Agentic AI for Remote Sensing: Technical Challenges and Research Directions

الفكرة الكبرى: من "آلة حاسبة ذكية" إلى "محقق علمي"

تخيل أن لديك مساعداً آلياً (روبوت) ذكياً جداً. في عالم الذكاء الاصطناعي العام، هذا المساعد يشبه متدرباً عبقرياً لكنه ساذج. إذا طلبت منه "إيجاد المنطقة المغمورة بالفيضان"، فقد ينظر إلى صورة، ويخمن الإجابة، ثم يقول: "يبدو أنها 20 كيلومتراً مربعاً!". قد يحصل على الرقم النهائي الصحيح، لكنه قد يكون أخطأ في الحسابات، أو استخدم مقياس رسم خاطئ، أو خلط بين التواريخ. هو لا يهتم كيف وصل إلى هناك، طالما أن الإجابة تبدو منطقية.

تجادل هذه الورقة البحثية بأنه بالنسبة لـ رصد الأرض (EO) — وهو مجرد تعبير منمق لـ "تحليل صور الأقمار الصناعية لكوكبنا" — فإن نهج "المتدرب الساذج" هذا يعد أمراً خطيراً.

يقول المؤلفون إننا بحاجة للتوقف عن بناء ذكاء اصطناعي يكتفي بتخمين الإجابات، والبدء في بناء ذكاء اصطناعي وكيل (Agentic AI) يعمل مثل محقق علمي دقيق. هذا المحقق لا يعطيك رقماً فحسب؛ بل يجب أن يثبت أن كل خطوة اتخذها للوصিং إليه كانت صحيحة فيزيائياً وجغرافياً.

---

المشكلة: لماذا يفشل الذكاء الاصطناعي العام في أعمال الأقمار الصناعية؟

توضح الورقة أن وكلاء الذكاء الاصطناعي العامين (المتدربين) مبنيون على ثلاثة افتراضات خطيرة تعمل بشكل جيد في البرمجة أو الدردشة، لكنها تفشل فشلاً ذريعاً عند النظر إلى الأرض من الفضاء:

1. "الأدوات تشبه الأزرار السحرية"

   • الافتراض: في الذكاء الاصطناعي العادي، إذا ضغطت زراً لـ "تغيير حجم صورة"، فإن الأمر يحدث ببساطة. إذا ارتكبت خطأً، يمكنك فقط الضغط على "تراجع" والمحاولة مرة أخرى.
   • الواقع: في أعمال الأقمار الصناعية، الأدوات تشبه التفاعلات الكيميائية. إذا خلطت مواد كيميائية خاطئة (على سبيل المثال، قمت بتغيير حجم الخريطة قبل ضبط الإحداثيات)، فإن البيانات ستفسد بشكل دائم. لا يمكنك مجرد "التراجع" لأن الإشارة الأصلية قد ضاعت. تسمي الورقة هذا "انتشار الخطأ الصامت". خطأ صغير واحد في البداية (مثل استخدام إسقاط خريطة خاطئ) يفسد النتيجة النهائية بصمت، حتى لو بدا الرقم النهائي صحيحاً.

2. "الإجابة هي كل ما يهم"

   • الافتراض: إذا قال الذكاء الاصطناعي "الفيضان مساحته 50 كم²"، وكانت هذه هي الإجابة الصحيحة، فقد فاز الذكاء الاصطناعي.
   • الواقع: في العلم، كيفية الوصول إلى الإجابة أهم من الإجابة نفسها. إذا حسب الذكاء الاصطناعي مساحة 50 كم² عن طريق خلط بيانات من سنتين مختلفتين بالخطأ، فإن الإجابة ستكون "منطقية" ولكنها غير صالحة علمياً. الأمر يشبه طالباً حصل على الإجابة الصحيحة في اختبار رياضيات عبر كتابة معادلة خاطئة؛ سيظل راسباً في المادة لأنه لم يفهم العملية.

3. "كل شيء قابل للعكس"

   • الافتراض: إذا اختار الذكاء الاصطناعي صورة قمر صناعي خاطئة، يمكنه ببساطة استبدالها.
   • الواقع: بيانات الأرض فوضوية. الغيوم تغطي الصور، المستشعرات تتغير، والمواسم تتبدل. إذا اختار الذكاء الاصطناعي صورة غائمة لقياس حريق غابة، فلا يمكنه "استبدالها" بسهولة لأن البيانات مفقودة. يجب على الذكاء الاصطناعي أن يعرف قبل أن يتصرف أن أداة معينة لن تعمل مع بيانات معينة.

الحل: بناء وكلاء "أصليين جغرافياً" (Geo-Native)

تقترح الورقة طريقة جديدة لتصميم هؤلاء الوكلاء خصيصاً لعلوم الأرض. وتقترح ثلاث قواعد رئيسية:

1. "حقيبة الظهر ذات الحالة" (The Stateful Backpack)

تخيل أن وكيل الذكاء الاصطناعي هو متنزّه (هايكر). الوكيل العام ينظر فقط إلى الوجهة ويقفز. أما الوكيل الأصلي جغرافياً (Geo-Native Agent) فيحمل حقيبة ظهر منظمة تتبع موقعه الدقيق، ومقياس رسم الخريطة، والوقت من اليوم، ونوع الكاميرا التي يستخدمها.

• الاستعارة: قبل أن يتخذ الوكيل خطوة (تشغيل أداة)، يفحص حقيبة ظهره: "هل لدي مقياس الرسم الصحيح لهذه الأداة؟ هل الوقت من اليوم متوافق؟". إذا قالت حقيبة الظهر "لا"، يتوقف الوكيل. هو لا يخمن فحسب.

2. "الفريق ثلاثي الرؤوس"

بدلاً من وجود عقل واحد يحاول القيام بكل شيء، تقترح الورقة تقسيم الذكاء الاصطناعي إلى ثلاثة أدوار متخصصة (مثل طاقم بناء):

• المخطط (The Planner): هو المهندس المعماري. يقرر ماذا سيفعل (مثلاً: "نحن بحاجة لقياس أضرار الفيضان").
• المنفذ (The Executor): هو البنّاء. يقوم فعلياً بتشغيل الأدوات (مثلاً: "أنا أقوم بإعادة إسقاط هذه الخريطة").
• المُحقِّق (The Verifier): هو مفتش السلامة. هذا هو الجزء الجديد والأهم. قبل أن ينتقل الوكيل إلى الخطوة التالية، يقوم المُحقِّق بالفحص: "هل حافظنا على محاذاة إحداثيات الخريطة؟ هل استخدمنا الوحدات الصحيحة؟ هل هذا ممكن فيزيائياً؟". إذا قال المُحقِّق "فشل"، تتوقف العملية برمتها.

3. التعلم من الأخطاء (دون كسر الأشياء)

عادةً، يتعلم الذكاء الاصطناعي عبر تجربة الأشياء ورؤية ما ينجح. لكن في علوم الأرض، "تجربة الأشياء" قد تدمر البيانات.

• الاستعارة: لا يمكنك تعليم جراح العمليات الجراحية عبر تركه يتدرب على مرضى حقيقيين حتى يتقن الأمر.
• الحل: تقترح الورقة استخدام "شبكة أمان". يمكن للذكاء الاصطناعي أن يتعلم ويتحسن، ولكن فقط إذا وافقت مجموعة صارمة من القواعد (المُحقِّق) على كل خطوة. إذا حاول الذكاء الاصطناعي خطوة تنتهك قوانين الفيزياء أو الجغرافيا، فإن حلقة التعلم ترفضها فوراً.

المستقبل: معايير قياس أفضل

أخيراً، تقول الورقة إننا بحاجة إلى اختبارات جديدة لوكلاء الذكاء الاصطناعي هؤلاء.

• الاختبارات الحالية: "هل حصل الذكاء الاصطناوي على الرقم الصحيح؟"
• الاختبارات الجديدة: "هل اتبع الذكاء الاصطناعي الخطوات العلمية الصحيحة؟ هل تحقق من إحداثياته؟ هل تجنب الخلط بين المواسم؟"

الملخص

هذه الورقة هي تحذير ودليل في آن واحد. فهي تحذرنا من أن مجرد توصيل بيانات الأقمار الصناعية بوكلاء الذكاء الاصطناعي القياسيين أمر خطير لأن هؤلاء الوكلاء لا يفهمون القواعد الصارمة للجغرافيا والفيزياء. وهي توجهنا لبناء وكلاء ذكاء اصطناعي متخصصين يعاملون كل خطوة من تحليلاتهم كتجربة علمية، حيث تكون الصلاحية (فعل الشيء بشكل صحيح) لا تقل أهمية عن الدقة (الحصول على الإجابة الصحيحة).

باختصار: لا تبنِ مجرد ذكاء اصطناعي يعطيك الإجابة. ابنِ ذكاءً اصطناعياً يمكنه إثبات، خطوة بخطوة، أن الإجابة صحيحة علمياً.