🤖 machine learning

A New Lower Bound for the Random Offerer Mechanism in Bilateral Trade using AI-Guided Evolutionary Search

تستخدم هذه الورقة إطار بحث تطوري موجه بالذكاء الاصطناعي لتحديد توزيع حالة أسوأ جديد يضع حداً أدنى قدره 2.0749 لنسبة التقريب لآلية "العارض العشوائي" (Random-Offerer) في التجارة الثنائية، متجاوزاً بذلك التخمينات والنماذج المضادة المعروفة سابقاً.

المؤلفون الأصليون: Yang Cai, Vineet Gupta, Zun Li, Aranyak Mehta

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yang Cai, Vineet Gupta, Zun Li, Aranyak Mehta

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 سوقاً صاخباً حيث يريد بائع بيع سلعة فريدة (مثل لوحة نادرة) ومشتري يريد شراءها.

يمتلك البائع "سعر القاع" السري (أدنى سعر هو مستعد للقبول به).
يمتلك المشتري "السعر الأعلى" السري (أقصى مبلغ هو مستعد لدفعه).
لا أحد منهما يعرف رقم الآخر.

الهدف من السوق بسيط: إتمام عملية التبادل في كل مرة يكون فيها سعر المشتري أعلى من سعر البائع. هذا يخلق قيمة للجميع. يُسمى هذا "سيناريو الحالة المثالية الأولى" (First-Best)—العالم المثالي حيث لا تضيع أي قيمة.

المشكلة: فخ "العدالة"

في العالم الحقيقي، لا يمكننا ببساطة إجبار الناس على كشف أسرارهم. إذا فعلنا ذلك، فقد يكذبون للحصول على صفقة أفضل. لذا، يصمم الاقتصاديون "قواعد للعبة" (آليات) تشجع على الصدق.

ومع ذلك، أثبتت نظرية شهيرة (نظرية مايرسون-ساترثويت) حقيقة قاسية: لا يمكنك الحصول على نظام مثالي يكون فعالاً بنسبة 100%، وعادلاً، ومتوازناً في آن واحد. عليك أن تضحي بالقليل من الكفاءة للحفاظ على نزاهة وتوازن اللعبة.

حل "العارض العشوائي" (Random Offerer)

بما أن النظام المثالي مستحيل، يبحث الباحثون عن الشيء التالي الأفضل. إحدى القواعد البسيطة والشائعة هي آلية "العارض العشوائي" (RO).

فكر في الأمر كرمي عملة معدنية:

صورة: يحصل البائع على حق تقديم عرض "خذه أو اتركه" للمشتري.
كتابة: يحصل المشتري على حق تقديم عرض "خذه أو اتركه" للبائع.

هذه القاعدة بسيطة، عادلة، وصادقة. ولكن ما مدى جودتها؟ هل تلتقط معظم القيمة المحتملة، أم أنها تترك الكثير من المال على الطاولة؟

الجدل الكبير: ما مدى سوء الأمر؟

لفترة طويلة، اعتقد الاقتصاديون أن أسوأ سيناريو ممكن لهذه القاعدة (قاعدة رمي العملة) هو أنها ستلتقط على الأقل نصف القيمة المثالية. بعبارة أخرى، ستكون قيمة "العالم المثالي" ضعف (2x) قيمة عالم "العارض العشوائي" كحد أقصى.

الاعتقاد القديم: الفجوة هي 2x كحد أقصى.
الاكتشاف الأخير (2021): وجد علماء الرياضيات سيناريو معقداً كان فيه الفارق في الواقع 2.02 مرة. كانت عملية رمي العملة أسوأ مما ظننا.

الاكتشاف الجديد: الذكاء الاصطناعي للإنقاذ

هنا يأتي دور ورقتنا البحثية. تساءل المؤلفون: "هل 2.02 هي أسوأ ما يمكن أن يصل إليه الأمر؟ أم أن هناك سيناريو أكثر تعقيداً يختبئ في الرياضيات؟"

بدلاً من محاولة حل هذه المعضلة باستخدام القلم والورقة (وهو أمر صعب للغاية)، استخدموا الذكاء الاصطناعي.

التشبيه: "الطاهي التطوري"

تخيل أنك تحاول إيجاد أسوأ وصفة ممكنة لكعكة تجعل أداة مطبخ معينة (آلية العارض العشوائي) تفشل فشلاً ذريعاً.

الأداة: آلية العارض العشوائي.
المكونات: توزيع الأسعار (مدى احتمالية امتلاك البائعين لأسعار منخفضة مقابل مرتفعة).
الذكاء الاصطناعي (AlphaEvolve): فكر في هذا كطاهٍ تطوري فائق الذكاء.
- يبدأ بوصفة أساسية (توزيع سعري بسيط).
- يتذوق النتيجة (يحسب فجوة الكفاءة).
- يقوم بتحوير الوصفة: "ماذا لو أضفت رشة من توابل الموجة الجيبية؟ ماذا لو غيرت نسبة السكر؟"
- يحتفظ بالوصفات التي تجعل أداة المطبخ تعمل بأسوأ شكل ممكن ويتخلص من تلك التي تعمل بشكل جيد.
- يكرر هذه العملية ملايين المرات، مطوراً الوصفة إلى شيء غريب ومعقد لا يمكن لطاهٍ بشري أن يفكر في تجربته أبداً.

النتيجة: وصفة جديدة غريبة

اكتشف الذكاء الاصطناعي "توزيعاً سعرياً" هو عبارة عن مزيج من قوانين القوة (power laws) المعدلة بموجة جيبية (sine wave).

باللغة البسيطة: وجد الذكاء الاصطناعي نمطاً حيث تتذبذب احتمالية امتلاك البائع لسعر معين صعوداً وهبوطاً مثل الموجة، ممتزجة مع منحنى قياسي. إنه "وحش" رياضي يستغل نقاط ضعف قاعدة رمي العملة تحديداً.

عندما اختبروا هذا السيناريو الجديد الذي اكتشفه الذكاء الاصطناعي:

كانت قيمة "العالم المثالي" هي 1.23.
وكانت قيمة "العارض العشوائي" هي 0.59 فقط.
الفجوة: ارتفدت النسبة لتصل إلى 2.0749.

لماذا يهم هذا الأمر؟

إنه يكسر الرقم القياسي: نحن نعلم الآن أن آلية العارض العشوائي يمكن أن تكون أقل كفاءة من العالم المثالي بمقدار 2.07 مرة، وليس 2.02 فقط. الفجوة أوسع مما كنا نظن.
الذكاء الاصطناعي نوع جديد من الرياضيين: تُظهر هذه الورقة أن الذكاء الاصطناعي ليس بارعاً فقط في لعب الألعاب أو كتابة الأكواد؛ بل يمكنه بالفعل اكتشاف حقائق رياضية جديدة من خلال استكشاف مساحات معقدة يغفل عنها الحدس البشري. "التعديل بالموجة الجيبية" كان شكلاً غريباً وغير بديهي وجده الذكاء الاصطناعي، لكن البشر قد يتجاهلونه.
آليات أفضل: من خلال فهم كيف وأين تفشل القواعد البسيطة الحالية بالضبط، يمكن للاقتصاديين تصميم أنظمة تداول أفضل وأكثر متانة للمستقبل.

الخلاصة

الورقة هي قصة عن تعاون البشر مع الذكاء الاصطناعي لحل لغز حيّر الاقتصاديين لعقود. من خلال استخدام "البحث التطوري" للذكاء الاصطناعي، وجدوا سيناريو مخفياً ومعقداً يثبت أن قواعد التداول البسيطة الحالية لدينا هي أقل كفاءة قليلاً مما كنا نأمل. إنه تذكير بأنه في عالم الاقتصاد، غالباً ما يكون "أسوأ سيناريو ممكن" أغرب وأكثر تعقيداً مما يمكننا تخيله.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "حد أدنى جديد لآلية العارض العشوائي في التجارة الثنائية باستخدام البحث التطوري الموجه بالذكاء الاصطناائي."

1. بيان المشكلة

تتناول الورقة مسألة مفتوحة جوهرية في تصميم الآليات فيما يتعلق بـ التجارة الثنائية (بائع واحد ومشتري واحد بقيم خاصة مستقلة).

السياق: يثبت مبرهن "مايرسون-ساترثويت" (Myerson–Satterthwaite) أنه لا توجد آلية يمكنها تحقيق الكفاءة الكاملة، والتوافق الحافزي البايزي (BIC)، والترشيد الفردي (IR)، وتوازن الميزانية (BB) في آن واحد. لذلك، يدرس الباحثون مدى قدرة آليات BIC/BB على تقريب الكفاءة المثلى الأولى (First-Best - FB) (أقصى مكاسب ممكنة من التجارة - GFT).
الآلية: آلية العارض العشوائي (Random Offerer - RO) هي نهج بسيط ودراسة على نطاق واسع، حيث يقترح كل من البائع والمشتري سعراً "خذه أو اتركه" باحتمالية 50%. وتتم التجارة إذا كان السعر المقترح مقبولاً للطرف الآخر.
الهدف: تحديد نسبة التقريب في أسوأ حالة ( $\rho$ ) بين مكاسب التجارة المثلى الأولى (GFT FB) ومكاسب آلية العارض العشوائي (GFT RO):
$\rho = \frac{\text{GFT}_{FB}}{\text{GFT}_{RO}}$
الحالة السابقة: ساد اعتقاد طويل بأن $\rho \leq 2$ . وقد أثبتت أعمال حديثة (Cai et al., 2021; Babaioff et al., 2021) أن $\rho > 2$ ، حيث كان أفضل حد أدنى معروف هو حوالي 2.02.

2. المنهجية: البحث التطوري الموجه بالذكاء الاصطناعي

يستخدم المؤلفون AlphaEvolve، وهو إطار عمل للبحث التطوري الموجه بالذكاء الاصطناعي (تحسين لنظام FunSearch)، لحل هذه المشكلة. فبدلاً من اشتقاق التوزيعات يدوياً، يعاملون البحث عن التوزيعات في أسوأ حالة كمسألة تخليق برامج (Program Synthesis).

استراتيجية البحث:
- المتغير الثابت: توزيع المشتري ثابت وهو توزيع الإيرادات المتساوية المنفصل (Discrete Equal Revenue Distribution) (اتباعاً لهيكل الأمثلة المضادة السابقة) حيث $\Pr(b \ge m) = 1/m$ .
- المتغير المتطور: يتم تطوير توزيع البائع ( $F_s$ ). يقوم وكيل برمجي يعتمد على نموذج لغوي كبير (LLM) بتعديل كود Python بشكل تكراري لتوليد دالة التوزيع التراكمي (CDF) للبائع.
- التهيئة: يبدأ البحث بتوزيع منتظم لتجنب الانحياز.
- الطفرة (Mutation): يقترح الـ LLM تغييرات في الكود، تتراوح من ضبط المعلمات إلى إدخال أشكال وظيفية غير خطية معقدة (مثل قوانين القوة أو التعديلات الجيبية).
خط أنابيب التقييم:
- التقطيع (Discretization): يتم تقطيع النطاق إلى أعداد صحيحة $m \in \{1, \dots, H\}$ حيث $H = 20,000$ .
- الدقة: لتجنب أخطاء الفاصلة العائمة، يتم تقريب دوال كتلة الاحتمال إلى مضاعفات $\epsilon = 10^{-15}$ ، وتُجرى الحسابات باستخدام الحسابات الصحيحة.
- دالة اللياقة (Fitness Function): "لياقة" التوزيع المرشح هي حصرياً نسبة التقريب الناتجة $\rho$ . يقوم النظام بحساب قيم GFT الدقيقة لكل من الحالة المثلى الأولى وآلية العارض العشوائي.

3. المساهمات الرئيسية

حد أدنى جديد: تضع الورقة حداً أدنى جديداً لأسوأ حالة لنسبة التقريب في آلية العارض العشوائي: $\rho \ge 2.0749$ . وهذا يحسن من الرقم السابق الذي كان $\approx 2.02$ .
هيكل التوزيع المبتكر: اكتشف الذكاء الاصطناعي توزيعاً للبائع عبارة عن مزيج من قوانين القوة المعدلة (Mixture of Modulated Power Laws). وخلافاً للأمثلة المضادة السابقة التي استخدمت قوانين قوة قياسية، يتميز هذا التوزيع بـ أس مُعدل جيبياً.
- يتم تعريف الـ CDF كالتالي:
  $\Pr[s \le m] = 0.2 \cdot z_m^{\alpha_{\text{eff}}(z_m)} + 0.8 \cdot z_m^4$
  حيث $z_m = \frac{m+1}{H+1}$ والأس الفعال مُعدل بواسطة موجة جيبية:
  $\alpha_{\text{eff}}(z) = 0.15 + 0.05 \sin(2\pi z)$
إثبات المنهجية: يوضح العمل فعالية استخدام النماذج اللغوية الكبيرة (LLMs) كوكلاء برمجيين لاستكشاف المساحات المعقدة في النظرية الاقتصادية الجزئية، وتحديداً لإيجاد حالات أسوأ ما يمكن يصعب اشتقاقها تحليلياً.

4. النتائج

تنتج الحالة المحددة التي وجدها AlphaEvolve المقاييس التالية (مع $H=20,000$ ):

مكاسب التجارة المثلى الأولى ( $\text{GFT}_{FB}$ ): $\approx 1.2322$
مكاسب عرض البائع ( $\text{GFT}_{SO}$ ): $\approx 0.3312$
مكاسب عرض المشتري ( $\text{GFT}_{BO}$ ): $\approx 0.8565$
مكاسب العارض العشوائي ( $\text{GFT}_{RO}$ ): $\approx 0.5939$ (متوسط SO و BO)
نسبة التقريب ( $\rho$ ): $1.2322 / 0.5939 \approx \mathbf{2.0749}$

رؤية عدم التماثل: تسلط النتيجة الضوء على فجوة كبيرة بين الحالة المثلى الأولى و الحد الأقصى للآليتين الفرعيتين. فبينما تكون النسبة $\text{GFT}_{FB} / \max(\text{GFT}_{SO}, \text{GFT}_{BO})$ حوالي $1.44 $، فإن النسبة لآلية RO المجمعة هي$ 2.07$. يشير هذا إلى أن عدم الكفاءة ينبع من العشوائية بين الآليتين الفرعيتين بدلاً من الآليتين نفسهما.

5. الأهمية

الأثر النظري: تثبت النتيجة بشكل قاطع أن آلية العارض العشوائي أقل كفاءة مما كان يُعتقد سابقاً في أسوأ الحالات، مما يوسع الفجوة المعروفة بين الآليات البسيطة والكفاءة المثلى.
الذكاء الاصطناعي في النظرية: تعمل هذه الورقة كدراسة حالة قوية لـ تصميم الخوارزميات الموجه بالذكاء الاصطناعي في علوم الحاسوب النظرية والاقتصاد. فهي تظهر قدرة الذكاء الاصطناعي على اكتشاف هياكل رياضية غير بديهية (مثل التعديل الجيبي للأسس) قد يغفل عنها الباحثون البشريون عند البحث عن أمثلة مضادة.
الاتجاهات المستقبلية: يشير المؤلفون إلى إمكانية تطبيق هذا النهج على مسائل أخرى في نظرية المزاد ونظرية الألعاب الخوارزمية حيث يصعب الوصول إلى حدود دقيقة تحليلية. كما يلاحظون أن التناوب بين تطوير توزيعات المشتري والبائع قد يؤدي إلى حدود أكثر إحكاماً في الأعمال المستقبلية.