🤖 machine learning

Emergent Compositional Communication for Latent World Properties

تُظهر هذه الورقة أن الأنظمة متعددة الوكلاء التي تتواصل عبر عنق زجاجة من نوع "Gumbel-Softmax" يمكنها تطوير بروتوكولات تركيبية منفصلة تلقائياً لتمثيل الخصائص الفيزيائية الكامنة مثل المرونة والكتلة من ميزات الفيديو المجمدة، مع اعتماد الأداء بشكل كبير على الأسبقية الإدراكية والتحقق من ذلك في كل من اللقطات الاصطناعية والواقعية.

المؤلفون الأصليون: Tomek Kaszyński

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Tomek Kaszyński

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 في غرفة مع صديق لك، لكنكما لا تستطيعان رؤية شاشات بعضكما البعض. كلاكما يشاهد فيديو لكرات ترتد وتنزلق. هدفكما؟ معرفة أي كرة هي "الأكثر ارتداداً" وأيها "الأكثر انزلاقاً" فقط عبر إرسال رسائل نصية قصيرة لبعضكما البعض.

هذه الورقة البحثية تتحدث عن تعليم وكلاء الذكاء الاصطناعي القيام بذلك بالضبط، ولكن مع لمسة مختلفة: عليهم ابتكار لغتهم الخاصة لوصف أشياء لا يمكنهم رؤيتها فعلياً.

إليك قصة كيف فعلوا ذلك، مقسمة إلى مفاهيم بسيطة.

1. الخصائص غير المرئية

في العالم الحقيقي، لا يمكنك رؤية "الاحتكاك" أو "المرونة" في صورة واحدة. أنت تعرف فقط أن الكرة مرتدة إذا شاهدتها وهي ترتد. وتعرف فقط أن السطح زلق إذا شاهدته وهو ينزلق.

التحدي: يتم إعطاء وكلاء الذكاء الاصطناعي فيديوهات لحركة كرات. عليهم تخمين قواعد الفيزياء الخفية (مثل الكتلة أو القدرة على الارتداد) وإخبار شريكهم بها.
العقبة: لا يمكنهم إرسال تقارير طويلة ومفصلة. عليهم ضغط كل تلك الحركة المعقدة في رسالة صغيرة ومحددة (مثل رمز قصير من الرموز).

2. تأثير "المشروع الجماعي" (ضغط تعدد الوكلاء)

وجد الباحثون مكوناً سحرياً: وجود عدد أكبر من الأشخاص في المجموعة.

الفنان المنفرد: عندما جربوا الأمر مع وكيلين فقط، كانت النتيجة بمثرد ضربة حظ. أحياناً يبتكرون نظاماً رائعاً؛ وأحياناً أخرى يقومون فقط بحفظ رموز عشوائية لا معنى لها.
الأوركسترا: عندما رفعوا عدد الفريق إلى أربعة وكلاء، حدث شيء مذهل. في كل مرة، طوروا لغة منظمة ومثالية.
التشبيه: تخيل أربعة أشخاص يحاولون وصف لوحة لشخص خامس. إذا صرخ الجميع في وقت واحد، فستكون فوضى. ولكن إذا اتفقوا على أن الشخص (أ) يصف اللون، والشخص (ب) يصف الشكل، والشخص (ج) يصف الحالة المزاجية، فإنهم سيخلقون نظاماً منظماً ومثالياً. تُظهر الورقة أن تقسيم المهمة بين مراقبين مستقلين يجبر الذكاء الاصطناعي على تنظيم أفكاره، بدلاً من مجرد حفظ الإجابة.

3. "عنق الزجاجة المتقطع" (لعبة الهاتف)

يجب على الوكلاء إرسال رسائلهم عبر "عنق زجاجة". فكر في الأمر كأنه لعبة "الهاتف المكسور" (Telephone)، ولكن خط الهاتف ضيق جداً.

لا يمكنهم إرسال ملف فيديو. يمكنهم فقط إرسال رموز قليلة (مثل "أ-ب-ج").
ولأن الخط ضيق للغاية، يُجبر الذكاء الاصطناعي على أن يكون فعالاً. يتعلم أن يقول: "الحرف الأول يخبرك عن الارتداد، والحرف الثاني يخبرك عن الانزلاق".
هذا يخلق "التركيبية" (Compositionality): وهي كلمة معقدة تعني أن اللغة لها أجزاء تعني أشياء محددة، ويمكنك المزج بينها. تماماً كما في اللغة الإنجليزية، "أحمر" + "كرة" تعني كرة حمراء، و"أزرق" + "كرة" تعني كرة زرقاء. لقد تعلم الذكاء الاصطناعي القيام بذلك مع الفيزياء.

4. "العيون" مهمة (الإدراك هو المفتاح)

اختبرت الورقة نوعين مختلفين من "العيون" (نماذج رؤية الذكاء الاصطناعي) لمعرفة ما يمكنهم رؤيته:

المصور الفوتوغرافي (DINOv2): هذا النموذج ينظر إلى الإطارات الفردية مثل المصور الفوتوغرافي. إنه بارع في رؤية الأشياء الثابتة (مثل ارتفاع الكرة على منحدر).
ناقد الأفلام (V-JEPA 2): هذا النموذج يشاهد الفيديو بأكل ويستوعب الحركة والزمن.
النتيجة:
- إذا كانت المهمة تتعلق بكرة تتدحرج على منحدر (حيث يمكنك رؤية المسافة)، فقد برع "المصور الفوتوغرافي".
- إذا كانت المهمة تتعلق باصطدام كرتين (حيث يجب عليك مشاهدة كيفية تسارعها أو تباطؤها لتخمين وزنها)، فقد فشل "المصور الفوتوغرافي". أما "ناقد الأفلام" فقد نجح لأنه فهم قصة الحركة، وليس مجرد الصورة.
- الدرس المستفاد: لا يمكنك تعليم الذكاء الاصطناعي التحدث عن الفيزياء إذا كانت "عيونه" لا تستطيع رؤية الفيزياء في المقام الأول.

5. اختبار "الجراحة" (إثبات النجاح)

كيف نعرف أن الذكاء الاصطناعي تعلم القواعد حقاً ولم يقم بمجرد التخمين؟ قام الباحثون بخدعة.

أخذوا رسالة الذكاء الاصطناعي وحذفوا الجزء الذي كان من المفترض أن يتحدث عن "الارتداد".
النتيجة: فشل شريك الذكاء الاصطناعي فوراً في تخمين "الارتداد"، لكنه ظل مثالياً في تخمين "الانزلاق".
الاستعارة: الأمر يشبه أن تأخذ جملة وتمسح كلمة "أحمر". إذا كانت الجملة "الكرة الحمراء ثقيلة"، ومسحت كلمة "الحمراء"، فسيظل المستمع يعرف أن الكرة ثقيلة، لكنه لن يعرف اللون. هذا أثبت أن الذكاء الاصطناعي قد فصل بين المفاهيم بشكل نظيف.

6. دليل من العالم الحقيقي

أخيراً، اختبروا هذا على لقطات فيديو حقيقية لأجسام حقيقية (مثل كرة ترتد على زنبرك حقيقي)، وليس مجرد محاكاة حاسوبية.

نجح الذكاء الاصطناعي في مقارنة وزن أجسام حقيقية لم يرها من قبل.
أثبت ذلك أن هذه "اللغة المبتكرة" تعمل حتى عندما يكون الفيديو فوضوياً وحقيقياً، وليس مثالياً ونظيفاً.

الخلاصة الكبرى

تُظهر هذه الورقة أنه إذا أعطيت وكلاء الذكاء الاصطناعي سبباً للتحدث مع بعضهم البعض، وأجبرتهم على تقسيم العمل بين فريق، فإنهم سيخترعون تلقائياً لغة منطقية ومنظمة لوصف قوانين الفيزياء غير المرئية.

وهذا يشير إلى أن التواصل هو معلم. فمن خلال محاولة شرح العالم لشريك، يتعلم الذكاء الاصطناعي فهم العالم بشكل أفضل لنفسه. والأهم من ذلك، يوضح هذا أن لفهم حركة العالم، تحتاج إلى نموذج مدرب على الفيديو، وليس فقط على الصور الثابتة.

إليك ملخص تقني مفصل لورقة البحث "التركيب اللغوي الناشئ للتواصل حول خصائص العالم الكامنة" (Emergent Compositional Communication for Latent World Properties) للباحث توميك كاشينسكي.

1. بيان المشكلة

تعالج الورقة فجوة جوهرية في الذكاء الاصطناعي: هل يمكن للأنظمة متعددة الوكلاء تطوير لغة تركيبية مهيكلة للتواصل حول الخصائص الفيزيائية التي لا يمكن رؤيتها مباشرة في ملاحظة واحدة؟

بينما يستنتج البشر بسهولة ويناقشون الخصائص الكامنة مثل المرونة، والاحتكاك، والكتلة من خلال الديناميكيات الزمنية (مثل كيفية ارتداد أو انزلاق الأجسام)، تعتمد نماذج الذكاء الاصطناية الحالية عادةً على تمثيلات مستمرة للتنبؤ الفيزيائي. يبحث المؤلفون فيما إذا كان بإمكان الوكلاء، مدفوعين فقط بضغط التعاون في مهمة مقارنة، اكتشاف بروتوكولات منفصلة وتركيبية بشكل تلقائي، حيث تشفر خانات رسائل محددة خصائص فيزيائية معينة، حتى عندما تكون تلك الخصائص غير مرئية في الإطارات الثابتة.

2. المنهجية

الإعداد التجريبي

البيئة: يستخدم المؤلفون محاكاة فيزيائية (Kubric/PyExecute) وفيديو من العالم الحقيقي (مجموعة بيانات Physics 101).
- فيزياء المنحدر (Ramp Physics): تنزلق الأجسام على منحدرات (مما يكشف عن الاحتكاك) وترتد (مما يكشف عن المرونة).
- ديناميكيات التصادم (Collision Dynamics): تصطدم كرات متطابقة؛ ويجب استنتاج نسبة الكتلة ومعامل الارتداد حصريًا من تغيرات السرعة بعد التصادم بمرور الوقت.
المهمة: وكيلان مرسلان يراقبان مقاطع فيديو لأجسام ذات خصائص فيزيائية مخفية. يجب عليهما التواصل مع مستقبل لتحديد أي جسم يمتلك قيمة أعلى لخصائص معينة (على سبيل المثال، "أي كرة لها مرونة أعلى؟").
قناة الاتصال: عنق زجاجة منفصل باستخدام Gumbel-Softmax. يرسل الوكلاء رسالة قصيرة من الرموز الفئوية.
- القيد: لا يرى المرسلون قيم الخصائص الحقيقية (ground-truth)؛ بل يتلقون فقط التدرجات بناءً على خسارة مهمة المستقبل.
- الهيكل: الرسائل مجزأة (على سبيل المثال، $K=2$ من المواضع، و $V=5$ من المفردات)، مما يسمح بإمكانية التخصص الموضعي.

المكونات الهيكلية الرئيسية

النماذج الإدراكية الأساسية (المجمدة):
- DINOv2 (ViT-S/L): ميزات تعتمد على الصور ذات التعلم الذاتي (تعالج الإطارات بشكل مستقل).
- V-JEPA 2 (ViT-L): بنية التضمين المشترك التنبؤية القائمة على الفيديو (تعالج المتواليات الزمكانية بشكل مشترك).
نظام التدريب:
- التعلم المتكرر (Iterated Learning): يتم إعادة ضبط المستقبلين دوريًا (كل 40 حقبة تدريبية) لإجبار المرسل على تطوير بروتوكول يمكن تعلمه من الصفر بواسطة أي مستقبل جديد (محاكاة للنقل الثقافي).
- ضغط السكان (Population Pressure): يتم تدريب المرسلين ضد مجموعة سكانية مكونة من 3 مستقبلين في وقت واحد لضمان قابلية التشفير العالمي.
- توسع الوكلاء المتعددين: تتراوح التجارب من 2 إلى 4 وكلاء، حيث يراقب كل وكيل مجموعة فرعية من إطارات المدخلات.

مقاييس التقييم

التفكك الموضعي (Positional Disentanglement - PosDis): يقيس ما إذا كانت مواضع الرسائل المحددة تشفر خصائص معينة (تشير القيم العالية إلى التركيبية).
دقة الاختبار الاستبعادي (Holdout Accuracy): الأداء على تركيبات غير مرئية من قيم الخصائص (اختبار التعميم).
التدخل السببي (Causal Intervention): تصفير مواضع رسائل معينة للتحقق مما إذا كان الاضطراب انتقائيًا للخاصية المشفرة.

3. المساهمات الرئيسية

ظهور البروتوكولات التركيبية للفيزياء غير المرئية:
تظهر الدراسة أن الوكلاء يطورون تلقائيًا بروتوكولات منفصلة موضعياً (على سبيل المثال، الموضع 0 = المرونة، الموضع 1 = الاحتكاك) عند التواصل بشأن الخصائص الفيزيائية الكامنة. يحدث هذا في 54% من عمليات تشغيل الوكيلين، وفي 100% من عمليات تشغيل الـ 4 وكلاء، وهو ما يتفوق بشكل كبير على النماذج الشمولية (غير التركيبية) في التعميم.
الإدراك يحدد القدرة على التواصل:
من خلال مقارنة عاملية مضبوطة ( $2 \times 2$ )، تثبت الورقة أن النموذج الإدراكي الأساسي هو الذي يحدد ما يمكن التواصل بشأنه.
- V-JEPA 2 يهيمن على ديناميكيات التصادم (حيث تكون الخصائص غير مرئية في الإطارات الفردية) لأنه يشفر فروق السرعة الزمنية.
- DINOv2 يهيمن على فيزياء المنحدر (حيث تكون الخصائص مرئية مكانيًا) ولكنه يفشل في ديناميكيات التصادم.
- نتيجة حاسمة: رفع مقياس DINOv2 ليتناسب مع عدد بارامترات V-JE 2 (وهو ViT-L) أو زيادة عدد الإطارات لا يسد الفجوة. الميزة تعود حصريًا إلى أهداف التدريب المسبق الأصلية للفيديو، وليس سعة النموذج.
الهيكل متعدد الوكلاء كمحرك أساسي:
تعزل الورقة السبب وراء التركيبية. الأمر ليس مدفوعًا بزيادة عرض النطاق الترددي أو التغطية الزمنية.
- الضبط: فشل وكيل واحد مع نطاق ترددي مطابق (مفردات 4x5) في تطوير التركيبية (نجاح بنسبة 35%).
- النتيجة: فقط الهيكل متعدد الوكلاء (وكلاء مستقلون يضغطون ملاحظات جزئية) يجبر ظهور الأكواد التركيبية. مع 4 وكلاء، تصبح التركيبية موثوقة (100% من البذور).
القابلية للعنونة السببية وإعادة الاستخدام:
البروتوكولات الناشئة ليست مجرد مرتبطة بالخصائص؛ بل هي قابلة للعنونة سببيًا.
- الاستئصال الجراحي: تصفير موضع رسالة معين يعطل بشكل انتقائي التنبؤ بالخاصية المقابلة مع ترك الخصائص الأخرى دون تغيير.
- الاستدلال عبر الخصائص: يمكن استخدام مرسل مجمد تم تدريبه على "مقارنة المرونة" بواسطة مستقبل جديد لحل مسألة "هل مرونة A > احتكاك B؟" بدقة 93.8%، مما يثبت أن الواجهة قابلة لإعادة الاستخدام والنمطية.
التحقق من العالم الحقيقي:
تنتقل الآلية إلى لقطات كاميرا حقيقية (Physics 101). يحقق الوكلاء دقة قدرها 85.6% على أجسام حقيقية غير مرئية. تساهم الديناميكيات الزمنية بـ +11.2% في الدقة مقارنة بالمظهر الساكن، وتكرر عملية توسع الوكلاء المتعددين (90% تركيبية عند 4 وكلاء) في الفيديو الحقيقي.

4. النتائج الرئيسية

معدلات التركيبية:
- وكيلان: 54% من البذور تركيبية (PosDis > 0.4).
- 4 وكلاء: 100% من البذور تركيبية (PosDis $\approx$ 0.999).
التعميم: تحقق البذور التركيبية تعميماً أفضل بكثير للتركيبات غير المرئية من الخصائص مقارنة بالبذور الشمولية (79.3% مقابل 75.9% دقة الاستبعاد؛ $p=0.011$ ).
أداء النموذج الأساسي (مهمة التصادم):
- V-JEPA 2 (4 وكلاء): 87.4%
- DINOv2 ViT-S (4 وكلاء): 77.7%
- DINOv2 ViT-L (مطابق المقياس): 74.6% (أسوأ من ViT-S، مما يثبت أن المقياس ليس العامل).
المنفعة اللاحقة: تحتفظ الرسائل المنفصلة المجمدة بـ 94% من القدرة التنبؤية للميزات عالية الأبعاد الخام لنتائج التنبؤ، رغم نسبة ضغط تصل إلى 25 ضعفًا. وهي تدعم التخطيط المشروط بالفعل مع استدلال مضاد للواقع صحيح فيزيائيًا ( $r=0.780$ ).
الشرط الحدّي: تفشل الآلية في المهام الفئوية (مثل تحديد فئة CIFAR-100)، حيث يحفظ الوكلاء أكواد الفئات بدلاً من تركيب الخصائص. تنجح فقط في التباين المستمر للخصائص.

5. الأهمية والآثار المترتبة

لتصميم نماذج العالم (World Models): توفر النتائج دليلاً تجريبيًا يدعم البنية المعرفية لـ LeCun (2022)، مما يشير إلى أن المتغيرات الكامنة المنفصلة داخل نماذج العالم من نوع JEPA يمكن أن تدعم الاستدلال التركيبي والقابل للعنونة السببية. يعمل عنق الزجاجة المنفصل كطبقة تجريد مهيكلة.
للأنظمة متعددة الوكلاء: تجادل الورقة بأن توزيع الإدراك عبر وكلاء مستقلين هو مبدأ تصميم أكثر فعالية لتحفيز التركيبية من مجرد زيادة عرض النطاق الترددي لوكيل واحد.
للتقييم: يقترح المؤلفون التواصل الناشئ كمنهجية تقييم جديدة لنماذج التأسيس (Foundation Models). على عكس المسابر الخطية (التي تتحقق مما إذا كانت المعلومات موجودة)، تختبر اختبارات التواصل ما إذا كانت المعلومات يمكن هيكلتها، وضغطها، وإعادة استخدامها بشكل تركيبي.
الفهم الفيزيائي: تؤكد الدراسة أن التدريب المسبق المعتمد على الفيديو (V-JEPA) ضروري لفهم الديناميكيات الفيزيائية، ويمكن تلخيص هذه المعرفة في رموز منفصلة وقابلة للتفسير لعمليات التخطيط اللاحقة.

باختتدام، تثبت هذه الورقة أن ضغط التواصل، مقترناً بالهيكل متعدد الوكلاء والإدراك الكافي القائم على الفيديو، كافٍ لجعل الوكلاء يطورون لغة تركيبية للقوانين الفيزيائية غير المرئية، مما يخلق واجهة قوية وقابلة للاستعلام للاستدلال الفيزيائي.