🤖 AI

Why We Need World Models for AGI: Where LLMs Fail and How World Models May Outperform

تجادل هذه الورقة بأن النماذج اللغوية الكبيرة تعاني في التخطيط طويل الأمد والاستدلال السببي بسبب عدم تطابق الهدف مع ديناميكيات البيئة الكامنة، وتثبت من خلال بيئة "Flux" أن الوكلاء الذين لديهم وصول صريح إلى انتقالات الحالة الكامنة يتفوقون بشكل كبير على النماذج اللغوية الكبيرة في اتخاذ القرارات المستقرة وطويلة المدى.

المؤلفون الأصليون: Feisal Alaswad, Batoul Aljaddouh, Maher Alrahhal, Poovammal E, Talal Bonny

نُشر 2026-05-26

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Feisal Alaswad, Batoul Aljaddouh, Maher Alrahhal, Poovammal E, Talal Bonny

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

إليك شرح للورقة البحثية باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

الفكرة الكبرى: قراءة نص مقابل لعب اللعبة

تخيل أنك تحاول تعلم كيفية لعب لعبة لوحية معقدة. لديك طريقتان للتعلم:

"قارئ النص" (الذكاء الاصطناعي الحالي/نماذج اللغات الكبيرة LLMs): أنت تقرأ نصاً مكتوباً لآلاف الأشخاص وهم يلعبون اللعبة. تصبح بارعاً جداً في تخمين الكلمة التالية في القصة. إذا قال أحدهم: "حركتُ القطعة إلى..." يمكنك التنبؤ بثقة: "...المربع الأوسط". تبدو كخبير لأنك تعرف أنماط اللغة.
"سيد اللعبة" (نماذج العالم World Models): أنت لا تكتفي بقراءة النص فحسب؛ بل تبني لوحة اللعبة في عقلك بالفعل. أنت تفهم القواعد، وموقع كل قطعة، وما يحدث بالضبط عند تحريك قطعة ما. أنت لا تخمن الكلمة التالية فحسب؛ بل تحاكي "الحالة" التالية للعبة.

حجة الورقة البحثية:
الذكاء الاصطناعي الحالي (نماذج اللغات الكبيرة أو LLMs) هو "قارئ نص" مذهل. يمكنه كتابة قصص، وأكواد برمجية، وإجابات تبدو مثالية. لكن المؤلفين يجادلون بأنه عندما يحاول هذا الذكاء الاصطناعي القيام بأشياء تتطلب تخطيطاً طويل المدى أو استدلالاً سببياً (معرفة السبب والنتيجة)، فإنه يبدأ في الفشل. إنه يضيع لأنه يقوم فقط بالتنبؤ بالكلمة التالية في الجملة، وليس بتتبع "الحالة" الفعلية للعالم.

تقترح الورقة أنه لبناء آلات ذكية حقاً (الذكاء الاصطناي العام AGI)، نحتاج إلى التحول من مجرد التنبؤ بالكلمات إلى بناء "نماذج عالم" — وهي عمليات محاكاة داخلية تتبع كيف يتغير العالم بمرور الوقت.

المشكلة الجوهرية: فخ "الهلوسة"

يشرح المؤلفون أن نماذج اللغات الكبيرة تعاني من نوع معين من الارتباك. نظرًا لأنها مدربة على التنبؤ بالكلمة التالية بناءً على الاحتمالات، فهي تعطي الأولوية لما يبدو منطقياً على ما هو حقيقي بالفعل.

التشبيه: تخيل حكواتياً قرأ كل الكتب في المكتبة. إذا سألته: "ماذا يحدث إذا أسقطتُ كأساً؟" قد يقول: "تتحطم"، لأن هذا ما يحدث عادة في القصص. ولكن إذا سألته: "ماذا يحدث إذا أسقطتُ كأساً بينما أحمل صندوقاً ثقيلاً أسقطتُه للتو؟" فقد يرتبك الحكواتي. قد ينسى أنه أسقط الصندوق قبل ثلاث جمل لأن نظرته تقتصر على الكلمات المباشرة فقط، وليس على الموقف الفيزيائي الكامل.
النتيجة: يختلق الذكاء الاصطناعي حقائق (يهلوس) أو يفقد تتبع حالة اللعبة (على سبيل المثال، ينسى أن قطعة تم إزالتها من اللوحة) لأنه لا يحافظ على "نموذج ذهني" مستمر للواقع الذي يصفه.

الحل: الاستدلال الديناميكي الكامن (LDI)

يقترح المؤلفون طريقة جديدة للتفكير تسمى الاستدلال الديناميكي الكامن (Latent Dynamics Inference - LDI).

الاستعارة: فكر في اللغة على أنها صورة ضبابية ومنخفضة الدقة لحدث حقيقي.
- الصورة (اللغة): تظهر لك حادث سيارة. تخبرك: "اصطدمت السيارة بالشجرة".
- الواقع (الحالة الكامنة): هي الفيزياء الفعلية: سرعة السيارة، زاوية الاصطدام، وتجعّد المعدن.
- الذكاء الاصطناعي الحالي يدرس الصورة ويحاول تخمين الجملة التالية.
- LDI يحاول النظر إلى الصورة وإعادة بناء الفيزياء الفعلية وراءها. يتساءل: "ما هي سرعة وموقع السيارة اللذان يجب أن يكونا موجودين لتسبب هذه الصورة؟"

من خلال محاولة إعادة بناء "الفيزياء" الخفية (الحالة الكامنة) وراء الكلمات، يمكن للذكاء الاصطناعي الاستدلال عن السبب والنتيجة بشكل أفضل بكثير.

التجربة: لعبة "FLUX"

لإثبات ذلك، أنشأ المؤلفون لعبة بسيطة تسمى FLUX.

القواعد: كُتبت قواعد اللعبة بالكامل بلغة إنجليزية بسيطة (مثلاً: "إذا وصلت الخلية إلى الصفر، يتم إزالتها").
الإعداد: أخذوا هذه القواعد الإنجليزية وحولوها إلى محاكي حاسوبي رياضي صارم ("نموذج العالم").
المنافسة: وضعوا نوعين من اللاعبين في مواجهة بعضهما البعض:
1. لاعب LLM: يقرأ القواعد الإنجليزية وحالة اللعبة الحالية كنص. كان عليه تخمين الحركة التالية من خلال التنبؤ بالكلمة التالية.
2. لاعب RL (التعلم التعزيزي): تم تدريبه مباشرة داخل المحاكي الرياضي. كان "يرى" الأرقام الفعلية وتغيرات الحالة، وليس مجرد النص.

النتائج:

فاز لاعب RL (نموذج العالم) في حوالي 79% من الألعاب.
فاز لاعب LLM في حوالي 11% فقط من الألعاب.

لماذا خسر لاعب LLM؟
وجدت الورقة ثلاثة طرق محددة فشل فيها لاعب LLM، وهي تشبه "الأخطاء التقنية" لدى قارئ النص:

عمى المجموع (Sum Blindness): نسي لاعب LLM المجموع الجاري للنقاط. استمر في القيام بحركات من شأنها أن تتجاوز الحد المسموح به، مما يؤدي إلى خسارة فورية، لأنه لم يكن يتتبع الرقم في "رأسه"، بل في النص فقط.
خطأ في عد طول الصف (Row-Length Miscounting): تقلصت لوحة اللعبة مع إزالة القطع. حاول لاعب LLM تحريك قطعة لم تعد موجودة، لأنه فقد تتبع شكل اللوحة الحالي.
قصر النظر (Short-Sightedness): قام لاعب LLM بحركات بدت جيدة للدور التالي، لكنها كانت سيئة جداً بعد 10 أدوار. لم يستطع "رؤية" العواقب المستقبلية.

الخلاصة: ماذا يعني هذا للذكاء الاصطناعي

تخلص الورقة إلى أن التنبؤ بالكلمة التالية ليس كافياً لبناء وكيل ذكي حقاً.

الذكاء الاصطناعي الحالي يشبه ممثلاً بارعاً يمكنه إلقاء نص مسرحي ببراعة ولكنه لا يفهم الحبكة.
الذكاء الاصطناعي المستقبلي (نماذج العالم) يجب أن يكون مثل المخرج الذي يفهم الحبكة، ودوافع الشخصيات، وكيف تتطور القصة.

يجادل المؤلفون بأنه للوصول إلى الذكاء الاصطناعي العام (AGI)، لا ينبغي لنا فقط جعل الذكاء الاصطناعي أكبر (مزيد من البيانات، المزيد من المعلمات). بدلاً من ذلك، نحتاج إلى تغيير كيفية تعلمه. نحن بحاجة إلى تعليم الذكاء الاصطناعي التوقف عن مجرد تخمين الكلمة التالية والبدء في استنتاج "العالم" الخفي الذي يولد تلك الكلمات.

باخت-اختصار: لكي يكون الذكاء الاصطناعي ذكياً، عليه أن يتوقف عن قراءة النص ويبدأ في لعب اللعبة.

ملخص تقني: لماذا نحتاج إلى نماذج العالم من أجل الذكاء الاصطنا العام (AGI)

بيان المشكلة

على الرغم من النجاح الملحوظ للنماذج اللغوية الكبيرة (LLMs) في التنبؤ بالتسلسلات، والمهام كثيفة المعرفة، وتوليد الأكواد البرمجية، إلا أنها تظهر قيوداً منهجية في المجالات التي تتطلب الاستدلال السببي، وتتبع الحالة المستمرة، والتخطيط طويل الأمد. يجادل المؤلفون بأن هذه القيود تنبع من عدم تطابق جوهري على مستوى الهدف: حيث يتم تحسين النماذج اللغوية الكبيرة للتنبؤ بالملاحظات (تسلسلات الرموز/tokens) ضمن فضاء ملاحظات ( $X$ )، بينما يتطلب الذكاء القوي في البيئات الديناميكية نمذجة انتقالات الحالة الكامنة ( $S$ ) والديناميكيات السببية.

تمنح الأهداف ذاتية التراجع (autoregressive) الحالية الأولوية للاحتمالية الإحصائية على حساب التأسيس الواقعي أو الاتساق السببي. وبناءً على ذلك، وبينما قد تقترب النماذج اللغوية الكبيرة من سلوكيات نموذج العالم في سياقات مقيدة، إلا أنها تفتقر إلى الآليات الهيكلية للحفاظ على نماذج داخلية متماسكة للعوالم المتطورة، مما يؤدي إلى أنماط فشل مثل الهلوسة، وأخطاء تتبع الحالة، و"قصر النظر في الأفق" (horizon myopia) في المهام طويلة الأمد.

المنهجية: استدلال الديناميكيات الكامنة (LDI) و FLUX

للتحقيق في هذه الفرضية، قدم المؤلفون استدلال الديناميكيات الكامنة (LDI)، وهو إطار مفاهيمي يفسر اللغة والملاحظات متعددة الوسائط ليس كمتسلسلات رمزية معزولة، بل كأدلة جزئية وفاقدة للمعلومات (lossy) على ديناميكيات البيئة الكامنة. بموجب LDI، ينتقل هدف التعلم من التنبؤ بالرمز التالي ( $P(x_t | x_{<t})$ ) إلى استنتاج مسار الحالة الكامنة ( $S$ ) ودالة الانتقال ( $f_\theta$ ) التي ولدت الملاحظات.

لاختبار التمييز تجريبياً بين الاستدلال في فضاء الملاحظات ( $X$ ) مقابل فضاء الحالة الكامنة ( $S$ )، صمم المؤلفون FLUX، وهو بيئة استدلال تسلسلي مبتكرة تتميز بالخصائص التالية:

المواصفات: يتم تعريف قواعد اللعبة بالكامل بلغة طبيعية، وهي تمثل فضاء الملاحظات $X$ .
الآليات: لعبة من لاعبين على صف من الخلايا الرقمية تتضمن عمليتي "التضخيم" (AMPLIFY $\times 2$ ) و"التفريغ" (DRAIN $\lfloor \div 2 \rfloor$ ). وتتميز بشروط فوز غير متماثلة (يفوز "المُصغِّر" إذا تقلص الصف إلى خلية واحدة؛ ويفوز "المُضخِّم" إذا تجاوز المجموع 20) مع وجود كاسر للتعادل عند الخطوة 15.
التجميع (Compilation): تم تجميع القواعد المكتوبة باللغة الطبيعية بواسطة نموذج لغوي كبير إلى محاكي حتمي وصريح لانتقال الحالة (نموذج العالم)، والذي يحدد فضاء الحالة الكامنة $S$ ودالة الانتقال $f_\theta$ .

التصميم التجريبي

تقارن الدراسة بين فئتين من الوكلاء يعملون ضمن نفس بيئة FLUX:

وكلاء النماذج اللغوية الكبيرة (LLM Agents): يعملون بحت في $X$ . يتلقون أوصافاً باللغة الطبيعية للحالة الحالية ويختارون الإجراءات عبر التنبؤ بالرمز التالي. ويعتمدون على السياق الحواري لتتبع الحالة.
وكلاء التعلم التعزيزي (RL Agents): يعملون مباشرة في $S$ . تم تدريب وكيل يعتمد على خوارزمية Q-learning جدولية داخل المحاكي المجمع، حيث يتفاعل مع ديناميكيات الانتقال الصريحة لتعلم سياسة مثلى.

تضمن التقييم 1,000 حلقة للمقارنات المرجعية (عشوائي مقابل استدلالي مقابل RL) و200 لعبة لكل نموذج (باستخدام GPT-4o، وDeepSeek-R1، وGemini 1.5 Pro) ضد وكلاء التعلم التعزيزي المدربين.

المساهمات الرئيسية

صياغة عدم التطابق: يميز البحث رسمياً بين نمذجة التسلسل ذاتية التراجع (تقريب التوزيعات فوق الملاحظات) ونمذجة الحالة الكامنة (تقريب الديناميكيات فوق الحالات الكامنة)، معتبراً إياها مشكلة هيكلية وليست مجرد مشكلة تتعلق بالحجم (scale).
استدلال الديناميكيات الكامنة (LDI): منظور جديد يعامل اللغة كقناة ملاحظة مضغوطة لعمليات ديناميكية كامنة، مما يعيد صياغة التعلم كمسألة استدلال عبر الفضاءات ( $X \to S$ ).
بيئة FLUX: بيئة إثبات مفهوم محددة باللغة الطبيعية ولكنها تُنفذ عبر نموذج عالم صريح، مما يسمح بمقارنة منضبطة بين الاستدلال في فضاء الملاحظات والتخطيط في فضاء الحالة.
الأدلة التجريبية: دراسة حالة مضبوطة تظهر أن الوكلاء الذين لديهم وصول صريح إلى انتقالات الحالة الكامنة يظهرون سلوكاً أكثر استقراراً في المدى الطويل مقارنة بالوكلاء الذين يعتمدون فقط على التنبؤ بالتسلسل.

النتائج

تسلط النتائج التجريبية الضوء على فجوة أداء صارخة بين الوكلاء الذين يعملون في $S$ مقابل أولئك الذين يعملون في $X$ :

معدلات الفوز: في الإجمالي، حقق وكيل نموذج العالم (RL) معدل فوز بنسبة 79% ضد وكلاء النماذج اللغوية الكبيرة، بينما فازت النماذج اللغوية الكبيرة بنسبة 11% فقط. وعُزيت نسبة الـ ~10% المتبقية إلى حركات غير صالحة من قبل النماذج اللغوية الكبيرة.
أداء الخط المرجعي: حسن وكيل RL المدرب في نموذج العالم معدل فوزه بمقدار 46.2 نقطة مئوية عن اللعب العشوائي (89.5% مقابل 43.3% لدور المُصغِّر).
أنماط الفشل: كشف التحليل النوعي لإخفاقات النماذج اللغوية الكبيرة عن ثلاثة أنماط متسقة:
- العمى عن المجموع (Sum Blindness): الفشل في الحفاظ على مجموع مستمر، مما يؤدي إلى حالات خسارة فورية.
- خطأ عد طول الصف (Row-Length Miscounting): الإشارة إلى مؤشرات خلايا لم تعد موجودة بعد انكماش الصف، مما يشير إلى انهيار في تتبع الحالة الكامنة.
- قصر النظر في الأفق (Horizon Myopia): اتخاذ حركات مثالية محلياً تفشل في توقع شروط الفوز طويلة الأمد (مثل تفعيل شرط فوز المُصغِّر بعد دورتين).
الحركات غير الصالحة: أنتجت النماذج اللغوية الكبيرة إجراءات غير صالحة (مؤشرات خارج النطاق، عمليات مشوهة) بمعدل ~10%، وهو سلوك يتفق مع "انهيار الحالة الكامنة" حيث يستنتج النموذج الأنماط من المحادثة بدلاً من الاستعلام عن حالة عالم مستمرة.

الأهمية والادعاءات

يضع المؤلفون هذا العمل كـ دراسة حالة مضبوطة وليس كإثبات عام لقصور النماذج اللغوية الكبيرة. تكمن الأهمية الرئيسية في إثبات أن:

قابلية الاستخراج: من الممكن استخراج نموذج عالم وظيفي وصريح ( $S$ ) من مواصفات اللغة الطبيعية ( $X$ ) فقط.
الضرورة الهيكلية: تشير فجوة الأداء إلى أنه بالنسبة للمهام التي تتطلب تتبع حالة مستمرة واستدلال سببي متعدد الخطوات، فإن التنبؤ بالتسلسل وحده غير كافٍ دون آليات لتطور الحالة الصريحة.
إعادة توجيه التعلم: يجادل البحث بضرورة التحول في أبحاث الذكاء الاصطناعي من تحسين التنبؤ بالرمز التالي إلى تحسين استعادة الديناميكيات الكامنة. ويقترح أن الأنظمة الذكية المستقبلية يجب أن تعامل المتون (corpora) كأدلة غير مباشرة على ديناميكيات العالم، باستخدام بنيات هجينة تتضمن مشفرات إدراكية، ونماذج عالم صريحة (الديناميكيات الكامنة)، ووحدات تخطيط تعمل في فضاء الحالة.

يخلص المؤلفون إلى أنه بينما تعد النماذج اللغوية الكبيرة مشفرات قوية لمعرفة العالم، إلا أنها تفتقر إلى "محرك الفيزياء" لتنفيذ تلك المعرفة ديناميكياً. ويقترحون أن الطريق نحو الذكاء الاصطناعي العام (AGI) يتضمن دمج سعة اللغة مع البنية السببية والحالة لنماذج العالم.