البصري ( $\Phi_C$ ): تتم معالجة المحتوى غير المهيكل (الصور بشكل أساسي في هذه الدراسة) عبر خط معالجة التحويل الرمزي البصري:
- الوصف (Captioning): يقوم نموذج لغوي متعدد الوسائط (MLLM) بتوليد وصف نصي للصورة.
- استخراج الثلاثيات: يستخرج نموذج لغوي كبير (LLM) ثلاثيات دلالية من النص.
- التكامل: تُدمج هذه الثلاثيات في الرسم البياني للمعرفة الشخصية (PKG).
كشف المجتمعات: لمنع التشتت الهيكلي، يتم تطبيق خوارزمية Leiden لتحديد المجتمعات الموضوعية (عناقيد الكيانات المرتبطة). تُعاد صياغة هذه العناقيد كـ "عقد مجتمعية" جديدة في الرسم البياني، وتُثري بملخصات توليدية لتسهيل الاستنتاج رفيع المستوى.

ب. مرحلة الاستنتاج (التنسيق الوكيل)

يعمل محرك استنتاج EpisTwin كآلة حالة تعاونية تنتقل بين التتبع الرمزي للرسم البياني والإدراك العصبي بناءً على "الثقة المعرفية".

الوكيل الجوهري ( $\Delta_{Core}$ ): يستخدم التوليد المعزز بالاسترجاع من الرسم البياني (GraphRAG) للتنقل عبر الـ PKG. ويقوم بعمليات استنتاج متعددة الخطوات عبر الرسم البياني الرمزي للإجابة على الاستعلامات.
التحقق المعرفي: يقوم الوكيل بتقييم ذاتي لمدى كفاية الإجابة الرمزية. إذا افتقر الرسم البياني إلى التفاصيل (على سبيل المثال، إذا كانت الإجابة تعتمد على تفاصيل بصرية فُقدت أثناء عملية التحويل)، يقوم النظام بتفعيل آلية احتياطية.
الوكيل الاحتياطي ( $\Delta_{FB}$ ) والتحسين البصري العميق عبر الإنترنت (tVIS):
- عندما تكون البيانات الرمزية غير كافية، يسترجع الوكيل الحمولة غير المهيكلة الخام (مثل مصفوفة الصورة الأصلية) المرتبطة بعقد الرسم البياني ذات الصلة.
- يستخدم نموذج لغوي متعدد الوسائط متخصصاً لإجراء تحليل بصري مشروط بالاستعلام (الإجابة على أسئلة بصرية) على البيانات الخام.
- يتم حقن الرؤى الناتجة كـ سياق مؤقت في سلسلة الاستنتاج للجلسة الحالية فقط، مما يضمن بقاء الـ PKG بمثابة "مصدر حقيقة" حتمي دون تلوث بالضوضاء العابرة الخاصة بالاستعلام.

3. المساهمات الرئيسية

إطار عمل وكيل عصبي رمزي من النوع الثالث: يوحد بناء الـ PKG والاستنتاج الوكيل لتمكين الإجابة على الأسئلة متعددة الخطوات عبر البيانات الشخصية المشتتة، مما يضمن أن عمليات حذف المعرفة تتم بشكل حتمي.
الاستدلال الرمزي البصري النشط: يقدم التحسين البصري العميق عبر الإنترنت (tVIS)، وهي آلية تستعيد التفاصيل التي فُقدت أثناء مرحلة التحويل الأولية من خلال إعادة ربط الكيانات الرمزية بسياقها البصري الخام ديناميكياً عند الضرورة فقط.
معيار PersonalQA-71-100: معيار اصطناعي جديد يحافظ على الخصوصية، يتكون من 71 تدفق بيانات متباين (تقويم، صور، ملاحظات، مكالمات، إلخ) و100 استعلام معقد مع إجابات نموذجية، مصمم لتقييم الاستنتاج عبر المجالات المتعددة والمتعدد الخطوات.
تحليل أداء قابل للتحقق: يقدم بروتوكول تقييم قوي باستخدام لجنة "النموذج اللغوي كحكم" (LLM-as-a-Judge) لقياس قدرات الاستنتاج عبر النماذج الحديثة.

4. النتائج التجريبية

تم تقييم الإطار عبر معيار PersonalQA-71-100 باستخدام لجنة من أربعة نماذج لغوية كبيرة حديثة (DeepSeek-V3.2، Qwen3-32B، GPT-OSS-120B، Kimi K2).

الأداء: حققت EpisTwin أداءً عالياً عبر جميع الحكام، حيث تراوحت متوسط الدرجات بين 4.27 و4.63 على مقياس ليكرت الخماسي.
الدقة: حصل النظام على تقييم "إيجابي" (درجة 4 أو 5) في 87% من حالات الاختبار.
التعامل مع التعقيد: نجح النظام في التعامل مع الاستعلامات التي تتطلب الربط بين ما يصل إلى أربعة صوامع بيانات مختلفة (مثل ربط أحداث التقويم، وتفاصيل الاتصال، والبيانات الوصفية للصور)، متفوقاً على تقنية RAG القائمة على المتجهات والتي عادة ما يتدهور أداؤها مع زيادة تعقيد "الخطوات" (hops).
الموثوقية: أكد التحليل الإحصائي (Gwet's AC1 > 0.84، ونسبة الاتفاق > 84%) وجود موثوقية قوية في التوافق بين الحكام، مما يؤكد قوة التقييم.

5. الأهمية والآثار المترتبة

ذكاء اصطناعي شخصي جدير بالثقة: من خلال ربط التوليد برسوم بيانية (PKG) يتحكم فيها المستخدم، تضمن EpisTwin سيادة البيانات. فحذف عقدة في الرسم البياني يمحو المعلومة نهائياً، مما يلبي المتطلبات التنظيمية للتعلم غير المكتسب الحتمي، وهو أمر يكاد يكون مستحيلاً في مخازن المتجهات العصبية البحتة.
الإدراك الشامل: تنتقل البنية من مجرد الاسترجاع السلبي إلى الإدراك النشط. فهي تحاكي الإدراك البشري من خلال الجمع بين الذاكرة المهيكلة (الرسم البياني) والإدراك عند الطلب (التحسين البصري)، مما يسمح بحل الاستعلامات المعقدة عبر المجالات التي تتطلب استنتاجاً زمنياً ودلالياً.
التوجه المستقبلي: تفترض الورقة أن مستقبل المساعدين الشخصيين يكمن في هذا النموذج العصبي الرمزي التعاوني، حيث يعمل الذكاء الاصطناعي كمحرك استنتاج قوي، بينما يظل المستخدم هو المالك غير المنازع لخريطة البيانات، مما يضمن الخصوصية والتحكم.

الخلاصة: نجحت EpisTwin في معالجة تجزئة البيانات الشخصية من خلال إنشاء تمثيل رمزي قابل للتحقق للبصمة الرقمية للمستخدم، معزز بالإدراك العصبي الديناميكي. إنها تقدم مساراً واعداً لذكاء اصطناعي شخصي جدير بالثقة، مدرك للسياق، ومتوافق مع الضوابط التنظيمية.