تخيل أنك محقق يحاول حل لغز ما، لكنك لا تستطيع أبداً رؤية الجاني. ليس لديك سوى الأدلة التي تُرِكت في مسرح الجريمة، مثل أثر قدم طيني، أو نافذة مكسورة، أو رائحة غريبة. في العالم الحقيقي، يواجه العلماء هذه المشكلة بالضبط كل يوم. لديهم نظرية حول كيفية عمل الكون (الجاني)، لكنهم لا يستطيعون إلا ملاحظة البيانات التي تنتجها تلك النظرية (الأدلة). التحديد يكمن في العمل بشكل عكسي من الأدلة للوصول إلى النظرية. وهذا ما يسمى بـ "المسألة العكسية" (Inverse Problem).

عادةً، يمتلك العلماء "خريطة أمامية"، وهي مجموعة من القواعد التي تخبرهم بما يجب توقعه إذا كانت نظريتهم صحيحة. ولكن غالباً، تكون هذه القواعد معقدة للغاية أو فوضوية بحيث لا يمكن كتابتها كمعادلة رياضية بسيطة. بدلاً من ذلك، يتعين عليهم تشغيل محاكاة حاسوبية ضخمة ومعقدة لرؤية ما سيحدث. وهنا تبدأ المشكلة: إذا لم تتمكن من كتابة الرياضيات، فلا يمكنك بسهولة استخدام أدوات المحقق التقليدية لحل القضية. قد تضطر إلى التخمين، وتشغيل المحاكاة مليون مرة، والأمل في أن يحالفك الحظ. هذا الأمر بطيء، ومكلف، وغالباً ما يكون مستحيلاً.

هنا يظهر نوع جديد من المحققين: تعلم الآلة (Machine Learning). فبدلاً من محاولة حل اللغز الرياضي في كل مرة يظهر فيها دليل جديد، تتعلم هذه الأنظمة الذكية نمط الأدلة من خلال دراسة ملايين مشاهد الجرائم الوهمية التي أنشأها الحاسوب. إنها تتعلم كيف تنظر إلى دليل ما وتخمن فوراً شكل الجاني. يقدم بحث جديد من مجتمع "SciPost Physics Community Reports"، بعنوان "مقدمة في الاستدلال القائم على المحاكاة باستخدام التعلم الآلي، بنهجي بايز والترددية"، دليلاً إرشادياً ودوداً لهؤلاء المحققين الآليين. فهو يشرح كيفية تعليمهم، وكيفية الوثوق بهم، وكيفية التأكد من أنهم لا يختلقون الأمور من خيالهم.

الطريقتان للتفكير في الحقيقة

قبل أن نلتقي بالذكاء الاصطناعي، نحتاج إلى فهم طريقتين مختلفتين يفكر بهما العلماء عادةً في مفهوم "الحقيقة". يوضح البحث أن هناك مدرستين رئيسيتين من التفكير، ويجب على الذكاء الاصطوي معرفة أي منهما تستخدم.

المدرسة الأولى هي بايزية (Bayesian). تخيل أنك تحاول تخمين وزن صندوق غامض. لديك حدس بناءً على خبرتك السابقة (ربما تشعر أنه يشبه القطة، لذا فمن المرجح أن وزنه حوالي 10 أرطال). هذا الحدس هو "اعتقادك المسبق" (Prior). ثم تحصل على دليل جديد: الصندوق يصدر صوت مواء. تقوم حينها بتحديث تخمينك. أنت تجمع بين حدسك والدليل الجديد للحصول على "اعتقاد لاحق" (Posterior). في هذه الرؤية، يكون الوزن الحقيقي للصندوق ضبابياً بعض الشيء؛ فهو عبارة عن نطاق من الاحتمالات تزداد ثقتك به كلما جمعت المزيد من الأدلة. هذه الطريقة ممتازة عندما يكون لديك عدد قليل جداً من الأدلة ولكن لديك الكثير من المعرفة الخلفية، كما هو الحال في علم الفلك حيث قد لا ترى نجماً إلا مرة واحدة.

المدرسة الثانية هي الترددية (Frequentist). تخيل أنك قاضٍ في قاعة المحكمة. أنت لا تهتم بحدوسك حول المتهم، بل تهتم فقط بالأدلة. إذا أجريت هذه المحاكمة نفسها مليون مرة مع هيئات محلفين عشوائية مختلفة، هل سيكون حكمك صحيحاً بنسبة 95% من المرات؟ في هذه الرؤية، يكون الوزن الحقيقي للصندوق رقماً واحداً ثابتاً (حتى لو كنا لا نعرفه)، ومهمتنا هي إيجاد نطاق من الأرقام يضمن الإمساك بالحقيقة في معظم الأوقات. هذه هي الطريقة المتبعة في فيزياء الجسيمات، حيث يجرون التجربة نفسها ملايين المرات ويريدون التأكد تماماً من أنهم لا يخدعون أنفسهم.

يوضح البحث أن طرق الذكاء الاصطناعي الجديدة يمكنها اللعب بقواعد كلتا المدرستين.

المحقق الآلي: التعلم من عمليات المحاكاة

إذاً، كيف يعمل المحقق الآلي؟ يصف البحث عملية تسمى الاستدلال القائم على المحاكاة (Simulation-Based Inference - SBI).

تقليدياً، إذا أراد عالم إيجاد معاملات نموذج ما، فسيحتاج إلى صيغة تقول: "إذا كانت المعاملات هي X، فإن البيانات ستكون بمظهر Y". ولكن غالباً، تكون تلك الصيغة صعبة الكتابة. هم يمتلكون فقط "محاكياً" (Simulator)، وهو عبارة عن "صندوق أسود" يأخذ المعاملات ويخرج البيانات.

يوضح البحث أنه بدلاً من محاولة الهندسة العكسية لهذا الصندوق الأسود، يمكننا تدريب شبكة عصبية (نوع من الذكاء الاصطناعي) لتكون هي المهندس العكسي. إليكم الحيلة:

1. مرحلة التدريب: نقوم بتشغيل المحاكي ملايين المرات. نختار معاملات عشوائية، نشغل المحاكاة، ونحفظ الزوج: (المعاملات، البيانات). نفعل ذلك مراراً وتكراراً، مما ينشئ مكتبة ضخمة من "مشاهد الجريمة الوهمية" وجناة هذه المشاهد.
2. مرحلة التعلم: نغذي هذا المكتبة للذكاء الاصطناعي. يتعلم الذكاء الاصطناعي العلاقة بين البيانات والمعاملات. يتعلم أن يقول: "عندما أرى بيانات تبدو مثل هذه، فمن المرجح أن المعاملات كانت تلك".
3. مرحلة الاستدلال: الآن، عندما يحصل عالم حقيقي على قطعة جديدة من البيانات من العالم الحقيقي، لا يحتاج لتشغيل المحاكي مرة أخرى. يكفي أن يغذي البيانات للذكاء الاصطناعي المدرب، وبوم—يعطيه الذكاء الاصطناعي الإجابة فوراً.

يسلط البحث الضوء على ثلاث طرق رئيسية يتعلم بها الذكاء الاصطوي هذه العلاقة:

• تقدير اللاحق العصبي (Neural Posterior Estimation - NPE): يتعلم الذكاء الاصطوي رسم خريطة لجميع الإجابات الممكنة. هو لا يعطي رقماً واحداً فحسب، بل يرسم سحابة من الاحتمالات، يوضح لك أين يختبئ الجاني الأكثر احتمالاً.
• تقدير الأرجحية العصبي (Neural Likelihood Estimation - NLE): يتعلم الذكاء الاصطوي التنبؤ بمدى احتمالية أن ينتج طقم معين من المعاملات تلك البيانات.
• تقدير النسبة العصبي (Neural Ratio Estimation - NRE): بدلاً من تعلم الخريطة بأكملها، يتعلم الذكاء الاصطوي مقارنة شيئين. إنه يجيب على السؤال: "هل هذه البيانات أكثر احتمالاً أن تأتي من المشتبه به (أ) أم المشتبه به (ب)؟". هذا يشبه حكماً يقرر أي فريق هو الأفضل دون الحاجة لمعرفة النتيجة الدقيقة لكل مباراة.

ميزة "الاستدلال الموزع" (Amortized Advantage)

أحد أروع الأشياء التي يشير إليها البحث هو مفهوم "الاستدلال الموزع" (Amortized Inference). فكر في الأمر مثل تعلم ركوب الدراجة. في المرة الأولى التي تحاول فيها، يستغرق الأمر ساعات من السقوط والنهوض مجدداً (مرحلة التدريب). ولكن بمجرد أن تتعلم، يمكنك الركوب في أي مكان فوراً.

في العلم التقليدي، في كل مرة تحصل فيها على دليل جديد، يتعين عليك البدء من الصفر، وتشغيل آلاف عمليات المحاكاة لمعرفة الإجابة. مع طريقة الذكاء الاصطناعي هذه، أنت تدفع "تكلفة التعلم" مرة واحدة، مقدماً. بعد ذلك، يمكنك تحليل مليون دليل مختلف في لمح البصر. هذا يغير قواعد اللعبة في مجالات مثل فيزياء الجسيمات، حيث تولد التجارب ملايين نقاط البيانات في كل ثانية.

"العثرات": التحقق والقيود

يحرص البحث بشدة على عدم القول بأن "الذكاء الاصطناعي سحر، ثق به عمياء". في الواقع، يُخصص جزء كبير من البحث لعملية التحقق (Validation)—كيف نعرف أن الذكاء الاصطناعي لا يتخيل أشياء غير موجودة؟

بما أن الذكاء الاصطناني مدرب على بيانات وهمية، فقد يصبح بارعاً جداً في تخمين البيانات الوهمية ولكنه قد يفشل فشلاً ذريعاً عندما يرى شيئاً غريباً من العالم الحقيقي. يشرح المؤلفون عدة طرق لاختبار الذكاء الاصطناعي:

• اختبار "العينة المزدوجة": تعطي الذكاء الاصطناني مجموعة من البيانات الوهمية ومجموعة من البيانات الحقيقية (أو بيانات من طريقة موثوقة) وتطلب من مصنف بسيط التمييز بينهما. إذا استطاع المصنف التمييز بينهما بسهولة، فالذكاء الاصطناني سيء. إذا كان المصنف مرتبكاً، فالذكاء الاصطناني يقوم بعمل جيد.
• فحوصات المعايرة (Calibration Checks): تخيل أن الذكاء الاصطناني يقول: "أنا متأكد بنسبة 90% أن الإجابة بين 5 و10". إذا قمت بإجراء هذا الاختبار مائة مرة، يجب أن تكون الإجابة بالفعل ضمن هذا النطاق 90 مرة. إذا كانت هناك 50 مرة فقط، فإن الذكاء الاصطناني مفرط في الثقة ويكذب.
• فحوصات التنبؤ اللاحق (Posterior Predictive Checks): تأخذ أفضل تخمين للذكاء الاصطناني، وتشغل المحاكي للأمام باستخدام هذا التخمين، وترى ما إذا كان سينتج بيانات تبدو مثل الملاحظة الحقيقية. إذا أدى تخمين الذكاء الاصطناني إلى نوع مختلف تماماً من البيانات، فإن التخمين خاطئ.

كما يحذر البحث بشأن المعاملات المزعجة (Nuisance Parameters). وهي متغيرات إضافية في المحاكاة لا تهمك ولكنها تشوش النتائج (مثل درجة الحرارة في المختبر التي تؤثر على تفاعل كيميائي). يوضح البحث أن الذكاء الاصطناني يمكنه التعامل مع هذه المعاملات، لكن ذلك يجعل التدريب أصعب وأكثر تعقيداً.

ما لا يقوله البحث

من المهم ملاحظة ما لا يدعيه هذا البحث. فهو لا يقول إن الذكاء الاصطناني قد حل جميع الألغاز العلمية. ولا يدعي أن هذه الطرق تعمل بشكل مثالي لكل مشكلة على حدما. المؤلفون واضحون جداً في أن هذه أدوات تحتاج إلى تحقق دقيق. هم لا يعدون بأن الذكاء الاصطناني سيعمل إذا كان المحاكي نفسه معطلاً (إذا كانت "الخريطة الأمامية" خاطئة، فإن الذكاء الاصطناني سيتعلم الشيء الخاطئ بسرعة كبيرة).

كما أنهم لا يقولون إن هذا يحل محل جميع الطرق الأخرى. أحياناً، إذا كان لديك صيغة رياضية بسيطة، فإن الطرق القديمة لا تزال جيدة. الذكاء الاصطناني مخصص خصيصاً لتلك الحالات "المستحيلة" حيث تكون الرياضيات صعبة جداً بحيث لا يمكن كتابتها.

الخلاصة

هذا البحث هو خارطة طريق لعصر جديد من الاكتشاف العلمي. فهو يعلمنا كيفية بناء محققين آليين يمكنهم التعلم من عمليات المحاكاة المعقدة لحل المسائل العكسية. يوضح لنا كيفية تدريبهم باستخدام المنطق البايزي والترددي، وكيفية دمج العديد من الأدلة الصغيرة في صورة كبيرة، والأهم من ذلك، كيفية مراجعة عملهم حتى لا نُخدع.

يشير المؤلفون إلى أنه بينما التكنولوجيا قوية وسريعة، إلا أنها لا تزال في بدايتها. نحن بحاجة إلى طرق أفضل للتحقق من هذه الأدوات وطرق أفضل للتعامل مع المشكلات المعقدة في العالم الحقيقي حيث قد لا تكون عمليات المحاكاة مثالية. ولكن بالنسبة للعلماء الغارقين في البيانات والمحاصرين مع محاكيات "الصندوق الأسود"، يقدم هذا الدليل طوق نجاة: طريقة لتحويل ملايين عمليات المحاكاة الحاسوبية إلى إجابات فورية وموثوقة.