تخيل أنك تحاول تعليم روبوت رسم صورة لشارع مدينة صاخب. تعرض عليه آلاف الصور للشارع خلال النهار، فيتعلم ببراعة كيف يرسم السيارات، والمشاة، وإشارات المرور. ولكن بعد ذلك، تطلب منه رسم نفس الشارع ليلاً. ورغم أن الروبوت عبقري في رسم مشهد النهار، إلا أنه يفشل فشلاً ذريعاً في مشهد الليل؛ إذ يستمر في رسم شموس بدلاً من مصابيح الشوارع، وينسى أن الناس يرتدون المعاطف. هذه هي مشكلة "انزياح التوزيع" (distribution drift): العالم يتغير، لكن بيانات تدريب الروبوت تظل عالقة في الماضي.

تتناول هذه الورقة البحثية نسخة تقنية عالية من هذه المشكلة تتعلق بـ "الرسوم البيانية الزمنية" (temporal graphs). فكر في الرسم البياني ليس كمخطط بياني، بل كلقطة لشبكة اجتماعية أو نظام اتصالات في لحظة زمنية واحدة. "الرسم البياني الزمني" هو ببساطة فيلم مكون من هذه اللقطات، يوضح كيف تتشكل الروابط وتتفكك بمرور الوقت. يستخدم العلماء نماذج ذكاء اصطناعي خاصة للتنبؤ بالإطار التالي من هذا الفيلم بناءً على الإطارات السابقة. والسؤال الكبير هو: إذا تعلم الذكاء الاصطناعي قواعد الفيلم للنصف الأول، فهل سيظل قادراً على التنبؤ بالنصف الثاني إذا تغير الحبكة فجأة؟ وإذا لم يستطع، فهل يمكننا فقط "النظر" إلى الإطارات الجديدة فور وصولها ونقول للذكاء الاصطناعي: "مهلاً، القواعد قد تغيرت، عدّل رسمك!"؟

تقدم مجموعة الباحثين، وهي فريق من جامعة تيانجين وجامعة هانغتشو ديانزي، إجابة مفاجئة ومخيبة للآمال نوعاً ما. فقد أثبتوا أنه بالنسبة لهذه الأنواع المحددة من نماذج الذكاء الاصطناعي، فإن مجرد مراقبة البيانات الجديدة وهي تصل ومحاولة تصحيح النموذج بناءً على ما تراه هو أمر مستحيل رياضياً للقيام به بشكل جيد. لقد أظهروا أن الذكاء الاصطناعي يصبح أسوأ في المهمة الجديدة كلما حاول إتقان المهمة القديمة، وأنه لا يوجد أي قدر من "النظر إلى الماضي" يمكنه إصلاح المستقبل.

فخ "التدقيق-الانزياح" (Sharpening-Drift)

اكتشف الباحثون مقايضة غريبة يسمونها "توتر التدقيق-الانزياح". تخيل أنك طالب يدرس لامتحان تاريخ عن عشرينيات القرن الماضي. تدرس بجد لدرجة أنك تحفظ كل تفصيل عن ذلك العقد بدقة تامة. ولكن بعد ذلك، يتغير الامتحان ليصبح عن ثلاثينيات القرن الماضي. كلما كنت أكثر إتقاناً لمعرفة العشرينيات، زادت معاناتك مع الثلاثينيات.

في تجاربهم، وجد الفريق أنه كلما أصبح نموذج الذكاء الاصطناعي أفضل في التنبؤ بـ "فترة التدريب" (العشرينيات)، ساء أداؤه في "فترة النشر" (الثلاثينيات). لم يكن الأمر مجرد تراجع طفيف، بل كانت مقايضة رياضية مباشرة. لقد وجدوا علاقة "قانون القوة" (power law): مقابل كل خطوة يتحسن فيها النموذج في البيانات القديمة، يصبح أسوأ بشكل ملحوظ في البيانات الجديدة. وتحديداً، قاموا بقياس أس لـ "قانون القوة" بلغ -0.605، مما يعني أنه إذا قللت الخطأ في البيانات القديمة إلى النصف، فإن الخطأ في البيانات الجديدة يقفز بمقدار 1.5 مرة تقريباً. كان النموذج في الأساس يعاني من "فرط التخصيص" (overfitting) للماضي، حيث أصبح واثقاً جداً في القواعد القديمة لدرجة أنه لم يعد قادراً على التعامل مع القواعد الجديدة.

"أرضية الخطأ" التي لا تتزحزح

عادة، عندما يرتكب الذكاء الاصطناعي أخطاء، نعتقد أن بإمكاننا إصلاح ذلك عبر منحه المزيد من القدرة الحوسبية أو تركه "يفكر" لفترة أطول (وهي عملية تسمى زيادة "ميزانية أخذ العينات"). قد تتوقع أنه إذا استغرق الذكاء الاصطناعي 50 خطوة لرسم صورة بدلاً من خطوة واحدة، فسيقترب كثيراً من الحقيقة.

تظهر الورقة البحثية أن هذا لا ينجح عندما تنزاح البيانات. وجد الباحثون أن خطأ الذكاء الاصطني يصل إلى "أرضية" (floor) لا يمكنه اختراقها مهما استغرق من خطوات. وسواء استغرق الذكاء الاصطناعي خطوة واحدة أو 50 خطوة، فإن الخطأ في البيانات الجديدة يظل كما هو تقريباً—يتفاوت بنسبة أقل من 6% حتى عندما زاد الجهد 50 ضعفاً. ومع ذلك، فإن هذه الأرضية أعلى بكما ينبغي. في اختباراتهم، كان خطأ الأرضية للبيانات الجديدة أعلى بما يترا بين 2.2 و34.3 مرة من خطأ الأرضية للبيانات القديمة. الذكاء الاصطناعي ليس بطيئاً فحسب؛ بل هو عالق عند مستوى مرتفع من عدم الدقة لا يمكن للجهد الإضافي إصلاحه.

لماذا لا ينجح "النظر إلى الماضي"

الجزء الأكثر أهمية في الورقة هو "نتيجة الاستحالة". يبدو الحل البديهي لعالم متغير هو: "فقط راقب البيانات الجديدة أثناء وصولها، وقس مدى اختلافها، وأخبر الذكاء الاصطناعي أن يعدل نفسه". وقد أثبت المؤلفون أن هذه الاستراتيجية محكوم عليها بالفشل.

لقد قارنوا بين نوعين من "المصححات":

1. الأوراكل (الكيان العليم): كائن سحري يعرف القواعد الدقيقة للعالم الجديد فوراً. يمكن لهذا الكائن إصلاح 60% من الأخطاء.
2. المراقب: ذكاء اصطناعي عادي ينظر فقط إلى اللقطات الماضية لتخمين القواعد الجديدة.

لقد أثبت الباحثون رياضياً أن "المراقب" لا يمكنه أبداً الاقتراب من "الأوراكل". فالبيانات الجديدة تسلك سلوك "السير العشوائي سريع الارتداد إلى المتوسط" (fast mean-reverting random walk). تخيل شخصاً مخموراً يمشي عائداً إلى منزله؛ يتعثر جهة اليسار، ثم اليمين، ثم اليسار مرة أخرى. إذا حاولت تخمين مكانه في الخطوة التالية بناءً على مكانه قبل خطوتين، فمن المرجح أن تخطئ لأن خطوته التالية هي مفاجأة كاملة (ابتكار/innovation) تعادل في حجمها الانزياح نفسه.

أظهرت البيانات أن التغييرات في الشبكة كانت "مرتدة إلى المتوسط" (تنزع للعودة إلى الحالة الأصلية) و"بلا اتجاه" (ليس لها اتجاه واضح). ولأن التغييرات عشوائية وغير متوقعة، فإن النظر إلى التاريخ لا يساعد. أفضل ما يمكن للمراقب فعله هو استعادة 5.7% فقط من الخطأ الذي يمكن للأوراكل إصلاحه.

خطأ "الاستقراء" (Extrapolation)

يحاول الكثير من الناس إصلاح هذا عبر "الاستقراء"—أي النظر إلى الاتجاه وتخمين المستقبل. على سبيل المثال، إذا نمت الشبكة بنسبة 5% الأسبوع الماضي، فربلاً ستنمو بنسبة 5% هذا الأسبوع. تظهر الورقة أن هذا أسوأ تماماً من عدم فعل أي شيء.

اختبر الباحثون "استقراء الاتجاه" هذا مقابل مجرد الثقة في آخر ملاحظة. ووجدوا أن تخمين الاتجاه جعل تنبؤات الذكاء الاصطناعي أسوأ بمقدار 1.27 إلى 1.51 مرة مما لو افترض فقط أن اللحظة التالية ستشبه اللحظة الأخيرة. "الاتجاه" الذي حاول الذكاء الاصطناعي اتباعه لم يكن موجوداً في الواقع؛ كانت البيانات مجرد ضوضاء. محاولة التنبؤ باتجاه في ضوضاء عشوائية لا تؤدي إلا إلى إضافة المزيد من الأخطاء.

أفضل (وأسوأ) الحلول

أخيراً، اختبر الفريق ما يحدث إذا حاولت "إعادة تدريب" الذكاء الاصطناعي على البيانات الجديدة فور وصولها (وهي تقنية تسمى التكيف في وقت الاختبار - Test-Time Adaptation). قد تقول: "إذا كان الذكاء الاصطناعي سيئاً في البيانات الجديدة، فلندربه على البيانات الجديدة!".

كانت النتائج غير متوقعة. الحل الأبسط—وهو "المرساة الهامشية" (marginal anchor) التي تقوم فقط بتعديل طفيف في احتمالات الذكاء الاصطدا الأساسية بناءً على البيانات الجديدة—كان يعمل بشكل أفضل من إعادة التدريب الكاملة والثقيلة للنموذج. إعادة التدريب الثقيلة جعلت الأمور أسوأ في الواقع. لماذا؟ لأن البيانات الجديدة تتحرك بسرعة وتتغير بشكل عشوائي بحيث إنه بحلول الوقت الذي ينتهي فيه الذكاء الاصطناعي من تعلم القواعد "الجديدة"، تكون القواعد قد تغيرت بالفعل مرة أخرى. التدريب الثقيل يؤدي إلى "تدقيق مفرط" للنموذج على هدف خاطئ، مما يجعله أكثر ارتباكاً.

الخلاصة

تقدم هذه الورقة حقيقة قاسية لأي شخص يبني ذكاءً اصطناعياً يتنبأ بمستقبل الشبكات المتغيرة. لا يمكنك ببساطة "المراقبة والتعلم" للخروج من مشكلة انزياح التوزيع. الرياضيات تثبت أنه إذا تغير العالم بطريقة سريعة وعشوائية وغير متوقعة، فلا يوجد أي قدر من التصحيح القائم على الملاحظة يمكنه إصلاح أخطاء الذكاء الاصطناعي. الطريقة الوحيدة لإصلاح ذلك هي امتلاك "معلومات جانبية" (مثل معرفة سبب تغير العالم) أو بناء نماذج لا تحاول أن تكون مثالية تجاه الماضي. وحتى ذلك الحين، قد تكون الاستراتيجية الأفضل هي قبول حقيقة أن الذكاء الاصطناعي سيصطدم بأرضية خطأ مرتفعة والتوقف عن محاولة إجباره على ملاحقة هدف متحرك.