BlueprintRepair: Typed Local Edits for Failed Lean Proof Blueprints
تقدم الورقة البحثية BlueprintRepair، وهي واجهة تحرير محلية مدققة المخطط لإصلاح مخططات براهين Lean الفاشلة، والتي تحقق كفاءة في التكلفة والرموز (tokens) تضاهي أو تتفوق على طرق التصحيح وإعادة الكتابة حرة التنسيق، كما تم التحقق من ذلك بواسطة معيار BlueprintTrace الجديد.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت فائق الذكاء كيفية حل مسألة رياضية معقدة. لا يمكنك ببساطة أن تقول للروبوت: "اذهب وحلها بنفسك!" وتأمل أن يصيب في المرة الأولى. بدلاً من ذلك، أنت تعطيه خريطة — مخططاً هندسياً. هذا المخطط ليس صورة للحل؛ بل هو قائمة مراجعة لخطوات أصغر (تمهيدات/lemmas) يجب أن تكون صحيحة للوصول إلى الهدف النهائي. إذا تعثر الروبوت، فغالباً ما يكون السبب هو أن إحدى الخطوات في قائمة المراجعة خاطئة، أو أن هناك اتصالاً مفقوداً، أو أن الروبوت نسي إثبات إحدى هذه الخطوات.
في عالم علوم الحاسوب، يسمى هذا "التحقق الرسمي" (formal verification). الأمر يشبه بناء ناطحة سحاب حيث يجب إثبات أن كل طوبة فيها رياضياً تتحمل وزن الطوبة التي فوقها. إذا كانت إحدى الطوب مهتزة، سينهار المبنى بأكمله. مؤخراً، بدأ العلماء في استخدام الذكاء الاصطناعي للمساعدة في كتابة هذه البراهين. لكن الذكاء الاصطناعي يشبه مهندساً معمارياً عبقرياً ولكنه مهمل أحياناً: يمكنه رسم مخطط جميل، لكنه قد ينسى بالخطأ وضع عارضة دعم أو يكتب قاعدة لا معنى لها. عندما يفشل المخطط، يبرز السؤال: كيف نصلحه؟ هل نطلب من الذكاء الاصطناعي هدم المبنى بالكامل والبدء من جديد؟ هل نطلب منه كتابة ملاحظة سريعة على الجدار لسد ثقب؟ أم نعطيه مجموعة محددة من الأدوات لإصلاح الجزء المكسور فقط؟
هذه الورقة البحثية، بعنوان BlueprintRepair، تستكشف هذا السؤال بالضبط. لقد بنى الباحثون "ورشة إصلاح" خاصة لهذه المخططات الرياضية التي يولدها الذكاء الاصطناعي. لقد صمموا نظاماً يمكن للذكاء الاصطناعي من خلاله إصلاح خطة برهان مكسورة باستخدام عشر أدوات محددة ومعتمدة مسبقاً (مثل "إضعاف هذه القاعدة" أو "إضافة هذا الاتصال") بدلاً من مجرد إعادة كتابة الشيء برمته من الصفر. وقد اختبروا ذلك مقابل طريقتين أخريين: إحداهما حيث يحاول الذكاء الاصطناعي رتق الكود بتغييرات نصية حرة، والأخرى حيث يعيد الذكاء الاصطناçi كتابة الوحدة البرمجية بالكامل.
إليكم ما وجدوه. عندما كان المخطط يحتوي على خطأ صغير وموضعي — مثل رابط مفقود أو رقم خاطئ — فإن طريقة "التعديلات المحلية المحددة" (باستخدام الأدوات المحددة) عملت بشكل يقارب الطرق ذات النصوص الحرة. في الواقع، باستخدام نموذج DeepSeek-V4-Flash، نجحت الطريقة القائمة على الأدوات في حل 79 من أصل 91 خطأً صغيراً، بينما نجحت الطرق ذات النصوص الحرة في حل 81. كان الفرق ضئيلاً جداً. ومع ذلك، كانت الطريقة القائمة على الأدوات أسرع وأرخص بكثير. فقد وصلت إلى أقصى معدل نجاح لها باستخدام 10,000 "توكن" (وحدة قياس لكمية النص التي يولدها الذكاء الاصطناعي) فقط، بينما احتاجت الطرق الأخرى إلى توليد نص أكثر بكثير للحاق بها. ومن حيث التكلفة، كانت الطريقة القائمة على الأدوات هي الأرخص لكل مسألة تم حلها، بينما كانت طريقة الرتق بالنصوص الحرة أغلى بمقدار 1.30 مرة، وإعادة الكتابة الكاملة أغلى بمقدار 2.06 مرة.
اختبر الباحثون أيضاً نموذج ذكاء اصطناعي ثانٍ، وهو Qwen3.6-Flash. حل هذا النموذج مشاكل أقل إجمالاً، لكن النمط ظل كما هو: الإصلاحات المحددة القائمة على الأدوات كانت لا تزال الأكثر فعالية من حيث التكلفة ووصلت إلى حد نجاحها بشكل أسرع من غيرها. ومن المثير للاهتمام أنه عندما كان المخطط يحتوي على أخطاء متعددة ومعقدة متسلسلة، كانت الطرق ذات النصوص الحرة تتفوق أحياناً بفارق طفيف، ولكن بالنسبة للغالبية العظمى من الأخطاء الصغيرة القابلة للإصلاح، كان النهج "الجراحي" باستخدام أدوات محددة هو الفائز.
كما تقدم الورقة مجموعة بيانات جديدة تسمى BLUEPRINTTRACE، والتي تسجل كل محاولة، ونجاح، وفشل. هذا يشبه الصندوق الأسود في الطائرات، الذي يسجل الرحلة، حيث يوضح بالضبط أين أخطأ الذكاء الاصطناعي ولماذا. أحد أهم القواعد في هذا النظام هو أنه لا يمكن للذكاء الاصطناعي تغيير الهدف النهائي (النظرية المستهدفة). إذا حاول الذكاء الاصطناعي تغيير السؤال الذي يُفترض به الإجابة عليه، فإن النظام يرفضه فوراً. هذا يضمن أن الذكاء الاصطناعي يحل بالفعل المسألة المعطاة له، وليس مجرد إيجاد مسألة أسهل.
باختصار، تشير الورقة إلى أنه عندما يكون مخطط الذكاء الاصطناعي الرياضي صحيحاً في معظمه ولكن به بعض الأجزاء المكسورة، فإن إعطاءه مجموعة محددة من الأدوات لإصلاح تلك الأجزاء هو طريقة أذكى وأسرع وأرخص من تركه يعيد كتابة الشيء برمته. إنه الفرق بين جراح يقوم بشق دقيق لإزالة ورم وبين فريق هدم يهدم المستشفى بأكمله لإصلاح أنبوب مسرب. بينما قد يتمكن فريق الهدم من إنجاز المهمة في النهاية، إلا أن الجراح يصل إلى الهدف بضرر أقل وتكلفة أقل. لا تدعي الدراسة أن هذا هو الحل المثالي لكل مسألة رياضية، ولكن بالنسبة لنوع "الأخطاء الموضعية" التي اختبروها، فإن التعديلات المحلية المحددة هي المسار الأكثر كفاءة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.