تخيل أنك تحاول تعليم روبوت كيفية التنقل في متاهة عملاقة ومتغيرة. هذه ليست مجرد متاهة عادية؛ بل هي عالم قد تتحرك فيه الجدران، وقد تختفي فيه الأرضية، ويتعين على الروبوت اتخاذ قرارات في أجزاء من الثانية للوصول إلى الهدف دون نفاد البطارية أو الاصطدام. في عالم علوم الحاسوب، يتم نمذجة هذا باستخدام ما يسمى بـ عملية ماركوف لاتخاذ القرار (MDP). فكر في الـ MDP على أنها خريطة ضخمة وشديدة التفصيل لكل موقف محتمل قد يواجهه الروبوت. المشكلة هي أنه كلما زاد تعقيد العالم، انفجر حجم هذه الخريطة. تصبح ضخمة للغاية لدرجة أن أسرع الحواسيب الفائقة لا يمكنها قراءتها بالكامل في الوقت المناسب. الأمر يشبه محاولة قراءة كل صفحة من كل كتاب كُتب على الإطلاق لمجرد تقرير ما ستتناوله على الغداء.

لحل هذه المشكلة، يستخدم العلماء التجريدات (Abstractions). تخيل أنك تأخذ تلك الخريطة الضخمة والمربكة وتقوم بطيها، أو ربما ترسم مخططاً مبسطاً يظهر الطرق الرئيسية المهمة فقط ويتجاهل الأزقة الصغيرة. هذا يجعل المشكلة قابلة للحل. لكن الجزء الصعب هنا هو: إذا طويت الخريطة أكثر من اللازم، فقد تمسح عن طريق الخطأ المسار المؤدي إلى الكنز. وإذا لم تطوها بما يكفي، فستظل الخريطة كبيرة جداً بحيث لا يمكن استخدامها. السؤال الكبير هو: كيف تعرف أي أجزاء من الخريطة هي المهمة حقاً لهدف الروبوت المحدد؟ هنا يأتي دور مفهوم السببية (Causality). السببية هي ببساطة طرح السؤال: "ما الذي تسبب فعلياً في نجاح الروبوت أو فشله؟" بدلاً من النظر في كل تفصيل صغير، نريد العثور على الأسباب المحددة التي تجعل الأشياء تحدث.

تقدم هذه الورقة البحثية، بعنوان "التجريدات السببية القائمة على الخصائص لعمليات ماركوف لاتخاذ القرار"، طريقة مبتكرة لطي تلك الخريطة الضخمة. يقترح المؤلفون، وهم فريق من الباحثين من جامعات في ألمانيا وهولندا والمملكة المتحدة، طريقة تستخدم التفكير القائم على "السبب والنتيجة" لتقرير أي أجزاء من عالم الروبوت يمكن تجاهلها بأمان. هم لا يخمنون الأجزاء المهمة فحسب؛ بل يثبتون رياضياً أي الإعدادات المحددة (مثل مستوى البطارية أو الموقع) هي الأسباب الحقيقية لنجاح الروبوت أو فشله. ومن خلال التركيز فقط على هذه "الأسباب"، يمكنهم تقليص الخريطة الضخمة إلى مخطط صغير وسهل الإدارة، مع الحفاظ على سلامة وكفاءة الروبوت. لقد اختبروا ذلك في عوالم رقمية مختلفة، من سيارات التاكسي الكهربائية التي تتنقل في شبكات المدن إلى سيناريوهات معقدة أخرى، ووجدوا أن طريقتهم غالباً ما تنشئ نماذج أصغر بكثير لا تزال تسمح للروبوت باتخاذ قرارات شبه مثالية.

التاكسي الكهربائي والخريطة السحرية

لفهم كيف يعمل هذا، دعونا ننظر إلى المثال المفضل للمؤلفين: التاكسي الكهربائي. تخيل تاكسي يتجول في مدينة ذات تصميم شبكي. يجب عليه نقل راكب إلى وجهة معينة، والتأكد من عدم نفاد البطارية. لدى التاكسي بطارية، وموقع (إحداثيات x و y)، وحالة راكب. في مدينة صغيرة، قد يكون لدى التاكسي بضع مئات من المواقف المحتملة. ولكن في مدينة حقيقية؟ ينفجر عدد المواقف المحتملة إلى الملايين. يصاب الحاسوب بالارتباك وهو يحاول حساب أفضل مسار لكل احتمال.

يقول المؤلفون: "انتظر لحظة. هل نحتاج حقاً لمعرفة مستوى البطارية الدقيق إذا كان التاكسي موجوداً بالفعل في محطة الشحن؟" أو "هل يهم إذا كان الراكب في السيارة إذا كان التاكسي عالقاً في الزحام بعيداً عن الوجهة؟" لقد أدركوا أنه لأي هدف محدد (مثل "عدم نفاد البطارية")، فإن بعض التفاصيل فقط هي التي تسبب النتيجة فعلياً. أما الباقي فهو مجرد ضجيج.

عمل المحقق: البحث عن "السبب"

طور الفريق نوعاً جديداً من عمل المحقق لهذه النماذج الحاسوبية. بدلاً من النظر إلى الصورة الكاملة دفعة واحدة، يقومون بتفكيكها إلى "خصائص" (Features) — وهي المتغيرات الفردية مثل مستوى البطارية أو الموقع. ويسألون: "أي الخصائص هي 'الجاني' وراء نتيجة جيدة أو سيئة؟"

يطلقون على هذا اسم سببية الخصائص (Feature Causality). الأمر يشبه عمل المحقق في مسرح الجريمة. إذا نفدت بطارية التاكسي، فإن المحقق لا يهتم بأن السماء كانت زرقاء أو أن التاكسي مصنوع من المعدن. المحقق يهتم بأن البطارية كانت منخفضة وأن التاكسي لم يتوقف في محطة شحن. هذه هي "الأسباب". لقد ابتكر المؤلفون طريقة رياضية لإيجاد هذه الأسباب تلقائياً. إنهم ينظرون إلى عالم الروبوت ويحددون تركيبات الإعدادات المحددة التي تضمن نتيجة معينة.

بمجرد العثور على هذه الأسباب، يقومون بشيء سحري: يجمعون كل المواقف التي تشترك في نفس الأسباب معاً. تخيل أن لديك صندوقاً يحتوي على 1000 هيكل مختلف من قطع الليغو. معظمها يبدو مختلفاً، ولكن إذا أدركت أن 900 منها تنهار جميعها لأنها تفتقر إلى نفس القطعة الحمراء، فيمكنك معاملة الـ 900 جميعها كنوع واحد من الهياكل. لست بحاجة لتحليل كل واحد منها على حد ပ. أنت فقط تحلل مجموعة "القطعة الحمراء المفقودة". هذا ما يسميه المؤلفون التقسيم السببي (Causal Partition). إنهم يقطعون الخريطة العملاقة إلى أجزاء بناءً على ما يهم فعلياً، متجاهلين الباقي.

ثلاث طرق لطي الخريطة

لا تتوقف الورقة عند إيجاد الأسباب فحسب؛ بل تعرض ثلاث طرق مختلفة لاستخدامها لبناء النموذج المبسط، ولكل منها طابعها الخاص:

1. الطي "بضربة واحدة" (One-Shot Fold): هذه هي الطريقة السريعة والخشنة. تجد الأسباب للهدف، وتجمع كل ما يتطابق، وتنتهي المهمة. إنها سريعة، لكنها أحياناً تكون سطحية للغاية.
2. الطي "التكراري" (Iterative Fold): هذه هي الطريقة الدقيقة. تبدأ بالمواقف الأكثر تطرفاً (مثل أسوأ مستويات البطارية)، وتجد الأسباب، ثم تنتقل إلى الطبقة التالية من المواقف، وتكرر العملية. تستغرق وقتاً أطول ولكنها تنشئ خريطة أكثر تفصيلاً ودقة.
3. طي "المخطط السببي" (Causal Graph Fold): تنظر هذه الطريقة إلى الروابط بين المتغيرات. إذا كان متغير ما (مثل لون التاكسي) لا يسبب تغيير أي شيء أبداً، فإنه يُستبعد تماماً. الأمر يشبه إزالة جميع الزخارف من المنزل لرؤية المخطط الفعلي.

شبكة الأمان: ما مدى تأكدنا؟

هنا تصبح الورقة مثيرة للاهتمام حقاً. عندما تبسط خريطة، فإنك تخاطر بارتكاب أخطاء. اختبر المؤلفون ثلاث طرق مختلفة للتعامل مع عدم اليقين الناتج عن هذا التبسيط:

• طريقة المتوسط (The Average Way): يأخذون ببساطة متوسط جميع الاحتمالات في مجموعة ما. إنها سريعة، لكن الورقة تظهر أن هذا قد يكون خاطئاً بشكل خطير. الأمر يشبه تخمين حالة الطقس عبر أخذ متوسط "مشمس" و"إعصار" — قد تحصل على "ممطر"، وهو أمر غير مفيد لأي منهما.
• طريقة الفترة (The Interval Way): بدلاً من رقم واحد، يعطون نطاقاً (مثلاً: "فرصة النجاح تتراوح بين 40% و60%"). هذه الطريقة أكثر أماناً لأنها تقر بأننا لا نعرف الإجابة الدقيقة، لكننا نعرف أنها تقع ضمن هذا المربع.
• طريقة اللعبة (The Game Way - الأفضل أداءً): هذه هي الطريقة الأكثر تطوراً. لقد حولوا النموذج المبسط إلى لعبة من لاعبين اثنين. أحد اللاعبين هو الروبوت (الذي يحاول الفوز)، واللاعب الآخر هو "الشرير" (الذي يحاول جعل الروبوت يخسر). يختار الشرير أسوأ سيناريو من المجموعة. إذا استطاع الروبوت الفوز ضد هذا الشرير، فإنه بالتأكيد سيكون آمناً في العالم الحقيقي.

قام المؤلفون بتشغيل طريقتهم على العديد من الاختبارات المعيارية للحاسوب. ووجدوا أن الطريقة التكرارية (Iterative) المقترنة بمنهج اللعبة (Game) أعطت أفضل النتائج. لقد أنشأت نماذج صغيرة جداً (أحياناً أقل من 20% من الحجم الأصلي) ولكنها لا تزال تسمح للروبوت باتخاذ قرارات شبه مثالية.

هل تنجح في عوالم أكبر؟

أحد أروع الاختبارات التي أجراها المؤلفون هو معرفة ما إذا كان بإمكان "أسبابهم" أن تُعاد الاستخدام. تخيل أنهم توصلوا إلى الأسباب لعالم مدينة صغير (3×3). هل يمكنهم استخدام نفس المنطق لمدينة ضخمة (100×100)؟

وجدوا أن الأسباب كانت قابلة للتعميم. القواعد البسيطة والصغيرة التي وجدوها للمدينة الصغيرة غالباً ما نجحت في المدينة الكبيرة أيضاً. وهذا يعني أنه يمكنك تدريب روبوت على محاكاة صغيرة ورخيصة، وإيجاد الأسباب، ثم تطبيق تلك المعرفة على مشكلة واقعية ضخمة دون الحاجة للقيام بالرياضيات المكلفة مرة أخرى. ومع ذلك، فقد أشاروا أيضاً إلى وجود عقبة: بينما ظل حجم النموذج المبسط صغيراً، إلا أن جودة القرار انخفضت أحياناً عند الانتقال إلى عالم أكبر بكثير. الأمر يشبه استخدام خريطة بلدة صغيرة للتنقل في دولة كاملة؛ ستوصلك إلى الاتجاه الصحيح، لكنك قد تفقد بعض المنعطفات.

الخلاصة

لا تدعي الورقة أنها حلت مشكلة جعل الروبوتات أكثر ذكاءً إلى الأبد. فهم يعترفون بأن طريقتهم الحالية لا تزال مكلفة للتشغيل لأنها تتطلب تحليل النموذج بالكامل أولاً للعثور على الأسباب. الأمر يشبه الاضطرار لقراءة الموسوعة بأكملها لكتابة ملخص.

ومع ذلك، فقد أثبتوا أن السببية هي أداة قوية لتبسيط اتخاذ القرار المعقد. من خلال التركيز على ما يسبب النجاح أو الفشل فعلياً، بدلاً من مجرد النظر في كل شيء، يمكنهم تقليص المشكلات الضخمة المستحيلة إلى مشكلات صغيرة قابلة للحل. لقد أثبتوا أن هذا النهج يعمل بشكل أفضل من التخمين العشوائي أو المتوسط البسيط، خاصة عند استخدام طريقة "اللعبة" للحفاظ على شبكة الأمان. لأي شخص يبني روبوتات، أو سيارات ذاتية القيادة، أو برمجيات ذكية، تقدم هذه الورقة طريقة جديدة ومنضبطة رياضياً لاختصار الضجيج والتركيز على ما يهم حقاً. إنها تشير إلى أن المفتاح للتعامل مع العوالم الكبيرة والفوضوية ليس في معالجة المزيد من البيانات، بل في فهم الأسباب الكامنة وراء تلك البيانات.