تخيل أنك محقق يحاول حل لغز ما، لكن لديك قاعدة صارمة: لا يمكنك إنفاق أكثر من مبلغ محدود من المال على الأدلة، ولن تتقاضى أجرك إلا إذا قبضت على المجرم الصحيح في النهاية. لن تحصل على مكافأة مقابل العثور على دليل تبين أنه عديم الفائدة، كما لن تتقاضى أجراً لمجرد متعة البحث. هذا هو عالم خوارزميات البحث (search algorithms) في علوم الحاسوب. هذه هي البرامج الذكية التي تساعد الحواسيب على اتخاذ القرارات، بدءاً من إيجاد أسرع طريق على الخريطة وصولاً إلى التغلب على أبطال العالم في الشطرنج.

للقيام بهذه القرارات، غالباً ما يتعين على الحواسيب أن "تفكر" قبل أن تتحرك. فهي تقوم بإجراء عمليات محاكاة، أو فحص الاحتمالات، أو جمع البيانات. وهذا التفكير يكلف شيئاً ما — عادة ما يكون الوقت أو قدرة المعالجة الحاسوبية. السؤال الكبير الذي طرحه العلماء دائماً هو: كيف يجب على الحاسوب أن ينفق وقت تفكيره؟ هل يجب أن يبحث عن الدليل الأكثر إرباكاً (الذي يحتوي على أكبر قدر من "المعلومات")؟ أم يجب أن يبحث عن الدليل الأكثر احتمالية لتغيير إجابته النهائية؟ لفترة طويلة، افترض العديد من الخبراء أن جمع أكبر قدر من المعلومات هو أفضل طريقة للمضي قدماً. لكن هذه الورقة تقترح أن هذا يشبه قيام محقق بإنفاق ميزانيته بالكامل على دليل يخبره بلون الملابس المفضل للمجرم، بينما كان يحتاج حقاً لمعرفة موقع المجرم.

تجادل هذه الورقة، التي تحمل عنوان "البحث كحصص حسابية (Search as Computation Allocation)"، بأننا بحاجة إلى التوقف عن اعتبار "المعلومات" هي الهدف الأساسي. بدلاً من ذلك، يجب أن ننظر إلى كل خطوة من خطوات التفكير كاستثمار صغير. الشيء الوحيد الذي يهم هو ما إذا كان هذا الاستثمار سيساعد الحاسوب في اتخاذ قرار نهائي أفضل. يوضح المؤلفون أنه بينما تتطابق "المعلومات" و"قيمة القرار" في بعض الأحيان، إلا أنهما في كثير من الأحيان مختلفتان تماماً. لقد أثبتوا أن الحاسوب يمكنه تعلم كمية هائلة من المعلومات التي لا فائدة منها تماماً لهدفه النهائي. ومن خلال معاملة التفكير كـ "ميزانية" يجب إنفاقها بحكمة، توضح الورقة لماذا تعمل طرق البحث الشهيرة بهذه الطوى، وتقدم طريقة جديدة لتصميم خوارزميات أكثر ذكاءً.

معضلة المحقق: إنفاق طاقة عقلك

تخيل أنك تلعب لعبة فيديو حيث لديك عدد محدود من "نقاط الطاقة" لاستكشاف كهف مظلم. هدفك هو العثور على الكنز في نهايته. في كل مرة تسلط فيها ضوء مصباحك على زاوية جديدة، فإن ذلك يكلفك طاقة. لا يمكنك تسليط الضوء في كل مكان؛ عليك الاختيار بعناية.

في الماضي، اعتقد العديد من مصممي الألعاب وعلماء الحاسوب أن أفضل استراتيجية هي تسليط الضوء حيث يكون الكهف أكثر ظلاماً وغموضاً. كانوا يعتقدون أن "تعلم أكبر قدر ممكن" هو مفتاح الفوز. هذا يشبه المحقق الذي يشتري خريطة للمدينة بأكملاء فقط ليرى أين تتجمع السحب، آملاً أن يساعده ذلك في العثم على لص.

لكن هذه الورقة تقول: توقف! الهدف ليس معرفة كل شيء عن الكهف؛ الهدف هو العثور على الكنز. إذا كانت هناك زاوية في الكهف مظلمة ولكنك تعلم بالفعل أنه لا يوجد كنز هناك، فإن تسليط الضوء هناك هو إهدار للطاقة، حتى لو علمك الكثير عن الظلام. تسمي الورقة هذا قيمة الحوسبة (Value of Computation). الأمر لا يتعلق بمقدار ما تتعلمه؛ بل يتعلق بمدى تحسن قرارك النهائي بسبب ما تعلمته.

القواعد الثلاث للعبة

يقسم المؤلفون هذه المشكلة إلى ثلاثة سيناريوهات رئيسية، مثل مستويات مختلفة في لعبة فيديو:

1. مستوى الميزانية الثابتة: لديك بالضبط 100 نقطة طاقة. يجب أن تتوقف عندما تنفد طاقتك. الهدف هو امتلاك أفضل خريطة كنز عندما تصل الطاقة إلى الصفر.
2. المستوى الحساس للتكلفة: في كل مرة تسلط فيها ضوءك، فإن ذلك يكلف مالاً. تريد العثور على الكنز، ولكنك تريد أيضاً الاحتفاظ بأكبر قدر ممكن من المال. تتوقف عندما تكون تكلفة البحث أكثر من فرصة العثور على شيء أفضل.
3. المستوى "الموثق": لا يمكنك التوقف حتى تتأكد بنسبة 100% من أنك وجدت أفضل كنز. قد تنفق الكثير من الطاقة فقط لتثبت أن الكنز الذي وجدته هو الوحيد.

في جميع هذه الحالات، تستخدم الورقة الرياضيات (تحديداً ما يسمى معادلات بلمان - Bellman equations) لتوضيح الطريقة المثالية لإنفاق طاقتك. ويتضح أن الطريقة "المثالية" غالباً ما تكون صعبة الحساب للغاية، لذا تستخدم الحواسيب طرقاً مختصرة. مهمة الورقة هي اكتشاف ما تفعله تلك الطرق المختصرة في الواقع.

التحول الكبير: المعلومات مقابل القيمة

إليك الجزء الأكثر إثارة للدهشة في القصة. تثبت الورقة أن المعلومات والقيمة ليسا نفس الشيء.

تخيل أنك تحاول تخمين رقم سري بين 1 و 100.

• السيناريو (أ): تسأل، "هل الرقم زوجي؟" هذا يقسم الاحتمالات إلى النصف. لقد تعلمت الكثير من المعلومات (تم حل 50% من اللغز!)، ولكن لا يزال لديك 50 رقماً متبقياً.
• السيناريو (ب): تسأل، "هل الرقم 99؟" إذا كانت الإجابة "نعم"، فقد فزت فوراً. إذا كانت الإجابة "لا"، فلا يزال لديك 99 رقماً متبقياً.

إذا كان الرقم هو 99 بالفعل، فإن السيناريو (ب) يساوي مليون دولار. أما إذا كان الرقم 50، فإن السيناريو (ب) لا يساوي شيئاً. لكن السيناريو (أ) (سؤال "هل هو زوجي؟") يعطيك دائماً نفس القدر من "المعلومات" (تقسيم 50/50)، بغض النظر عما إذا كان يساعدك على الفوز أم لا.

تظهر الورقة أن العديد من برامج الحاسوب تشبه المحقق الذي يسأل فقط "هل هو زوجي؟" لأن ذلك يمنحه الكثير من البيانات. لكن الاستراتيجية الأذكى هي سؤال "هل هو 99؟" لأن هذا هو السؤال الوحيد الذي يمكن أن يغير النتيجة فعلياً.

يثبت المؤلفون رياضياً أن كسب المعلومات (Information Gain) (مقدار ما تتعلمه) يتساوى مع قيمة الحوسبة (Value of Computation) (مقدار ما تربحه) في حالات محددة ونادرة جداً. في معظم المشكلات الواقعية، يمكن أن يؤدي السعي وراء المعلومات إلى إضاعة ميزانيتك في حقائق عديمة الفائدة.

كيف تشرح هذه الورقة الخوارزميات الشهيرة

تنظر الورقة بعد ذلك إلى ثلاثة أنواع شهيرة من البحث الحاسوبي وتشرحها باستخدام منظور "ميزانية الإنفاق" هذا:

• المناديب (مشكلة آلة القمار - Bandits): تخيل صفاً من آلات القمار. تريد العثور على الآلة التي تدفع أكثر، ولكن لديك بضع عملات معدنية فقط. توضح الورقة أن أفضل استراتيجية هي سحب الرافعة التي قد تغير رأيك بشأن الآلة الفائزة. الأمر لا يتعلق بسحب الرافعة التي تعطي أكبر قدر من "المفاجأة"؛ بل يتعلق بسحب الرافعة التي قد تجعلك تغير رهانك.
• بحث مونت كارلو في الأشجار (MCTS): هذه هي الخوارزمية المستخدمة في ألعاب مثل "جو" (Go). إنها تقوم بمحاكاة آلاف الحركات المستقبلية. توضح الورقة أن MCTS تعمل من خلال البحث عن الحركات التي قد تغير الفائز النهائي. وتظهر أن طريقة "UCT" الشهيرة (التي تستخدم صيغة معقدة لتقرير مكان البحث) هي في الواقع اختصار ذكي. الأمر يشبه المتنزه الذي، بدلاً من حساب المسار المثالي، يتبع ببساطة المسار الذي قد يؤدي إلى إطلالة أفضل، مستخدماً قاعدة بسيطة لتوفير الوقت.
• بحث A (مكتشف الخرائط):* هذه هي الخوارزمية التي تجد أقصر مسار على الخريطة. توضح الورقة أن القاعدة الشهيرة لـ A* (التي تنظر إلى المسافة المقطوعة مضافاً إليها تخمين للمسافة المتبقية) هي في الواقع نتيجة لتقريب معين. الأمر كما لو أن الحاسوب يقول: "سأراهن بأن المسار ذو التخمين الإجمالي الأقل هو الذي سيوفر لي أكبر قدر من الوقت". وتظهر الورقة أيضاً كيف أن تغيير هذا التخمين (جعله أكثر أو أقل تفاؤلاً) يخلق نسخاً مختلفة من الخوارزمية، مثل A الموزون (Weighted A)**، والذي هو مجرد طريقة أخرى لإنفاق الميزانية.

الخلاصة: كن منفقاً ذكياً

الدرس الرئيسي من هذه الورقة هو أن الحواسيب لا ينبغي أن تكون "فضولية" فحسب، بل يجب أن تكون "استراتيجية".

إذا كنت حاسوباً يحاول حل مشكلة، فلا تبحث فقط عن الدليل الأكثر إثارة للحيرة أو الاهتمام. ابحث عن الدليل الذي سيساعدك فعلياً في اتخاذ القرار الصحيح في النهاية. لا تقول الورقة إن المعلومات سيئة؛ هي فقط تقول إن المعلومات جيدة فقط إذا ساعدتك على الفوز.

من خلال معاملة التفكير كمورد يجب تخصيصه، وليس كهدف يجب تحقيقه، يمكننا فهم سبب عمل بعض الخوارزميات بشكل جيد وكيفية بناء خوارزميات أفضل. الأمر يشبه إدراك أن أفضل محقق ليس هو من يعرف أكبر عدد من الحقائق، بل هو من يعرف أي الحقائق هي التي تهم حقاً.