A behavior-environment information loop drives sensory navigation

تخيل أنك تحاول العثور على أفضل بيتزا في مدينة جديدة. لديك طريقتان للقيام بذلك. الطريقة الأولى هي طريقة سلبية: تقف ساكنًا، وتنتظر حتى تنجرف إليك رائحة ما، وإذا كانت الرائحة طيبة، تسير باتجاهها. إذا توقفت الرائحة، تتوقف أنت أيضًا. هذا يشبه الروبوت الذي يكتفي فقط بالاستجابة لما يستشعره في اللحظة الراهنة. أما الطريقة الثانية فهي طريقة نشطة: تدرك أن الوقوف ساكنًا لن يجدي نفعًا، فتبدأ في المشي بنمط متعرج (زيجزاج). من خلال حركتك، أنت تغير ما ستشمه لاحقًا. أنت تشكل تجربتك بنشاط لجمع معلومات أفضل. هكذا تتنقل معظم الكائنات الحية، من البكتيريا الدقيقة إلى البشر، في الواقع. هم لا ينتظرون العالم ليخبرهم أين يذهبون فحسب؛ بل يتحركون ليعرفوا.

لطال old time طويل والعلماء يدرسون كيف تستخدم الحيوانات حواسها لاتخاذ القرارات، لكنهم ركزوا في الغالب على الطريق ذي الاتجاه الواحد: كيف تتحول الرائحة إلى انعطاف. لكنهم نادرًا ما سألوا السؤال الآخر: كيف يغير فعل الانعطاف الرائحة التي ستواجهها لاحقًا؟ هذه الورقة البحثية تدخل في تلك الفجوة. إنها تستخدم فرعًا من العلوم يسمى "نظرية المعلومات"، وهي في الأساس رياضيات تقيس مقدار "المفاجأة" أو "الجدة" في الرسالة. يريد المؤلفون قياس المحادثة ثنائية الاتجاه بين أفعال الكائن الحي والعالم من حوله. يتساءلون: هل الكائن الحي مجرد مستجيب للعالم، أم أنه ينقر العالم بنشاط للحصول على رد فعل؟ فهم هذه الحلقة أمر بالغ الأهمية لأنها تفسر كيف تجد الكائنات الطعام، أو الشركاء، أو الأمان في عالم فوضوي ومتغير، وقد يساعدنا ذلك أيضًا في بناء روبوتات أفضل يمكنها التنقل دون أن تضل طريقها.

---

حلقة المعلومات العظيمة: كيف تغير الحركة ما تعرفه

فكر في التنقل في العالم كأنك تلعب لعبة "ساخن وبارد" مع صديق يختبئ حيث يوجد كنز. في طريقة التفكير القديمة، كان العلماء يعتقدون أن اللاعب مجرد محقق يستمع إلى الأدلة. إذا قال الصديق "أدفأ"، يتحرك اللاعب مقتربًا. وإذا قال "أبرد"، يبتعد اللاعب. هذه استراتيجية تفاعلية (Reactive): البيئة ترسل إشارة، واللاعب يستجيب لها.

لكن هذه الورقة تجادل بأن السحر الحقيقي يحدث عندما يدرك اللاعب أنه يمكنه جعل الصديق يتحدث. إذا بدأ اللاعب في الجري في دوائر، فقد يصطدم بالكنزة بالصدفة أو يحفز دليلًا جديدًا. هذه استراتيجية نشطة (Active): أفعال اللاعب تغير البيئة، والتي بدورها ترسل معلومات جديدة وأفضل. يطلق المؤلفون، وهم فريق من جامعة ييل، على هذا اسم "حلقة معلومات السلوك والبيئة". أرادوا قياس مدى اعتماد الملاحة على التفاعل مقابل مدى قدرة الكائن على تشكيل التجربة بنشاط.

للقيام بذلك، ابتكروا أداة رياضية جديدة تعتمد على ما يسمى "إنتروبيا النقل" (Transfer Entropy). تخيل أنك تحاول تخمين الحركة التالية لشخصية في لعبة فيديو. إذا نظرت فقط إلى شاشة اللعبة (المدخلات الحسية)، يمكنك تقديم تخمين جيد. ولكن إذا كنت تعرف أيضًا ما فعله الكائن للتو (المخرجات السلوكية)، فإن تخمينك سيصبح أفضل بك even. تقيس "إنتروبيا النقل" عامل "التخمين الأفضل" هذا. وهي تقسم تدفق المعلومات الإجمالي إلى اتجاهين:

1. التدفق التفاعلي ($\dot{T}_{s \to a}$): كم تخبر الرائحة أو الرؤية الحالية الكائن بما يجب فعله بعد ذلك.
2. التدفق النشط ($\dot{T}_{a \to s}$): كم تغير حركة الكائن الحالية ما سيشمه أو يراه لاحقًا.

التركيبة السرية للنجاح

بدأ الفريق ببناء نموذج حاسوبي بسيط للغاية لبكتيريا. أعطوها خيارين فقط: الجري في خط مستقيم أو "التقلب" (الدوران حول نفسها) لتغيير اتجاهها. كما أعطوها حالتين حسيين: شم رائحة "صعودًا" عبر المنحدر (باتجاه الطعام) أو "هبوطًا" (بعيدًا عن الطعام).

وعندما قاموا بمعالجة الأرقام، وجدوا نمطًا مذهلاً. لم يكن نجاح البكتيريا في العثور على الطعام يعتمد على أحد هذه التدفقات فقط، بل اعتمد على المتوسط الهندسي لكليهما. فكر في الأمر كدراجة هوائية: إذا كان لديك محرك رائع (تدفق تفاعلي) ولكن ليس لديك عجلة قيادة (تدودفق نشط)، فستدور في دوائر فقط. وإذا كان لديك عجلة قيادة رائعة ولكن لا تملك محركًا، فلن تذهب إلى أي مكان. أنت بحاجة إلى كلاهما يعملان معًا.

لقد ابتكروا رقمًا واحدًا، يسمونه $\Phi$ (فاي)، ليمثل هذا التوازن المثالي. وعندما اختبروا هذا الرقم مقابل بيانات من العالم الحقيقي، عمل ببراعة. لقد نظروا إلى:

• البكتيريا وهي تسبح نحو الطعام.
• الديدان وهي تزحف عبر مساحات كيميائية.
  gal الذباب وهو يتتبع أعمدة الروائح غير المرئية والمتماوجة في الرياح.
• الوكلاء الاصطناعيون (AI agents) (برامج حاسوبية) تتعلم التنقل في عالم افتراضي.

في كل حالة، كلما زادت قيمة $\Phi$، كان أداء الملاحة أفضل. لقد تنبأت الرياضيات بمعدل النجاح بدقة مذهلة (ارتباط قدره 0.95، وهو شبه مثالي في العلم). وهذا يشير إلى أنه سواء كنت ميكروبًا صغيرًا أو روبوتًا ذكيًا، فإن سر العثور على طريقك هو الحفاظ على حلقة تغذية راجعة وثيقة بين ما تستشعره وكيف تتحرك.

ليس مقاسًا واحدًا يناسب الجميع

هنا يصبح الأمر مثيرًا للاهتمام حقًا. تظهر الورقة أنه لا توجد طريقة واحدة فقط لتكون ملاحًا جيدًا. نظرًا لأن النجاح يعتمد على التوازن بين التدفقين، يمكن لمخلوقات مختلفة تحقيق نفس الهدف باستخدام استراتيجيات مختلفة تمامًا.

تخيل نوعين من البكتيريا تجدان الطعام بنفس السرعة:

• البكتيريا (أ): هي "سيدة التفاعل". تشم الطعام، فتتحمس، وتجري في خط مستقيم. إذا شمت رائحة أقل، تتقلب فورًا لتصحيح مسارها. هي تعتمد بشكل كبير على التفاعل مع الإشارة.
• البكتيريا (ب): هي "مستكشفة نشطة". هي لا تكتفي بالتفاعل فحسب، بل تستمر في الحركة بطريقة تضمن لها استمرار شم الطعام، حتى لو كانت الإشارة ضعيفة. هي تشكل مسارها الخاص للحفاظ على تدفق المعلومات.

كلاهما يحقق نفس النتيجة، لكن "شخصيتهما" الداخلية مختلفة تمامًا. وجد المؤلفون هذا "التماثل الوظيفي" (حيث تؤدي مسارات مختلفة إلى نفس الوجهة) في البكتيريا، والديدان، وحتى في الوكلاء الاصطناعيين الذين درسوهم. وهذا يعني أن مجرد مراقبة سرعة حركة الحيوان ليس كافيًا لفهم كيف يفكر. يجب أن تنظر إلى حلقة المعلومات لترى ما إذا كان تابعًا تفاعليًا أم صانعًا نشطًا.

منطقة "غولدي لوكس" (الاعتدال الذهبي) للحركة

اكتشفت الورقة أيضًا تحولًا عندما تصبح الأمور متوقعة للغاية. في بيئة مستقرة وهادئة جدًا، قد تعتقد أن كونك حتميًا للغاية (تفعل دائمًا الشيء نفسه تمامًا عند شم الطعام) سيكون الأفضل. لكن الرياضيات تشير إلى خلاف ذلك.

إذا أصبح الحيوان متوقعًا للغاية في حركاته، فإنه يتوقف عن توليد معلومات جديدة. إنه يشبه الروبوت الذي يمشي في خط مستقيم للأبد؛ في النهاية، يتوقف عن تعلم أي شيء جديد عن العالم. وجد المؤلفون أن أفضل أداء يحدث غالبًا عند مستوى متوسط من التدفق النشط. يحتاج الحيوان إلى التحرك بما يكفي لجعل العالم مثيرًا ومليئًا بالمعلومات، ولكن ليس كثيرًا لدرجة تجعله يفقد طريقه.

لقد اختبروا ذلك باستخدام لعبة حاسوبية تسمى "المقامر ذو الذراعين" (آلة قمار بذراعين). وبينما كان الذكاء الاصطناعي يتعلم اللعب، لم يكن يسعى فقط لتعظيم مكافآته، بل كان يعدل تدفق المعلومات الخاص به. عندما كانت اللعبة سهلة، أصبح الذكاء الاصطناعي تفاعليًا جدًا. وعندما كانت اللعبة صعبة، احتاج إلى أن يكون أكثر نشاطًا للاستكشاف. ولكن إذا أصبح واثقًا جدًا وتوقف عن الاستكشاف، انخفض أداؤه بالفعل. كانت الاستراتيجية الأفضل هي توازن "غولدي لوكس": حركة نشطة كافية للبقاء فضوليًا، وتحكم تفاعلي كافٍ للبقاء على المسار الصحيح.

لماذا يهم هذا؟

يغير هذا البحث نظرتنا للملاحة. فهو يخبرنا أن الحركة ليست مجرد وسيلة للانتقال من النقطة (أ) إلى النقطة (ب)؛ الحركة هي وسيلة لطرح الأسئلة على البيئة.

لم يقم المؤلفون بمجرد المحاكاة؛ بل قاسوا ذلك في بكتيريا وديدان وذباب حقيقي، وظل النمط ثابتًا. لم يجدوا طريقة واحدة "مثلى" للملاحة. بدلاً من ذلك، وجدوا قاعدة عالمية: الملاحة الناجحة تتطلب رقصة بين التفاعل مع العالم والنقر على العالم لمعرفة ما سيحدث.

لذا، في المرة القادمة التي ترى فيها ذبابة تتأرجح في الهواء أو كلبًا يشم الأرض، تذكر: هم لا يتبعون أنوفهم فحسب. هم يديرون بنشاط محادثة مع الهواء، والرياح، والأرض، مستخدمين حركاتهم الخاصة لإبقاء هذه المحادثة مستمرة. ووفقًا لهذه الورقة، فإن هذه المحادثة هي المفتاح للعثور على طريق العودة إلى ديارهم.