ملخص تقني: البحث عن مكونات الانفتاح المستمر: إعادة إنتاج Picbreeder باستخدام النماذج اللغوية البصرية الكبيرة

بيان المشكلة

تتناول الورقة البحثية تحدي تحقيق الانفتاح المستمر الاصطناعي (Artificial Open-endedness): وهو قدرة النظام المستقل على توليد إمداد لا نهائي من المبتكرات الجديدة وذات المعنى دون تدخل بشري أو أهداف تحسين محددة مسبقاً. وبينما يعتمد تعلم الآلة بشكل كبير على مجموعات بيانات ثابتة، والتي بدأت تصبح عائقاً، تعد الأنظمة ذات الانفتاح المستمر بإنتاج مستمر للجدة. ومع ذلك، يظل الانفتاح المستمر المؤتمت بالكامل "تحدياً كبياً".

يفترض المؤلفون أن Picbreeder، وهو نظام تاريخي يعتمد على وجود الإنسان في الحلقة (human-in-the-loop) حيث قام المستخدمون بتطوير الصور تعاونياً عبر الشبكات العصبية (CPPNs)، يمثل نموذجاً مثالياً للانكتشاف مفتوح النهاية. السؤال البحثي الجوهري هو ما إذا كانت النماذج اللغوية البصرية الكبيرة (VLMs) قادرة على محاكاة السلوك المنفتح للبشر في هذه البيئة، وإذا كان الأمر كذلك، فما هي مكونات التصميم (الذاكرة، الاستكشاف، التنوع) الضرورية لتسهيل ذلك.

المنهجية

قام المؤلفون بتنفيذ إعادة إنشاء كاملة اصطناعية لـ Picbreeder، مستبدلين المستخدمين البشر بنماذج لغوية بصرية (VLMs) متطورة.

بنية النظام

• المحرك الأساسي: يستخدم النظام NEAT (التطور العصبي للتوبولوجيا المعززة) لتطوير شبكات CPPNs (الشبكات المنتجة للأنماط التركيبية). تأخذ كل شبكة CPPN إحداثيات $(x, y, r)$ كمدخلات وتخرج درجة اللون (hue)، والتشبع (saturation)، والسطوع (brightness)، لتوليد صور بحجم $128 \times 128$.
• حلقة الوكيل (Agent Loop): تتكون "الجلسة" من وكيل يتفرع من صورة موجودة أو يبدأ من مجتمع عشوائي. يختار الوكيل الآباء من مجتمع مكون من 15 صورة، ويطبق الطفرات (والتزاوج)، ويطور المجتمع عبر 20 جيلاً. في الجيل الأخير، يختار الوكيل صورة واحدة لنشرها في أرشيف مشترك ويضع لها عنواناً.
• واجهة الوكيل: يتلقى الوكلاء عينة من الأرشيف (مصنفة حسب: الأعلى تقييماً، الأحدث والأفضل، الأكثر تفرعاً، الأحدث، وعشوائي) ويتم توجيههم لاختيار الآباء، وتبديل أوضاع اللون/الهيكل، وضبط قوة الطفرة. كما يجب عليهم تقديم مبرر لقراراتهم.

التدخلات التجريبية

لتحديد "مكونات" الانفتاح المستمر، قام المؤلفون بتغيير ثلاثة معايير رئيسية:

1. الذاكرة (طول السياق، $CL$): عدد خطوات التفاعل السابقة المضمنة في نافذة سياق الوكيل.
   • $CL=0$: الرؤية تقتصر فقط على المجتمع الحالي.
   • $CL=1$ (الافتراضي): السياق الحالي والخطوة السابقة واحدة.
   • $CL=20$ (الكامل): يتم عرض تاريخ الجلسة بأكمله، بما في ذلك مطالبة محددة تطلب من الوكيل تبرير الجدة بالنسبة للأرشيف.
2. الاستكشاف (ضجيج الاختيار، $\epsilon$): استراتيجية $\epsilon$-greedy حيث يتم استبدال اختيار الوكيل بفعل عشوائي باحتمالية $\epsilon$ (اختيار أب عشوائي، إعدادات طفرة عشوائية، أو تبديل وضع اللون).
3. تنوع الوكلاء المتعددين ($N_A$): عدد "الشخصيات" المختلفة المخصصة للوكلاء. تم توليد سمات الشخصية (مثل: "أنت تبحث عن المعادل البصري لصافرة إنذال عاوية") بواسطة نموذج لغوي كبير (LLM) وإضافتها إلى مطالبة النظام لمحاكة أساليب لعب متنوعة.

مقايسات التقييم

طور المؤلفون مقايسات لقياس "العامل الخفي" (x-factor) للأرشيف البشري:

• الاستدعاء الدلالي (Semantic Recall): القدرة على إعادة اكتشاف الأشياء المعروفة (بناءً على مجموعة بيانات THINGS) من خلال قياس الحد الأدنى للمسافة الجيبية (cosine distance) بين صور الأرشيف وتمثيلات الفئات في فضاء مشترك للنصوص والرؤية (SigLIP2-B).
• الجدة البصرية والدلالية: تُقاس عبر نصف قطر التغطية $k$ في فضاءات التضمين (SigLIP-2-B-alignet للصور، وgemini-embedding-001 للتعليقات التوضيحية). وهذا يحدد مدى تغطية الأرشيف لمساحة الأشكال الممكنة.
• توازن الشجرة الوراثية ($J_1$): مقياس لتنوع السلالة التطورية، لتقييم ما إذا كان الوكلاء يتفرعون من مجموعة متنوعة من الأسلاف أم من صور قليلة محددة بشكل متكرر.

النتائج الرئيسية

1. المقايضة بين الاستكشاف والجودة

• الضجيج ($\epsilon$): أدى إدخال قدر صغير من ضجيج الاستكشاف ($\epsilon \approx 0.25$) إلى زيادة تنوع الأرشيف (التغطية البصرية/الدلالية) ومنع الانهيار النمطي (mode collapse). ومع ذلك، أدت مستويات الضجيج الأعلى ($\epsilon \ge 0.5$) إلى تدهور وضوح الصور والاستدعاء الدلالي.
• الملاحظة: بينما زاد الضجيج من التنوع الوراثي (تفرع الوكلاء من مصادر أكثر تنوعاً)، إلا أنه لم يؤدِ بالضرورة إلى زيادة التنوع الجيني بطريقة تؤدي إلى تباين عميق وذي معنى على المدى الطويل. أظهرت النماذج اللغوية البصرية (VLMs) "تحيزاً عنيداً"، حيث اختارت باستمرار أشكالاً محددة حتى من المجموعات الصاخبة.

2. دور الذاكرة (طول السياق)

• $CL=0$: عانى الوكلاء من انهيار نمطي شديد، حيث نشروا نسخاً مكررة ومتغيرات شبه متطابقة، مما أدى إلى انخفاض الاستدعاء الدلالي.
• $CL=1$: كان فعالاً بشكل مفاجئ. كان سياق خطوة واحدة كافياً لمنع التكرار الفوري وتحقيق أعلى درجات الاستدعاء الدلالي.
• $CL > 1$: أدى زيادة طول السياق عموماً إلى تدهور الأداء. أدت قيم $CL=2$ و $CL=10$ إلى "سلوك مرضي"، بما في ذلك فرط المعلومات، وصور أكثر فوضوية، وحلقات التملق الذاتي حيث عزز الوكلاء تحيزاتهم الخاصة.
• $CL=20$: بينما بلغت مقايسات التنوع ذروتها (على الأرجح بسبب مطالبة الجدة الصريحة)، ظل الاستدعاء الدلالي أقل من $CL=1$، وكانت الصور غالباً تجريدية أو صاخبة.

3. ديناميكيات الوكلاء المتعددين

• التنوع: أدى زيادة عدد الوكلاء ($N_A$) إلى تحسين التغطية البصرية والدلالية وتوازن الشجرة بشكل كبير.
• الآثار العدائية (Adversarial Artifacts): عند عدد وكلاء مرتفع ($N_A = 1,000$)، أصبح الأرشيف مليئاً بأنماط "سايكدلية" عالية التردد وغير قابلة للتفسير. عملت هذه الصور كـ "محاور عدائية"، حيث تلبي التفضيلات المتضاربة والمجردة للعديد من الوكلاء في آن واحد. حققت هذه الصور درجات تغطية دلالية عالية، لكنها كانت وصفياً غير واضحة وصاخبة.

4. المقارنة مع المرجع البشري

هيمن الأرشيف البشري التاريخي على معظم المقايسات، لا سيما في الاستدعاء الدلالي والتهذيب (refinement) للصور. أظهر البشر قدرة على القيام بـ "قفزات جريئة" في الفضاء الدلالي (مثلاً، الانتقال من وجه إلى سيارة)، بينما مالت النماذج اللغوية البصرية إلى اتخاذ خطوات أصغر وتدريجية (مثلاً، وجه $\leftarrow$ عين $\leftarrow$ ضفدع $\leftarrow$ سيارة).

الأهمية والادعاءات

تدعي الورقة أن الانفتاح المستمر المؤتمت بالكامل لم يتحقق بعد بواسطة النماذج اللغوية البصرية، حتى مع استخدام أحدث النماذج. ومع ذلك، تقدم الدراسة إطاراً لفهم الشروط الضرورية:

1. الذاكرة الدنيا هي الأمثل: خلافاً للحدس بأن المزيد من التاريخ يساعد في التفكير، وجد المؤلفون أن السياق الزائد يؤدي إلى سلوك مرضي وانهيار نمطي. كان السياق الأدنى ($CL=1$) كافياً لتحقيق الأداء الأمثل.
2. الاستكشاف سلاح ذو حدين: رغم أنه ضروري للخروج من النهايات العظمى المحلية، إلا أن الكثير من الضجيج يقلل من جودة المبتكرات.
3. التنوع بدون تماسك: تزيد أنظمة الوكلاء المتعددين من تغطية مساحة البحث ولكن يمكن أن تؤدي إلى انتشار الصور "العدائية" التي تلبي متطلبات العديد من الوكلاء ولكنها تفتقر إلى المعنى الدلالي.
4. فجوة "العامل الخفي": خلص المؤلفون إلى أن النماذج اللغوية البصرية تفتقر حالياً إلى "الجرأة والتمييز" التي يتمتع بها المستخدمون البشر. وبينما يمكن توجيهها لإنتاج مبتكرات متنوعة، إلا أنها تكافح لتوليد "حجارة العبور" (stepping stones) ذات الجودة العالية والمتماسكة دلالياً والتي تميز البحث البشري الموجه بالانفتاح المستمر.

تشير الدراسة إلى أنه لتحقيق انفتاح مستمر بمستوى بشري، قد تحتاج الأنظمة المستقبلية إلى دمج هذه التدخلات بعناية وربما دمج دراسات المستخدمين لمعايرة المقايسات، بدلاً من الاعتماد فقط على التحسين المؤتمت. العمل متاح برمجياً لتسهيل المزيد من البحث في "مكونات" الانفتاح المستمر.