ملخص تقني: تعلم صياغة نظريات للعالم من خلال الملاحظة

1. بيان المشكلة

تعمل نماذج العالم في الذكاء الاصطناعي المعاصرة بشكل أساسي على تشغيل "الفهم" باعتباره القدرة على التنبؤ بدقة بالحالات المستقبلية في الفضاءات الكامنة أو الفضاءات الرصدية. ومع ذلك، يشير علم الإدراك التنموي إلى أن الفهم البشري لا ينبثق مجرد التنبؤ، بل من بناء نظريات داخلية قابلة لإعادة الاستخدام حول كيفية عمل العالم، وغالبًا ما يحدث ذلك قبل اكتساب اللغة. وتفترض هذه "النظرية-النظرية" أن الإدراك يتضمن اكتشاف تفسيرات مهيكلة وتركيبية للظواهر المرصودة.

هناك فجوة حرجة في أنظمة الذكاء الاصطناعي الحالية: فهي مُحسّنة من أجل التنبؤ أو إعادة البناء، وغالبًا ما تتعلم تحويلات مركبة متشابكة تلتقط الارتباطات ولكنها تفتقر إلى الهيكل التركيبي الضروري للتعميم المنهجي. تفشل هذه النماذج في اكتشاف آليات صريحة وقابلة لإعادة الاستخدام تشرح كيف و لما لماذا يتم توليد الملاحظات، مما يجعلها هشة أمام تغيرات التوزيع أو عند مواجهة تركيبات جديدة من العوامل المعروفة.

المشكلة المركزية التي يتناولها البحث هي: هل يمكن لنظام اصطناعي تعلم بناء نظريات تفسيرية صريحة للعالم من خلال مراقبة مدخلات حسية خام غير نصية فقط، دون الاعتماد على اللغة، أو تسميات المهام، أو الإشراف البرمجي القائم على الحقيقة الأرضية؟

2. المنهجية: التعلم لصياغة النظريات (L2T) و NEO

يقترح المؤلفون التعلم لصياغة النظريات (L2T)، وهو نموذج تعلم حيث تستنتج النماذج برامج قابلة للتنفيذ وتركيبية (نظريات) من أزواج الملاحظات الخام $(x, y)$. تُعرف النظرية بأنها تسلسل من العمليات الأولية القابلة لإعادة الاستخدام التي تحول الملاحظة المصدر $x$ إلى الهدف $y$.

ولتجسيد L2T، يقدم البحث المُنظر العصبي (NEO)، وهو نموذج عصبي احتمالي يتكون من المكونات الأساسية التالية:

2.1. الإطار الاحتمالي

يعمل نموذج NEO على نمذجة الاحتمالية الشرطية $p_\theta(y | x)$ عبر إدخال متغيرات كامنة: برنامج منفصل $\tau$ (تسلسل من الأوليات) وأثر تنفيذ $s$. يفترض النموذج عملية توليدية حيث يقوم مشفر برسم الخرائط من $x$ إلى حالة كامنة أولية، ثم يقوم "مبرمج النظرية" باختيار الأوليات بالتتابع، ويقوم نموذج انتقال مشترك بتنفيذ هذه الأوليات لتوليد حالة نهائية، والتي يتم فك تشفيرها لإعادة بناء $y$.

2.2. لغة الفكر المتعلمة

بدلاً من استخدام لغة رمزية محددة مسبقاً، يتعلم NEO لغة فكر مباشرة من البيانات.

• الأوليات: يستحث النموذج مفردات منفصلة للعمليات عبر كتاب رموز (Codebook) لنموذج VQ-VAE المكمّم متجهياً. ليس لهذه الأوليات دلالات محددة مسبقاً؛ بل تُستمد معانيها من كيفية تحويلها للحالات الكامنة.
• التركيب: يعمل مبرمج النظرية $q_\phi(z_{ik} | s_k, y)$ كسياسة مشروطة بالهدف، حيث يختار الرمز الأولي التالي لتوجيه الحالة الكامنة نحو الهدف $y$. وهذا يسمح للنموذج بتركيب الأوليات في برامج مهيكلة دون إشراف صريح.

2.3. مبدأ طول الوصف الأدنى (MDL)

لمنع الإفراط في التفكيك (إنشاء برامج طويلة بلا داعٍ) وتشجيع اكتشاف المجموعة الأكثر قابلية لإعادة الاستخدام من الأوليات، يستخدم NEO مبدأ طول الوصف الأدنى (MDL). يختار النموذج طول البرنامج الأمثل $k^*$ الذي يوازن بين دقة إعادة البناء وإيجاز البرنامج:
$$k^* = \arg \min_{k} \lambda_{MDL}^k \cdot \ell(y, \hat{y}_k)$$
هذه الآلية تحفز النموذج لإيجاد أقصر تفسير دقيق، مما يفضل بطبيعته اكتشاف الأوليات الأساسية على حفظ المتواليات المتشابكة.

2.4. تجذير الحالة (State Grounding)

الابتكار الرئيسي هو تجذير الحالة. لضمان توافق الحالات الكامنة الوسيطة مع الملاحظات الصالحة (منع النموذج من تعلم تحويلات "اختصار" تنحرف عن مجال البيانات)، يفرض NEO خسارة اتساق فك التشفيد والترميز (decode-encode consistency loss) على الحالات الوسيطة. هذا يضمن أن كل خطوة في البرنامج المستنتج هي تحويل ذو معنى ضمن الفضاء الكامن المتعلم.

2.5. الاستدلال وتوسيع النطاق وقت الاختبار

في وقت الاختبار، يستنتج NEO نظرية من خلال اختيار الأوليات بالتتابع حتى ينخفض خطأ إعادة البناء عن عتبة معينة. ولأن النموذج يتعلم هيكلاً تركيبياً، فإنه يدعم التعميم على طول البرنامج (التعامل مع برامج أطول مما تمت رؤيته أثناء التدريب). علاوة على ذلك، فإن الطبيعة الاحتمالية لمبرمج النظرية تتيح البحث في وقت الاختبار (NEO-S)، حيث يتم أخذ عينات من نظريات مرشحة متعددة واختيارها عبر التصويت بالأغلبية لتحسين الدقة في التركيبات المعقدة وغير المرئية.

3. التقييم: معيار الاستدلال من الملاحظة إلى النظرية (OTIB)

قدم المؤلفون OTIB، وهو معيار مصمم لتقييم ما إذا كانت النماذج قادرة على استنتاج نظريات قابلة لإعادة الاستخدام من الملاحظات الخام دون إشراف برمجي.

• الإعداد: تتكون بيانات التدريب من أزواج ملاحظات تم توليدها بواسطة برامج كامنة. تتضمن مجموعة التدريب جزءاً $\alpha$ من تركيبات البرامج الممكنة، بينما يتم حجز الباقي كبيانات خارج التوزيع التركيبي (Compositional OOD).
• المقاييس: يُقاس الأداء عبر القدرة على الشرح الذاتي (إعادة بناء الهدف من زوج الدعم) والقابلية للنقل (تطبيق النظرية المستنتجة على مدخل استعلام جديد $x'$ للتنبؤ بـ $y'$). القابلية للنقل هي المقياس الحاسم لتحديد ما إذا كان قد تم تعلم نظرية قابلة لإعادة الاستخدام أم مجرد رسم خرائط خاص بحالة معينة.
• المجالات: تم تطبيق المعيار في ثلاثة مجالات:
  1. عالم الشبكة (GridWorld): شبكة 10×10 مع أوليات الحركة.
  2. التحليل الحسابي للعوامل: تحويلات الأعداد الصحيحة عبر الضرب في الأعداد الأولية.
  3. تعديل الصور: صور CIFAR-10 التي تعرضت لعمليات مثل التدوير، السطوع، والتقنيع (Masking).

4. النتائج الرئيسية

تظهر التجارب أن NEO يتفوق بشكل كبير على النماذج المرجعية أحادية الكتلة (Discrete/Continuous VQ-VAEs و $\beta$-VAEs) في جميع الإعدادات:

• التعميم التركيبي: بينما تحقق النماذج المرجعية أداءً عالياً داخل التوزيع، فإنها تنهار إلى مستوى يقترب من الصفر في قابلية النقل للتركيبات خارج التوزيع (OOD)، بينما يحافظ NEO على قابلية نقل عالية (مثلاً ~0.93 في GridWorld OOD)، مما يثبت أنه يتعلم أوليات قابلة لإعادة الاستخدام بدلاً من حفظ علاقات المدخلات والمخرجات.
• التعميم على الطول: ينجح NEO في التعميم على برامج أطول مما لوحظ أثناء التدريب (مثل الطول 8 في GridWorld، والطول 6 في الحساب)، وهي قدرة تفشل فيها النماذج المرجعية تماماً.
• اكتشاف الأوليات: يظهر تحليل NEO أنه يستعيد مجموعة الأوليات الحقيقية حتى عندما لا تُلاحظ الأوليات بشكل منفصل أثناء التدريب (عند انخفاض $\alpha$). ينجح النموذج في تفكيك الأمثلة المتشابكة في التدريب إلى وحدات ذرية قابلة لإعادة الاستخدام.
• توسيع النطاق في وقت الاختبار: نسخة NEO-S، التي تستخدم البحث القائم على أخذ العينات أثناء الاستدلال، تعزز الأداء بشكل أكبر، خاصة في المهام ذات الأفق الطويل، مما يؤكد أن الهيكل التركيبي يسهل الاستكشاف الفعال لمساحة البرنامج.

5. الأهمية والادعاءات

يضع البحث نفسه كـ إثبات مفهوم للتحول في أهداف تعلم الذكاء الاصطناعي: الانتقال من النماذج المتمحورة حول التنبؤ إلى الفهم التركيبي القائم على التفسير.

• المساهمة النظرية: يتحقق البحث من فرضية أن النظريات المهيكلة والتركيبية يمكن استنتاجها من الملاحظات الخام غير النصية دون إشراف رمزي، مما يربط أهداف تعلم الذكاء الاصطناعي بمنظور "الطفل كعالم" من علم الإدراك التنموي.
• المساهمة المنهجية: يوضح أن تمثيل النظريات كبرامج قابلة للتنفيذ مع أوليات متعلمة وتجذير الحالات يتيح تعميماً منهجياً لا تستطيع التمثيلات الكامنة أحادية الكتلة تحقيقه.
• النطاق المتواضع: يقر المؤلفون صراحةً بالقيود. الصيغة الحالية تفترض مجموعات أوليات صغيرة ومنفصلة وأطوال برامج قصيرة، مما يحد من القدرة على التوسع في الديناميكيات المعقدة أو المستمرة أو العشوائية في العالم الحقيقي. تقتقع التجارب في معايير اصطناعية محكومة. يُقدم العمل كدراسة تأسيسية لآليات التعلم بدلاً من كونه نظاماً جاهزاً للنشر.

في الختام، يجادل البحث بأنه من خلال صياغة التعلم كـ "تعلم لصياغة النظريات"، يمكن لأنظمة الذكاء الاصطناعي اكتساب هياكل تفسيرية داخلية تكون قابلة لإعادة الاستخدام، وتركيبية، وقادرة على التعميم على الظواهر الجديدة، مما يقربها من مفهوم أعمق للفهم الآلي.