تخيل أنك تحاول بناء روبوت مخصص، ولكن بدلاً من رسم المخططات الهندسية، أنت فقط تتحدث إلى صديق آلي ذكي جداً وكثير الكلام ويحب اختلاق الأشياء. تقول له: "أريد روبوتاً يمكنه الطبخ والتنظيف"، فيبدأ صديقك بحماس بسرد قائمة من الأجزاء. ولكن نظرًا لشدة حماسه، قد يقترح بالخطأ جزءاً لا يتناسب مع البقية، أو جزءين ينفجران إذا وضعتهما معاً، أو حتى يخترع جزءاً غير موجود على الإطلاق. هذا هو العالم المعقد لـ هندسة المتطلبات (Requirements Engineering): وهي عملية تحديد ما يحتاج البرنامج أو الآلة للقيام به بالضبط. لفترة طويلة، استخدم الخبراء "كتب قواعد" صارمة (تسمى النماذج الرسمية) للتأكد من أن كل جزء يتناسب تماماً، لكن هذه الكتب صعبة القراءة بالنسبة للبشر. مؤخراً، بدأنا في استخدام النماذج اللغوية الكبيرة (LLMs) — وهي نفس نوع الذكاء الاصطناعي الذي يكتب القصائد ويجيب على الأسئلة — للمساعدة في وصف ما نريده بلغة بسيطة. المشكلة؟ هؤلاء الأصدقاء من الذكاء الاصطناي بارعون في الكلام، لكنهم سيئون جداً في اتباع القواعد الصارمة لكتب القواعد، وغالباً ما يبتكرون تصاميم تبدو جيدة ولكنها تنهار عندما تحاول بناءها.

يقدم هذا البحث فريق عمل ذكي لحل تلك المشكلة. لقد أنشأ المؤلفون نظاماً يعمل فيه الذكاء الاصطناعي "الثرثار" (LLM) كعقل مبدع للعصف الذهني، يقترح أفكاراً بناءً على وصفك باللغة الطبيعية، بينما يقف "مدقق القواعد" الصارم وغير المتهاون (المُدقق الرمزي) كحارس. فكر في الأمر كطاهٍ مبدع ومفتش صحة يعملان معاً في مطبخ؛ الطاهي يقترح وصفات جامحة ولذيذة، لكن المفتش يتحقق فوراً مما إذا كانت المكونات آمنة وما إذا كانت الخطوات تتبع القانون. إذا اقترح الطاهي خلط السم مع الكعكة، فإن المفتش يوقفه فوراً. يظهر البحث أن هذا التعاون ينجح في إصلاح جميع الأخطاء التي يرتكبها الذكاء الاصطناعي تقريباً، محولاً الأفكار الفوضوية والمستحيلة إلى خطط متينة وقابلة للتنفيذ. كما قدموا طريقة جديدة لقياس ثقة الذكاء الاصطناعي، تميز بين الأشياء التي يجب عليه اختيارها، والأشياء التي يمكنه اختيارها بحرية، والأشياء التي أخطأ فيها.

قصة الطاهي المبدع والمفتش الصارم

في عالم البرمجيات، قبل أن تكتب سطراً واحداً من الكود، عليك أن تقرر بالضبط ما يجب أن يفعله البرنامج. تسمى هذه العملية هندسة المتطلبات. تخيل أنك تصمم "منزلاً ذكياً". عليك أن تقرر: هل يحتوي على بطارية احتياطية؟ هل يستخدم Wi-Fi أم Bluetooth؟ هل يمكنك التحكم في الأضواء بصوتك؟ إذا أخطأت في هذه الاختيارات، فقد لا يعمل المنزل بأكمله.

تقليدياً، استخدم الخبراء نظاماً صارماً يسمى OOMRAM (منهج الكائنات لتأليف وإدارة المتطلبات). فكر في OOMRAM كأنه مخطط انسيابي ضخم ومعقد أو شجرة من الخيارات. لديه قواعد صارمة: "إذا اخترت 'منزل ذكي'، يجب أن تختار مصدراً للطاقة. إذا اخترت 'Wi-Fi'، لا يمكنك اختيار 'Bluetooth' في نفس الوقت". إنه يشبه منشئ الشخصيات في ألعاب الفيديو حيث لا يمكنك تجهيز سيف ودرع معاً إذا كانت اللعبة تنص على أنهما لا يجتمعان. المشكلة هي أن هذه المخططات يصعب على البشر التنقل فيها؛ فلا يمكنك مجرد قول "أريد منزلاً يشعرني بالراحة والأمان"، وتوقع أن يفهم المخطط ذلك، بل يجب أن تعرف الأسماء الدقيقة لكل خيار.

هنا يأتي دور النموذج اللغوي الكبير (LLM). هذا هو الذكاء الاصطناعي الذي يمكنه فهم جملتك: "أريد منزلاً مريحاً مع تحكم صوتي"، ويخمن الخيارات التي تقصدها على الأرجح. إنه يشبه مساعداً سريعاً ومبدعاً يتحدث لغتك. لكن العيب هو أن الذكاء الاصطناعي "حالِم" بعض الشيء؛ فقد يخترع "بطارية كمومية" غير موجودة، أو قد ينسى أنه لا يمكنك امتلاك Wi-Fi وBluetooth معاً، مما يؤدي إلى تصميم مكسور منطقياً.

التعاون العصبي الرمزي (Neuro-Symbolic)

بنى مؤلفو هذا البحث نظاماً لإصلاح هذه المشكلة، حيث أنشأوا فريقاً من أربعة "وكلاء" (برامج كمبيوتر صغيرة) يعملون معاً:

1. الملاح (The Navigator): ينظر هذا الوكيل إلى المخطط الضخم (شبكة OOMRAM) ويقرر أي جزء يجب النظر إليه تالياً. إنه مثل المرشد السياحي الذي يشير إلى الباب التالي في المتاهة.
2. المفسر (The Interpreter - الذكاء الاصطناعي): هذا هو النموذج اللغوي الكبير. يستمع إلى "رؤية مشروعك" (وصفك لما تريده) ويقترح أي الأزرار يجب الضغط عليها في المخطط. يحاول تخمين الخيارات التي تناسب وصفك.
3. المدقق (The Validator - المفتش): هذا هو الجزء الصارم المتبع للقواعد. لا يستخدم الذكاء الاصطناعي، بل يستخدم الرياضيات الصلبة. يتحقق من كل اقتراح يقدمه الذكاء الاصطناعي مقابل قواعد المخطط. هل اختار الذكاء الاصطناعي شيئين لا يمكن أن يجتمعا؟ هل نسي جزءاً إلزامياً؟ إذا كانت الإجابة "نعم"، يقول المدقق: "لا، حاول مجدداً"، ويعيد الذكاء الاصطناعي لإصلاح خطئه.
4. الكاتب (The Scribe): بمجرد الموافقة على كل شيء، يقوم هذا الوكيل بكتابة القائمة النهائية المثالية للمتطلات.

تحدث المعجزة لأن الذكاء الاصطناعي والمفتش يتحدثان معاً في حلقة مستمرة. يقترح الذكاء الاصطناعي، فيتحقق المفتش، وإذا وجد خطأ، يحاول الذكاء الاصطناي مجدداً. تستمر هذه العملية حتى يصبح التصميم مثالياً.

بطاقة النتائج ثلاثية القيم: الحقيقة، والتردد، والخطأ

أحد أروع أجزاء هذا البحث هو كيفية قياس عمل الذكاء الاصطناعي. عادةً ما نقول إن الإجابة "صحيحة" أو "خاطئة"، لكن المؤلفين أدركوا أن هذا بسيط للغاية. أحياناً يختار الذكاء الاصطناعي شيئاً مسموحاً به ولكنه ليس مطلوباً بشكل صارم. وللتعامل مع ذلك، اخترعوا بطاقة نتائج ثلاثية القيم:

• الحقيقة (Truth - T): اختار الذكاء الاصطناعي شيئاً كان يجب اختياره. على سبيل المثال، إذا كانت الرؤية تقول "منزل ذكي"، فإن النظام يجب أن يختار مصدراً للطاقة. إذا اختاره الذكاء الاصطناعي، فهذه حقيقة.
• التردد/عدم التحديد (Indeterminacy - I): اختار الذكاء الاصطناي شيئاً كان مسموحاً به، لكن الرؤية لم تفرضه. ربما قالت الرؤية فقط "منزل ذكي"، واختار الذكاء الاصطناعي "Wi-Fi" بدلاً من "Bluetooth". كلاهما صالح، لكن الرؤية لم تحدد أيهما. هذا هو التردد، وهو بمثابة "خيار حر".
• الخطأ (Falsity - F): اختار الذكاء الاصطناي شيئاً كسر القواعد. مثل اختيار "Wi-Fi" و"Bluetooth" في آن واحد بينما تنص القواعد على عدم إمكانية ذلك. هذا هو الخطأ.

باستخدام هذه البطاقة، استطاع الباحثون رؤية أين كان الذكاء الاصطناعي يخمن وأين كان يتبع الأوامر.

ماذا وجدوا؟

اختبر الفريق نظامهم باستخدام 37 رؤية مشروع مختلفة عبر 11 نوعاً مختلفاً من التطبيقات، مثل أنظمة تسجيل السجلات، المنازل الذكية، وأنظمة الترفيه في السيارات. استخدموا نموذج ذكاء اصطناعي "خفيف الوزن" (Llama 3.1 8B) لمعظم الاختبارات.

إليكم ما حدث:

• معدل الإصلاح: بدون المفتش الصارم، ارتكب الذكاء الاصطناعي أخطاءً فادحة. ولكن مع وجود المفتش، أصلح النظام جميعها تقريباً. في 35 حالة من أصل 37 حالة (94.6%)، كانت النتيجة النهائية تحتوي على صفر من الأخطاء الهيكلية.
• المتبقيات: في الحالتين المتبقيتين، علق الذكاء الاصطناعي في حلقة مفرغة ولم يتمكن من إصلاح نوع معين من الأخطاء قبل توقف الاختبار. ترك هذا 6 أخطاء صغيرة فقط من بين أكثر من 1,500 قرار (0.39%).
• منطقة "الربما": وجد الباحثون أن حوالي 24.7% من جميع القرارات التي اتخذها الذكاء الاصطناعي كانت من نوع "التردد". وهذا يعني أن الذكاء الاصطناعي كان يمارس حريته في الاختيار بين خيارات صالحة، وهو أمر جيد في الواقع! يوضح هذا أن النظام يعرف الفرق بين "ما يجب فعله" و"ما يمكن اختياره".
• الذكاء الاصطناعي الأقوى: عندما اختبروا النظام مع نموذج ذكاء اصطناعي أكثر ذكاءً (NVIDIA Nemotron 3 Ultra)، حقق النظام 100% من الرؤى بشكل مثالي، مع صفر أخطاء.

لماذا هذا مهم؟

يجادل البحث بأن مجرد ترك الذكاء الاصطناعي يكتب المتطلبات أمر خطير لأنه قد يخترع أشياء لا تعمل. ولكن من خلال وضع "مفتش" رياضي صارم يتولى التحقق من القواعد، يمكنك ترك الذكاء الاصطناعي يبدع دون القلق من كسر قوانين المنطق.

كما أظهر المؤلفون أن هذا النظام سريع؛ إذ يستغرق "المفتش" أقل من 0.4% من الوقت الإجمالي، مما يعني أنه لا يبطئ العمل. كما أثبتوا أن النظام يتوسع بشكل جيد: فكلما زادت قائمة الخيارات، تزد-اد عدد المرات التي يحتاج فيها الذكاء الاصطناعي للتحدث مع النظام بشكل خطي وليس بشكل منحنى جنوني.

باختصار، يثبت هذا البحث أنه يمكنك الحصول على كل ما تريد: يمكنك استخدام اللغة الطبيعية المرنة للذكاء الاصطناعي لوصف ما تريده، بينما يضمن كتاب القواعد الصارم وغير القابل للكسر أن ما تحصل عليه هو في الواقع قابل للبناء وصحيح. إنه يحول الذكاء الاصطناعي "الحالم" إلى مهندس موثوق.