A Benchmark for Multi-Party Negotiation Games from Real Negotiation Data
تقدم هذه الورقة معياراً قابلاً للضبط لألعاب التفاوض متعددة الأطراف بناءً على بيانات من العالم الحقيقي لتقييم كيفية أداء تقريبات دالة القيمة المختلفة عبر أنظمة هيكلية متنوعة، مما يثبت في النهاية الحاجة إلى وكلاء قادرين على التخطيط القوي طويل الأمد تحت الالتزامات الملزمة.
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 حفلة في الحي، لكنها فوضوية للغاية. لديك 20 جاراً، لكل منهم قائمة بطلباته الخاصة: أحدهم يريد دي جي (DJ)، والآخر يريد سياجاً، والثالث يريد بيتزا مجانية.
في معظم نماذج التفاوض في علوم الحاسوب، يجلس الجميع معاً في وقت واحد، يتجادلون لفترة، ثم يحاولون الاتفاق على قائمة نهائية واحدة للحفلة. وإذا لم يتفقوا على الأمر برمته دفعة واحدة، فلن تقام الحفلة.
تقول هذه الورقة البحثية: "هذا ليس هو ما يحدث في الواقع".
في العالم الحقيقي، تتم الاتفاقات الكبيرة عبر خطوات. أنت تتفق على "الدي جي" اليوم، وهذا يجعلك ملتزماً بميزانية معينة. غداً، تتفق على "السياج"، مما يغير ما يمكنك توفيره للبيتزا. كل "نعم" صغيرة تقولها اليوم تفرض عليك التزاماً يغير ما هو ممكن غداً. إذا وافقت على الشيء الخطأ في وقت مبكر، فقد تضع نفسك في مأزق يمنعك من الحصول على البيتزا لاحقاً، حتى لو كنت ترغب بها بشدة.
قام مؤلفو هذه الورقة ببناء لعبة فيديو جديدة (معيار اختبار) لتعليم الحواسيب كيفية التعامل مع هذا الواقع الفوضوي الذي يسير خطوة بخطوة.
اللعبة: "متاهة الالتزام"
فكر في اللعبة كأنها متاهة ضخمة حيث يكون كل لاعب مسافراً.
- الهدف: الوصول إلى نهاية المتاهة مع أكبر عدد ممكن من "الكنوز" (الأهداف).
- العقبة: لا يمكنك مجرد المشي نحو النهاية؛ بل يجب أن تتبادل الأدوار مع المسافرين الآخرين.
- الفخ: في كل مرة توافق فيها على اتخاذ خطوة (التزام)، فإنها تكون دائمة. لا يمكنك التراجع عن قرارك. إذا وطئت فخاً، ستسقط، ولن تتمكن من الصعود مجدداً.
- التحول المفاجئ: لا تحصل على مكافأتك (النقاط) إلا في نهاية المتاهة تماماً. لا تحصل على نقاط مقابل كل خطوة تتخذها؛ بل تُدفع لك النقاط فقط عندما تنتهي اللعبة.
"النظارات الثلاث" (كيف تفكر الحواسيب)
للعب هذه اللعبة، يحتاج الحاسوب إلى التخمين: "إذا اتخذت هذه الخطوة الآن، فهل ستساعدني في الحصول على المزيد من النقاط في النهاست؟"
بما أن الحاسوب لا يمكنه رؤية المستقبل، فقد اختبر الباحثون ثلاثة أنواع من "النظارات" (الاستراتيجيات) لمعرفة أي منها يساعد الحاسوب على اتخاذ أفضل القرارات:
نظارات "قصر النظر" (المكافأة الآنية - Myopic Reward):
- كيف تفكر: "هل هذه الخطوة تشعرني بالرضا الآن؟ نعم؟ إذن لنفعلها!"
- العيب: إنها تتجاهل المستقبل. قد توافق على صفقة تمنحك 10 نقاط الآن، لكنها تحاصرك في زاوية تمنعك من الحصول على 100 نقطة لاحقاً. الأمر يشبه أكل الكعكة كاملة الآن ثم الجوع طوال بقية الأسبوع.
نظارات "المتفائل" (الحد الأعلى - Upper Bound):
- كيف تفكر: "سأحصل على كل الأشياء الجيدة في النهاية على أي حال. لذا، يجب أن أقلق فقط بشأن عدم التعرض للأذى."
- العيب: هي حذرة جداً. ترفض خوض أي مخاطرة. قد تقول "لا" لصفقة صغيرة تبدو مخيفة الآن، لكنها في الواقع المفتاح لفتح جائزة ضخمة لاحقاً. الأمر يشبه رفض شراء تذكرة لقطار الموت (Rollercoaster) لأنك خائف من الهبوط، فتفوت الرحلة بأكملها.
نظارات "المتشائم" (الحد الأدنى - Lower Bound):
- كيف تفكر: "الآخرون سيحاولون إيذائي أو سرقة جوائزي. أحتاج إلى بناء حصن والاستحواذ على كل شيء جيد يمكنني الحصول عليه الآن قبل أن يأخذوه."
- العيب: هي عدوانية للغاية. قد تستولي على كل شيء ممكن، حتى لو كان ذلك يضر بالمجموعة، لأنها تفترض الأسوأ.
ماذا اكتشفوا؟
أجرى الباحثون آلاف عمليات المحاكاة بقواعد مختلفة (بعض الألعاب كانت ودودة، وبعضها كان عدائياً؛ بعض الأهداف كانت سهلة، وبعضها كان "الكل أو لا شيء").
إليكم المفاجأة الكبرى: لا توجد نظارات واحدة هي "الأفضل".
- في اللعبة الودودة (حيث يريد الجميع نفس الأشياء)، تعمل نظارات "قصر النظر" بشكل جيد. الجميع يساعد بعضهم البعض، لذا فإن اتخاذ خطوات صغيرة هو أمر آمن.
- في اللعبة المخيفة (حيث يحاول الناس خداعك)، تكون نظارات "المتفائل" هي الأفضل. تحتاج لأن تكون حذراً جداً كي لا تقع في الفخاخ (مثل صفقات "السم في العسل" المذكورة في الورقة).
- في اللعبة حيث يريد الجميع الفوز الكبير، تعمل نظارات "المتشائم" بشكل أفضل. تحتاج لانتزاع حصتك مبكراً لأنه لا يمكنك الوثوق بالآخرين للانتظار.
الاختبار الواقعي
لم يكتفوا باستخدام ألعاب وهمية؛ بل أخذوا وثائق حقيقية من تحدٍ شهير للمفاوضات المناخية (حيث تتفاوض الدول حول إنقاذ الكوكب) وحولوها إلى لعبتهم.
النتيجة؟ نظارات "المتشائم" (الحد الأدنى) هي التي حصدت أكبر عدد من النقاط. لماذا؟ لأنه في محادثات المناخ الحقيقية، غالباً ما تقلق الدول من أنه إذا لم يضمنوا مكاسبهم الآن، فقد يتراجع الآخرون لاحقاً. إنهم بحاجة لأن يكونوا استراتيجيين ويغتنموا ما يمكنهم الحصول عليه طالما استطاعوا.
لماذا يهم هذا الأمر؟
هذه الورقة البحثية هي بمثابة جرس إنذار لمطوري الذكاء الاصطعي:
- الذكاء الاصطناعي القديم: يحاول حل المشكلة بأكملها دفعة واحدة أو ينظر فقط إلى المكافأة الفورية.
- الذكاء الاصطناعي الجديد: يحتاج لتعلم كيفية لعب "اللعبة الطويلة". يحتاج لفهم أن قول "نعم" لصفقة صغيرة اليوم قد يكلفك الفوز الكبير غداً.
يقول المؤلفون: "لقد بنينا صالة ألعاب رياضية لتدريب ذكاء التفاوض الاصطناعي. وجدنا أن الاستراتيجيات المختلفة تعمل في صالات رياضية مختلفة. إذا كنت تريد ذكاءً اصطناعياً يمكنه التفاوض مثل الدبلوماسي البشري، فعليه أن يتعلم تغيير استراتيجيته بناءً على الموقف، بدلاً من استخدام قاعدة واحدة جامدة".
باختاً مختصراً: التفاوض ليس مجرد إيجاد الإجابة النهائية المثالية. بل هو التنقل عبر سلسلة من الخطوات الدائمة دون السقوط من فوق منحدر. وأفضل طريقة للقيام بذلك تعتمد كلياً على من تلعب معه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.