🤖 AI

In-Context Credit Assignment via the Core

تقترح هذه الورقة آلية متوافقة مع الحوافز لتعيين الائتمان في السياق بناءً على حل "اللب الأدنى" من نظرية الألعاب التعاونية، مقدمةً خوارزميات فعالة تقرب التوزيع العادل للقيمة بين منشئي المحتوى باستخدام عدد أقل بكثير من استدعاءات النماذج اللغوية الكبيرة مقارنة بالطرق الحالية.

المؤلفون الأصليون: Keegan Harris, Siddharth Prasad, Asher Trockman

نُشر 2026-05-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Keegan Harris, Siddharth Prasad, Asher Trockman

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 ومجموعة من الأصدقاء قررتم خبز كعكة ضخمة ومعقدة معاً. كل واحد منكم يحضر مكونات مختلفة: أحدهم يحضر الدقيق، والآخر يحضر البيض، والثالث يحضر وصفة عائلية سرية، والرابع يحضر الكريمة الفاخرة. وعندما تنتهي الكعكة وتُباع، فإنها تجني الكثير من المال.

السؤال الكبير هو: كيف تقسمون المال؟

إذا قسمتموه بالتساوي فقط، فقد يشعر الشخص الذي أحضر الوصفة السرية بأنه تعرض للغبن. وإذا قسمتموه بناءً على من صرخ بصوت أعلى، فقد يشعر الشخص الذي أحضر البيض بأنه تم تجاهله. هذه هي مشكلة "تحديد نسبة الاستحقاق" (Credit Assignment).

تتناول هذه الورقة نسخة حديثة من مشكلة الكعكة هذه، ولكن بدلاً من الأصدقاء، الأمر يتعلق بالذكاء الاصطناعي والإنترنت.

المشكلة: "سموذي" الذكاء الاصطناعي

تعمل نماذج الذكاء الاصطناعي اليوم (مثل تلك التي تكتب الأكواد البرمجية أو تصنع الفيديوهات) غالباً مثل الخلاط. تسأل سؤالاً، فيقوم الذكاء الاصطناعي بجلب معلومات من مواقع إلكترونية ومقالات ومنشئين مختلفين لصنع إجابة تشبه "السموذي".

المبدعون: الأشخاص الذين كتبوا المقالات أو الأكواد الأصلية.
الذكاء الاصطناعي: الخلاط الذي يمزج أعمالهم.
المكافأة: المال أو الاهتمام الذي تحصل عليه الإجابة النهائية للذكاء الاصطناعي.

المشكلة هي: من يستحق أكبر قدر من التقدير؟ إذا أجاب الذكاء الاصطناعي على سؤال باستخدام 10 مواقع مختلفة، وكان أحد هذه المواقع هو الوحيد الذي قدم حقيقة جوهرية، فيجب أن يحصل هذا الموقع على أكبر قدر من التقدير. ولكن إذا قام الذكاء الاصطناعي بمجرد جلب ضوضاء عشوائية، فلا ينبغي لأحد أن يحصل على الكثير من التقدير.

الحل: "اللب الأدنى" (قاعدة العدالة)

يقترح المؤلفون قاعدة رياضية تسمى "اللب الأدنى" (Least Core) لحل هذه المشكلة.

فكر في "اللب" (Core) كمجموعة من القواعد لتقسيم المال حيث لا تستطيع أي مجموعة من الأصدقاء أن تقول: "مهلاً، كان بإمكاننا خبز كعكة أفضل بمفردنا دونكم، لذا نحن نستحق أكثر!"

الهدف: إيجاد تقسيم يشعر فيه كل مجموعة ممكنة من المبدعين (حتى لو كانوا اثنين فقط) بأنهم يحصلون على ما لا يقل عما كان بإمكانهم تحقيقه إذا عملوا معاً دون الآخرين.
جزء "الأدنى": في بعض الأحيان، يكون من المستحيل رياضياً جعل الجميع سعداء تماماً. لذا، فإن "اللب الأدنى" يجد التقسيم الذي يجعل المجموعة الأكثر غضباً تشعر بأكبر قدر ممكن من الرضا. فهو يقلل من الحد الأقصى لمقدار "عدم العدالة" الذي قد يشعر به أي شخص.

التحدي: الكثير من التشكيلات

تصبح الرياضيات معقدة لأنه مع وجود $N$ من المبدعين، هناك $2^N$ من المجموعات الممكنة التي يمكنك تشكيلها. إذا كان لديك 30 موقعاً إلكترونياً، فهناك أكثر من مليار مجموعة محتملة للتحقق منها. لا يمكنك أن تطلب من الذكاء الاصطناعي فحص كل مجموعة؛ سيستغرق ذلك وقتاً طويلاً جداً وسيكلف ثروة من قدرة الكمبيوتر.

الابتكار: "المحقق الذكي"

اخترع المؤلفون طريقة جديدة لحل هذه المشكلة دون فحص كل مجموعة. إنهم يستخدمون تقنية تسمى "توليد القيود" (Constraint Generation)، والتي يصفونها باستخدام أداتين رئيسيتين:

"البذر" (البداية الدافئة/Warm Start): بدلاً من البدء من الصفر، نسأل الذكاء الاصطناعي: "مهلاً، أي المجموعات الصغيرة من المواقع الإلكترونية تعتقد أنها الأكثر أهمية للإجابة على هذا السؤال؟" وهذا يعطيهم بداية جيدة، مثل تخمين المشتبه بهم الأكثر احتمالاً في لغز قبل التحقيق مع الجميع.
"أوراكل الفصل" (المحقق/Separation Oracle): هذه خدعة ذكية. بدلاً من فحص كل مجموعة، نسأل الذكاء الاصطناعي: "هل هناك أي مجموعة من المواقع الإلكترونية تحصل حالياً على مبلغ أقل مما تستحقه مقارنة بما يمكنها تحقيقه بمفردها؟"
- إذا قال الذكاء الاصطناعي "لا"، فقد انتهينا! لقد وجدنا تقسيماً عادلاً.
- إذا قال "نعم، هذه المجموعة غير راضية"، فإننا نضيف تلك المجموعة المحددة إلى قائمتنا ونعيد حساب التقسيم.

لقد وجدوا أن استخدام الذكاء الاصطناعي نفسه كـ "محقق" (لإيجاد المجموعات غير الراضية) سريع للغاية. الأمر يشبه امتلاك محقق يعرف المدينة جيداً بحيث يمكنه رصد الجريمة فوراً، بدلاً من السير في كل شارع بحثاً عن أدلة.

النتائج: سريعة وعادلة

اختبر الفريق هذه الطريقة في مهمة كان على الذكاء الاصطناعي فيها الإجابة على أسئلة باستخدام معلومات من صفحات ويب متعددة.

الطريقة القديمة (أخذ العينات العشوائية): حاولت الطرق السابقة تخمين الإجابة عن طريق التحقق من المجموعات عشوائياً. كانت بطيئة وتطلبت آلاف الفحوصات المكلفة من الذكاء الاصطناعي.
الطريقة الجديدة (طريقة "المحقق"): وجدت طريقتهم الجديدة تقسيماً عادلاً باستخدام عدد أقل من فحوصات الذكاء الاصطناعي بمقدار 10 إلى 100 مرة.

وجدوا أيضاً أنه إذا استخدموا الذكاء الاصطناعي لتخمين المجموعات "الأكثر أهمية" في البداية (البذر)، فإن النظام يصبح أسرع، وإن كان أحياناً أقل دقة قليلاً. ولكن بشكل عام، كان ذلك فوزاً هائلاً للسرعة.

لماذا يهم هذا؟

هذه الورقة لا تحل مجرد لغز رياضي؛ بل تقدم طريقة لتعويض المبدعين بشكل عادل في عصر الذكاء الاصطناعي. إذا استخدم الذكاء الاصطناعي مقالك للإجابة على سؤال، فإن هذا النظام يوفر طريقة لحساب مقدار التقدير (والمال المحتمل) الذي تستحقه بالضبط، دون الحاجة إلى فحص كل التشكيلات الممكنة للإنترنت. إنه يضمن أن "الخلاط" (الذكاء الاصطناعي) لا يأخذ فقط التقدير للكعكة بأكملها بينما يحصل مقدمو المكونات على لا شيء.

باخت de المختصر: لقد بنوا طريقة سريعة، عادلة، وسليمة رياضياً لتقسيم الكعكة بين جميع الأشخاص الذين ساهمت أعمالهم في إجابة الذكاء الاصطناعي، باستخدام الذكاء الاصطناعي نفسه للمساعدة في إيجاد التقسيم الأكثر عدلاً.

ملخص تقني: تخصيص الائتمان داخل السياق عبر "النواة" (The Core)

بيان المشكلة

تتناول هذه الورقة التحدي المتمثل في تخصيص الائتمان داخل السياق (in-context credit assignment) للمحتوى الناتج عن الذكاء الاصطناي. مع تزايد أدوات الذكاء الاصطناي التوليدي (مثل النماذج اللغوية الكبيرة للبحث عبر الويب، ونماذج تحويل النص إلى فيديو) التي تقوم بتوليف الملكية الفكرية (IP) من عدة مبدعين داخل نافذة سياق النموذج، تبرز الحاجة إلى توزيع القيمة الناتجة عن المخرج النهائي اقتصادياً بين المبدعين الأصليين.

السؤال الجوهي هو: ما هي الطريقة المنضبطة اقتصادياً والقابلة للحوسبة لتخصيص الائتمان لمحتوى مولد بالذكاء الاصطاني بين مجموعة من المبدعين التي تظهر ملكيتهم الفكرية في سياق النموذج؟

يعالج المؤلفون هذه المسألة كـ لعبة تعاونية (cooperative game) حيث تشكل التحالفات من المبدعين قيمة ما. الهدف هو إيجاد مخطط لمشاركة القيمة (التخصيص) يحترم حوافز المبدعين. وتحديداً، تسعى الورقة إلى تقليل "العجز" (deficit) — وهو المبلغ الذي يقل به تعويض أي مجموعة فرعية من المبدعين مقارنة بالقيمة التي يمكنهم توليدها بشكل مستقل.

المنهجية

1. الصياغة النظرية للألعاب

تتم صياغة المشكلة بلغة نظرية الألعاب التعاونية مع مجموعة من المبدعين $N$ ودالة قيمة $v: 2^N \to [0, 1]$ .

النواة (The Core): من الناحية المثالية، تقع عملية التخصيص ضمن "النواة"، حيث لا تتلقى أي تحالف أقل من قيمتها المستقلة. ومع ذلك، غالباً ما تكون النواة فارغة.
النواค์ الأقل (The Least Core): يقترح المؤلفون "النواة الأقل" كنموذج للحل. وهي مجموعة التخصيصات التي تقلل الحد الأقصى لنقص التعويض ( $\epsilon$ ) عبر جميع التحالفات الممكنة.
النواة الأقل المقدرة: بما أن دالة المكافأة الحقيقية $v$ غير قابلة للملاحظة، يعمل المؤلفون مع دالة قيمة مقدرة $\hat{v}$ (المستمدة مثلاً عبر تقييم "النموذج اللغوي الكبير كحكم" أو التغذية الراجعة البشرية). ويقومون بحساب "النواة الأقل المقدرة" بناءً على $\hat{v}$ .
النواة الأقل المساواتية (Egalitarian Least Core): لكسر التعادل بين التخصيصات في مجموعة النواة الأقل، يقلل المؤلفون من معيار $\ell_2$ لمتجه التخصيص، مما يعزز التوزيع الأكثر إنصافاً.

2. تحليل الحساسية

تضع الورقة حدوداً نظرية للفرق بين عجز النواة الأقل الحقيقي ( $\epsilon^*$ ) وعجز النواة الأقل المقدر ( $\hat{\epsilon}$ ).

الحالة العامة: يتم تحديد الحساسية بحد أقصى للانحراف الموزون بين $v$ و $\hat{v}$ ، حيث تُسحب الأوزان من توزيع متوازن (توزيع يكون فيه لكل مبدع احتمال هامشي متساوٍ للاندراج في تحالف). تُقدم هذه النتيجة كأصل كمي لنظرية "بونداريفا-شابلي".
المكافآت الثنائية: في الإعدادات التي تكون فيها المكافآت ثنائية (0 أو 1)، يوضح المؤلفون أن نسبة صغيرة من التصنيفات الخاطئة يمكن أن تؤدي إلى عجز كبير. ومع ذلك، فإن الحساسية محدودة بأسوأ احتمال للتصنيف الخاطئ تحت توزيع متوازن.

3. خوارزميات التقريب

تتضمن عملية حساب "النواة الأقل" حل برنامج خطي (LP) يحتوي على عدد أسي من القيود ( $2^N$ )، مما يجعل الحل المباشر غير ممكن للقيم المتوسطة لـ $N$ . يطور المؤلفون خوارزميات توليد القيود (CG) تكرارية:

أوركل الفصل (Separation Oracles): بدلاً من حصر جميع القيود، تحدد الخوارزمية تكرارياً التحالفات "غير الراضية" (التي تنتهك قيود النواة) وتضيفها إلى البرنامج الخطي.
أوركل قائم على أخذ العينات (Sampling-Based Oracle): يقوم بأخذ عينات عشوائية من التحالفات لإيجاد الانتهاكات. يقدم المؤلفون ضمانات احتمالية بأن هذا النهج يجد تخصيصاً تقريبياً للنواة الأقل بتعقيد عينات متعدد الحدود.
أوركل قائم على النماذج اللغوية الكبيرة (LLM-Based Oracle): يستفيد من النماذج اللغوية الكبيرة لتعمل كـ "مختبرات اختبار عدائية". فبالنظر إلى تخصيص مرشح، يقترح النموذج اللغوي الكبير التحالفات التي يعتقد أنها تعاني من نقص في التعويض. يوجه هذا النهجم البحث نحو القيود المعلوماتية دون الحاجة إلى أخذ عينات شاملة.
بذر التحالفات (Coalition Seeding): بالنسبة لدوال القيمة الثنائية، يستخدم المؤلفون التحالفات الفائزة الدنيا (MWCs) كمجموعة قيود أولية. ويثبتون أنه إذا حدد "أوركل الفصل" تحالفات شديدة الانتهاك، فيمكن للخوارزمية استعادة الـ MWCs المفقودة بكفاءة.

المساهمات الرئيسية

الإطار المفاهيمي: نمذجة تخصيص الائتمان داخل السياق كـ لعبة تعاونية واختيار "النواة الأقل" كنموذج للحل لضمان التوافق مع الحوافز من خلال تقليل أسوأ حالة لنقص التعويض.
حدود الحساسية: تقديم حدود نظرية لكيفية انتقال أخطاء دالة المكافأة المقدرة إلى تخصيص النواة الأقل، باستخدام التوزيعات المتوازنة على التحالفات.
خوارزميات قابلة للتوسع: تطوير طرق توليد قيود عملية تقرب "النواة الأقل" باستخدام عدد أقل بمراحل من استعلامات دالة القيمة مقارنة بطرق أخذ العينات الأساسية. يتضمن ذلك "أوركل فصل" قائم على أخذ العينات وكلا الأوركل القائم على النماذج اللغوية الكبيرة.
التحقق التجريبي: إثبات أن طرق CG المقترحة تحقق استقراراً ( $\epsilon$ ) مقارباً أو أفضل من الخطوط المرجعية في مهام استرجاع الويب شبه الاصطناعية، مع تقليل استدعاءات النماذج اللغوية الكبيرة بمعدل 3 إلى 17 ضعفاً.

النتائج التجريبية

قيم المؤلفون طرقهم على مجموعتي بيانات: BrowseComp-Plus (اختبار مرجعي للأسئلة والأجوبة متعددة الخطوات) ومجموعة بيانات اصطناعية مصممة لضمان وجود تأثيرات تفاعل حقيقية بين الوثائق.

الكفاءة: وصلت خوارزميات CG (خاصة تلك التي تستخدم أوركل النماذج اللغوية الكبيرة) إلى تخصيصات مستقرة باستخدام عدد أقل بكثير من استدعاءات النماذج اللغوية الكبيرة (غالباً أقل من 100 استدعاء لـ $n=10$ وحوالي 1,000 لـ $n=32$ ) مقارنة بطريقة أخذ العينات المرجعية (YP)، التي تطلبت آلاف الاستدعاءات (تصل إلى 8,192).
الدقة: حققت طرق CG درجات عجز الاختبار (holdout deficit $\hat{\epsilon}_H$ ) مقاربة أو أفضل من المرجع. وفي بعض الحالات، تفوقت متغيرات أوركل النماذج اللغوية الكبيرة على المرجع من خلال إيجاد تخصيصات ذات عجز أقل.
المساواتية: نجحت المتغيرات المساواتية (التي تقلل معيار $\ell_2$ ) في إعادة توزيع الائتمان بشكل أوسع (تقليل التشتت) مع تدهور طفيف فقط في مقياس الاستقرار $\epsilon$ .
المرجع صفري المعرفة (Zero-Shot Baseline): أدى النهج صفري المعرفة (طلب التخصيص مباشرة من النموذج اللغوي الكبير) إلى أداء جيد بشكل مفاجئ ولكنه افتقر إلى التحسين التكراري والضمانات الرسمية التي يوفرها نهج CG.

الأهمية والادعاءات

تدعي الورقة أنها تقدم آلية قابلة للتوسع ومنضبطة اقتصادياً لتخصيص الائتمان في الذكاء الاصطناي التوليدي.

التوافق الاقتصادي: على عكس العمل السابق الذي ركز على القابلية للتفسير أو الإسناد، يعطي هذا النهج الأولوية صراحةً لـ حوافز المبدعين، مما يضمن عدم نقص تعويض أي مجموعة من المبدعين بشكل منهجي.
العملية: من خلال الاستفادة من النماذج اللغوية الكبيرة كـ "أوركل فصل" ضمن إطار توليد القيود، يوضح المؤلفون أنه يمكن تقريب حلول الألعاب التعاونية المعقدة (النواة الأقل) بكفاءة في سيناريوهات العالم الحقيقي حيث تكون دالة القيمة مكلفة للاستعلام.
التوجهات المستقبلية: يشير المؤلفون إلى أنه بينما يفترضون الوصول إلى "صندوق أسود" لتقدير دالة القيمة، فإن تحسين تقدير دوال القيمة نفسها يظل اتجاهاً مستقبلياً مهماً. كما يقترحون استكشاف متغيرات أخرى للنواة (مثل الأقرب إلى قيمة شابلي) ودمج هذه الأساليب في تصميمات المنصات الواقعية.

يضع هذا العمل "النواة الأقل" ليس فقط كبناء نظري، بل كأداة قابلة للتوسع وفعالة لإدارة اقتصاد المبدعين الناشئ في عصر الذكاء الاصطناي التوليدي.