🧬 biology

Brain alignment of reasoning and action representations from vision-language and action models during naturalistic gameplay

تُظهر هذه الدراسة أن الضبط الدقيق للنماذج التأسيسية المخصصة للفعل (LAMs) مقابل النماذج المخصصة للاستدلال (VLMs) أثناء اللعب الطبيعي يؤدي إلى أنماط محاذاة دماغية متميزة، حيث تُظهر نماذج (LAMs) تمثيلات غير متماثلة ومتخصصة في الفعل في المناطق الجبهية الحركية، بينما يتفوق كلا النموذجين على النماذج المرجعية للتعلم التعزيزي مع تدرج المكاسب على طول التسلسل الهرمي للمعالجة القشرية.

المؤلفون الأصليون: Subba Reddy Oota, Anant Khandelwal, Khushbu Pahwa, Satya Sai Srinath Namburi, Tanmoy Chakraborty, Bapi S. Raju, Manish Gupta

نُشر 2026-05-20

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Subba Reddy Oota, Anant Khandelwal, Khushbu Pahwa, Satya Sai Srinath Namburi, Tanmoy Chakraborty, Bapi S. Raju, Manish Gupta

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تشاهد مجموعة من الأشخاص يلعبون لعبة فيديو كلاسيكية (مثل Pac-Man أو Space Invaders) بينما هم داخل جهاز رنين مغناطيسي (MRI) عملاق. يعمل هذا الجهاز مثل كاميرا فائقة الحساسية تلتقط صوراً لأدمغتهم كل بضع ثوانٍ، وتظهر الأجزاء التي تضيء عندما يشاهدون الشاشة، ويفكرون في حركتهم التالية، ويضغطون على الأزرار.

الهدف من هذه الورقة البحثية هو معرفة ما إذا كانت أجهزة الكمبيوتر التي تعمل بالذكاء الاصطناي الحديث "تفكر" في اللعبة بطريقة تشبه طريقة تفكير الأدمغة البشرية.

إليك تفصيل الدراسة باستخدام تشبيهات بسيطة:

1. اللاعبون: ثلاثة أنواع من "العقول"

قارن الباحثون بين ثلاثة أنواع مختلفة من "العقول" التي تحاول فهم اللعبة:

الروبوت القديم (نماذج RL الأساسية): هذه هي وكلاء الذكاء الاصطناعي التقليدية التي تتدرب فقط على الفوز عن طريق التجربة والخطأ. إنهم يشبهون كلباً يتعلم الضغط على رافعة للحصول على مكافأة؛ هم يعرفون "ماذا" يفعلون، لكنهم لا "يفهمون" حقاً عالم اللعبة أو قواعدها.
المراقب العام (نماذج VLMs): هذه نماذج ذكاء اصطناي حديثة (نماذج الرؤية واللغة) قرأت الإنترنت وشاهدت ملايين الفيديوهات. إنهم يشبهون سائحاً ذكياً يمكنه وصف اللعبة، وشرح القواعد، والتحدث عن الرسوميات، لكن لم يتم تدريبهم بالضرورة على "لعبها" بشكل مثالي.
المتخصص في الأداء (نماذج LAMs): هذه النماذج تشبه "المراقب العام"، لكن تم ضبطها بدقة أو تدريبها على كميات هائلة من البيانات حول كيفية التحكم في أجهزة الكمبيوتر ولعب الألعاب. إنهم يشبهون لاعباً محترفاً تدرب على أدوات التحكم حتى أصبحت طبيعة ثانية له.

2. التجربة: خدعة "الأمر" (The Prompt)

لم يكتفِ الباحثون بجعل الذكاء الاصطناعي ينظر إلى الشاشة فح heavy، بل أعطوه تعليمات محددة، أو "أوامر"، ليروا كيف يغير ذلك من طريقة تفكيره:

أمر "الأداء" (Action): "ما هي حركتك التالية، ولماذا؟" (يركز على الفعل).
أمر "التفكير المنطقي" (Reasoning): "ماذا يحدث في اللعبة، وما هي الأهداف، وما هي التهديدات؟" (يركز على الفهم).

ثم قارنوا "أفكار" الذكاء الاصطناي الداخلية (التمثيلات الرقمية) بمسوحات الدماغ البشري ليروا أي ذكاء اصطناي يطابق الدماغ البشري بشكل أفضل.

3. الاكتشافات الكبرى

الاكتشاف (أ): الذكاء الاصطناي الجديد أقرب بكثير إلى البشر
كانت "الروبوتات القديمة" جيدة نوعاً ما، لكن نماذج الذكاء الاصطناي الحديثة (سواء "المراقب العام" أو "المتخصص في الأداء") كانت أفضل بكثير في مطابقة نشاط الدماغ البشري.

تشبيه: تخيل أنك تحاول تخمين ما يفكر فيه إنسان. الروبوت القديم يخمن بناءً على أنماط بسيطة. أما الذكاء الاصطناي الجديد فيخمن بناءً على فهم غني للقصة، والأشياء، والأهداف. "تخمين" الذكاء الاصطناي الجديد يطابق النشاط الفعلي للدماغ البشري بشكل وثيق جداً.

الاكتشاف (ب): دفعة "التفكير" تحدث في أجزاء "التخطيط" من الدماغ
عندما استخدم الباحثون أوامر "الأداء" أو "التفكير المنطقي"، أصبح تطابق الذكاء الاصطناي مع الدماغ البشري أفضل. لكن هذا التحسن لم يكن متساوياً في كل مكان.

تشبيه: فكر في الدماغ مثل مدينة. "القشرة البصرية المبكرة" هي البوابة الأمامية حيث يرى الناس اللعبة لأول مرة. أما مناطق "الجبهي-الجداري" فهي مثل "مبنى البلدية" حيث يحدث التخطيط واتخاذ القرار.
ساعدت الأوامر الذكاء الاصطناي على مطابقة الدماغ البشري بضعف القدر في "مبنى البلدية" (مناطق التخطيط/القرار) مقارنة بـ "البوابة الأمامية" (المناطق البصرية). هذا يشير إلى أنه عندما يلعب البشر، فهم لا يكتفون بمجرد رؤية البكسلات؛ بل هم منخرطون بشدة في التخطيط والتفكير المنطقي، والذكاء الاصطناي يلتقط هذا بشكل أفضل عندما يُطلب منه التفكير في الأمر.

الاكتشاف (ج): مفاجأة "التماثل" مقابل "اللاتماثل"
هذا هو الاكتشاف الأكثر إثارة للاهتمام. على الرغم من أن "المراقب العام" (VLM) و"المتخصص في الأداء" (LAM) كانا متساويين في الجودة من حيث التنبؤ بنشاط الدماغ بشكل عام، إلا أنهما كانا يقومان بذلك بطرق مختلفة تماماً.

المراقب العام (VLM) متوازن: عندما تطلب منه "التفكير المنطقي" أو "الأداء"، فإنه يستخدم طاقته الذهنية بالتساوي لكليهما تقريباً. إنه يشبه "السكين السويسري" الذي يجيد فتح الزجاجة أو قطع الحبل بنفس القدر.
المتخصص في الأداء (LAM) منحاز: عندما تطلب من "المتخصص في الأداء" القيام بـ "التفكير المنطقي"، فإنه في الواقع يواجه صعوبة في إضافة قيمة جديدة. يبدو أن تدريبه على "الأداء" قد استوعب بالفعل الكثير من المعلومات لدرجة أن طلب "التفكير المنطقي" بشكل منفصل يصبح أمراً زائداً عن الحاجة.
تشبيه: تخيل أن "المتخصص في الأداء" هو طاهٍ حفظ كتاب الوصفات بالكامل. إذا سألته: "ما هي المكونات التي تحتاجها؟" (التفكير المنطقي)، فسوف يكرر فقط ما يعرفه بالفعل عن الطبخ (الأداء). جزء "التفكير المنطقي" في دماغه يصبح زائداً عن الحاجة لأن تدريبه على "الأداء" يغطي ذلك بالفعل. في الدماغ البشري، ظهر هذا كإشارة من "المتخصص في الأداء" تعيق التنبؤ في مناطق التخطيط في الدماغ.

الاكتشاف (د): أثر "التفكير" أضعف
نظر الباحثون أيضاً في نوع أحدث من الذكاء الاصناي الذي "يفكر بصوت عالٍ" (أي يولد سلسلة من الأفكار قبل الإجابة). ومن المثير للدهشة، أن الجزء من الذكاء الاصطناي الذي ولد نص "التفكير" كان أقل شبهاً بالدماغ البشري من الجزء الذي أعطى الإجابة النهائية.

تشبيه: الأمر يشبه مراقبة شخص يحل لغزاً. الحركة النهائية التي يقوم بها تتطابق مع كيفية تحريك يده. لكن "المناجاة الداخلية" التي يقولها أثناء الحل ("ممم، ربما يجب أن أجرب هذا...") لا تطابق نشاط الدماغ البشري بنفس قدر تطابق القرار النهائي.

ملخص

تظهر الورقة البحثية أن نماذج الذكاء الاصती الحديثة أصبحت أفضل بكثير في محاكة كيفية تفكير البشر وتخطيطهم أثناء الألعاب. ومع ذلك، فإن مجرد جعل الذكاء الاصناي أفضل في القيام بالأشياء (الأداء) يغير هيكله الداخلي بطريقة محددة: فهو يجعل "التفكير المنطقي" و"الأداء" يتداخلان لدرجة يصعب معها التمييز بينهما في مراكز التخطيط في الدماغ. يساعد هذا العلماء على فهم أنه بينما قد يصل الذكاء الاصطناي والبشر إلى نفس "النتيجة" (دقة التنبؤ)، فإن الطريقة التي يتم بها تنظيم "أدمغتهم" الداخلية يمكن أن تكون مختلفة جوهرياً.

ملخص تقني: محاذاة الدماغ لتمثيلات الاستدلال والعمل في ألعاب اللعب الطبيعية

بيان المشكلة

يعد فهم كيفية تنبؤ البشر وأنظمة الذكاء الاصطناعي والتخطيط من خلال التفاعل مع البيئة تحديًا مركزيًا عند تقاطع علوم الأعصاب وتعلم الآلة. وبينما نجحت دراسات محاذاة الدماغ السابقة في مواءمة النماذج الاصطناعية مع نشاط الدماغ أثناء الفهم اللغوي السلبي أو المعالجة البصرية، ظل بحث المحاذاة الدماغية التفاعلية محدودًا إلى حد كبير بأجهزة التعلم التعزيزي (RL) والنماذج القائمة على النظرية. هذه النماذج التقليدية مُحسّنة لتعلم الأفعال القائم على المكافأة، وهي تشفر بشكل أساسي الميزات المتعلقة بالعمل، مما قد يؤدي إلى فقدان الهياكل الإدراكية والدلالية والتنبؤية الأكثر ثراءً التي يستخدمها البشر لتمثيل الأشياء، والعلاقات، والنتائج المستقبلية.

تعالج هذه الورقة هذه الفجوة من خلال التحقيق فيما إذا كانت نماذج التأسيس الحديثة — وتحديدًا نماذج الرؤية واللغة (VLMs) ونماذج العمل الكبيرة (LAMs) — تكتسب "نماذج عالم" داخلية تتوافق مع نشاط الدماغ البشري أثناء اللعب التفاعلي الطبيعي. تسعى الدراسة إلى تحديد كيف تشكل المطالبات (prompts) التي تركز على العمل والاستدلال تمثيلات النموذج، وما إذا كانت هذه التمثيلات تلتقط الحسابات العصبية الكامنة وراء السلوك البشري التكيفي بشكل أفضل من خطوط الأساس للتعلم التعزيزي التقليدي.

المنهجية

مجموعة البيانات والإعداد التجريبي

تستخدم الدراسة مجموعة بيانات لألعاب فيديو بأسلوب "أتاري" طبيعية تحتوي على تسجيلات fMRI لـ 32 مشاركًا سليمًا يلعبون ست ألعاب مختلفة. تمت معالجة البيانات مسبقًا وإسقاطها على السطح القشري ("fsaverage6")، مع التركيز في التحليل على 11 منطقة اهتمام (ROIs) تمتد عبر المناطق البصرية المبكرة، والجبهية الجدارية، ومناطق التخطيط الحركي.

النماذج التي تم تقييمها

قيم المؤلفون عائلتين من نماذج التأسيس إلى جانب اثنين من خطوط الأساس للتعلم التعزيزي (RL):

نماذج الرؤية واللغة (VLMs): Qwen2.5-VL-7B-Instruct و InternVL3-8B. تعالج هذه النماذج إطارات اللعبة المرئية والمطالبات النصية لأداء الاستدلال.
نماذج العمل الكبيرة (LAMs): UI-TARS-7B-DPO و OS-Atlas-Pro-7B. تم ضبط هذه النماذج دقيقًا من Qwen2-VL بناءً على مسارات التفاعل مع واجهة المستخدم الرسومية (GUI) والألعاب، وهي مُحسّنة خصيصًا لتخطيط وتنفيذ العمل.
خطوط الأساس: EMPA (وكيل تعلم تعزيزي قائم على النظرية) و D-DQN (شبكة Q العميقة).

ظروف المطالبة (Prompting Conditions)

لاختبار الأنماط المعرفية المختلفة، تم اختبار النماذج تحت ثلاثة ظروف:

بدون مطالبة (No-Prompt): تتلقى النماذج إطارات اللعب فقط.
مطالبة العمل (Action Prompt): يُطلب من النما⁠ت الالتزام بالخطوة التالية مع تقديم تبرير موجز.
مطالبة الاستدلال (Reasoning Prompt): يُطلب من النماذج وصف أهداف اللعبة، والعلاقات المكانية، والأهداف دون الحاجة بالضرورة إلى الالتزام بعمل فوري.

الترميز والتحليل

استخراج الميزات: تم استخراج تمثيلات الحالة المخفية من جميع طبقات المحولات (transformer layers) باستخدام نافذة منزلقة من الإطارات الأخيرة لمطابقة الدقة الزمنية لـ fMRI (TR = 2s).
ترميز الفوكسل (Voxel-wise Encoding): تم تدريب نماذج انحدار الحافة (bootstrap ridge regression) للتنبؤ باستجابات fMRI من تمثيلات النموذج. تم قياس الأداء باستخدام معامل ارتباط بيرسون (PCC).
تقسيم التباين (Variance Partitioning): تم استخدام نهج إحصائي لتفكيك التباين المفسر ( $R^2$ ) إلى مكونات مشتركة بين مطالبات العمل والاستدلال، ومكونات فريدة لكل نوع من أنواع المطالبات. سمح هذا للمؤلفين بالتمييز بين النماذج التي تشفر معلومات متشابهة مقابل تلك التي تمتلك تنظيمات تمثيلية مختلفة نوعيًا.
تحليل نمط التفكير (Thinking-Mode Analysis): قارنت دراسة أولية على Qwen3.5 بين محاذاة الدماغ لآثار الاستدلال الصريح (Chain-of-Thought) مقابل مخرجات العمل النهائية الخاصة بها.

النتائج الرئيسية

1. نماذج التأسيس تتفوق على خطوط أساس التعلم التعزيزي

تفوق كل من VLMs و LAMs بشكل كبير على خطوط أساس التعلم التعزيزي الكلاسيكية (EMPA و D-DQN) في ترميز الدماغ على مستوى الفوكسل، حتى عند مطابقة أبعاد الميزات (على سبيل المثال، تقليلها إلى 8 أبعاد).

أداء بدون مطالبة: حققت نماذج VLMs معامل $r \approx 0.264$ ونماذج LAMs معامل $r \approx 0.271$ ، مقارنة بـ EMPA ( $r=0.162$ ) و D-DQN ( $r=0.097$ ).
تأثير المطالبة: أدت المطالبة الصريحة إلى تحسين المحاذاة لكلتا عائلتي النماذج، حيث وصلت نماذج VLMs المستندة إلى المطالبة إلى $r \approx 0.358$ ونماذج LAMs إلى $r \approx 0.348$ .

2. التسلسل الهرمي القشري للمكاسب المدفوعة بالمطالبة

لم يكن التحسن في محاذاة الدماغ المدفوع بالمطالبة موحدًا عبر الدماغ.

المناطق الجبهية الجدارية والحركية: لوحظت أكبر المكاسب في المناطق العليا المشاركة في التخطيط واتخاذ القرار، وتحديدًا التلفيف الجبهي الأوسط (MFG)، والمنطقة الحركية التكميلية (SMA)، والتلفيف الجبهي السفلي (IFG)، والتلفيف الزاوي (AG).
القشرة البصرية: أظهرت المناطق البصرية المبكرة مكاسب بلغت نصف حجم مكاسب المناطق الجبهية تقريبًا.
الأهمية: يشير هذا التسلسل الهرمي إلى أن المطالبات تعزز بشكل أساسي التمثيلات المتعلقة بالأهداف، والتخطيط، وشبكة "الطلبات المتعددة" (multiple-demand network) بدلاً من مجرد المعالجة البصرية منخفضة المستوى.

3. التمايز النوعي عبر تقسيم التباين

بينما حققت نماذج VLMs و LAMs دقة تنبؤ خام متساوية إحصائيًا عبر الدماغ بأكمله، كشف تقسيم التباين عن اختلاف جوهري في تنظيمهما الداخلي:

نماذج VLMs (متماثلة المطالبة): كان التباين الفريد الذي ساهمت به مطالبات العمل ( $12.5\%$ ) ومطالبات الاستدلال ( $13.6\%$ ) متوازنًا.
نماذج LAMs (غير متماثلة العمل): ساهمت مطالبات العمل بشكل أكبر بكثير في التباين الفريد ( $27\%$ ) مقارنة بمطالبات الاستدلال، والتي ساهمت في تباين فريد سالب ( $-5\%$ ) في الدماغ بأكمله وفي القشرة الجبهية الحركية.
التفسير: في نماذج LAMs، يبدو أن الضبط الدقيق المتخصص في العمل يعيد تنظيم التمثيلات بحيث تصبح إشارة "الاستدلال" زائدة عن الحاجة أو تشبه الضجيج في مناطق التخطيط الحركي، حيث أن الإشراف على العمل يستوعب بالفعل المعلومات اللازمة. هذا التمايز غير مرئي على مستوى الدقة الخام ولكنه واضح في تحليل تفكيك التباين.

4. عدم تماثل نمط التفكير

في التحليل الأولي لـ Qwen3.5، أظهر مخرج العمل النهائي للنموذج محاذاة دماغية أعلى بكثير ( $r=0.355$ ) من أثر الاستدلال الصريح الخاص به ( $r=0.173$ ). استمرت هذه الفجوة حتى بعد التحكم في موقع القراءة، مما يشير إلى أن آثار الاستدلال الصريح (سلسلة الأفك - Chain-of-Thought) في نماذج نمط التفكير الحالية قد لا تتوافق عن كثب مع الديناميكيات العصبية البشرية مثل التزام العمل النهائي للنموذج.

الأهمية والادعاءات

تدعي الورقة أنها توسع أبحاث محاذاة الدماغ من الإدراك السلبي إلى اللعب التفاعلي، مما يوفر أول تقييم منهجي لنماذج VLMs و LAMs الحديثة في هذا السياق. المساهمات الرئيسية هي:

ثراء تمثيلي متفوق: تشفر نماذج التأسيس متعددة الوسائط معلومات أكثر صلة بالدماغ حول بيئات اللعب الديناميكية مقارنة بوكلاء التعلم التعزيزي التقليديين المحسنين للمهام.
إعادة التنظيم المشروط بالمطالبة: تُظهر الدراسة أن المطالبة يمكن أن تنقل تمثيلات النموذج لتتوافق بشكل أفضل مع نشاط الدماغ البشري، خاصة في المناطق المعرفية العليا.
التمايز بين العمل والاستدلال: يكشف العمل أن الضبط الدقيق المتخصص في العمل (LAMs) يعيد تنظيم التمثيلات متعددة الوسائط بشكل جذري نحو الحسابات العصبية ذات الصلة بالعمل، مما يخلق بنية غير متماثلة للمطالبة ومتميزة عن نماذج VLMs العامة. هذا التمييز لا يمكن اكتشافه إلا من خلال تقسيم التباين، وليس من خلال الدقة الخام.
تقييم نموذج العالم: من خلال المقارنة بين مطالبات التركيز على الاستدلال ومطالبات التركيز على العمل، تقوم الدراسة بعملية فصل بين "فهم البيئة" و"الالتزام بالأفعال"، مما يوضح أن هذا التمييز يرسم خرائط لهياكل تمثيلية مختلفة نوعيًا.

يخلص المؤلفون إلى أن هذه النتائج تفتح آفاقًا جديدة لدراسة كيفية تشفير نماذج التأسيس للتمثيلات الهيكلية والتنبؤية التي تكمنى وراء السلوك التكيفي، مع ملاحظة القيود المتعلقة بعائلات النماذج المحددة والتحليل الأولي لنمط التفكير.