← أحدث الأبحاث
💻 computer science

Tycho: Active Abstraction with Programmatic World Models for ARC-AGI-3

تقدم الورقة البحثية Tycho، وهو نظام وكيل برمجي يعالج تحدي ARC-AGI-3 من خلال صياغة البيئات كآلات مور (Moore machines) ذات معاملات، وتوظيف "التجريد النشط" لبناء واختبار وإصلاح نماذج عالم قابلة للتنفيذ ديناميكيًا، محققًا كفاءة إعادة تشغيل بشرية مثالية في جميع المستويات الـ 183 مع تقليل عدد الإجراءات بشكل كبير مقارنة بالمعايير البشرية المرجعية.

المؤلفون الأصليون: Jens Lehmann, Andrei Aioanei, Sahar Vahdati

نُشر 2026-07-31
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Jens Lehmann, Andrei Aioanei, Sahar Vahdati

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 أُلقيت في لعبة فيديو جديدة تماماً، بلا دليل مستخدم، ولا دروس تعليمية، ولا وسيلة لطلب المساعدة. لا يمكنك سوى رؤية الشاشة، والضغط على زر، ومراقبة ما سيحدث بعد ذلك. لكي تفوز، عليك اكتشاف القواعد الخفية، وتخمين الهدف، والقيام بكل ذلك دون إضاعة حركة واحدة، لأن كل ضغطة زر تُحتسب ضد نتيجتك. هذا هو تحدي التجريد النشط: تعلم كيفية عمل عالم ما من خلال القيام بأشياء فيه، بدلاً من مجرد حفظ الإجابات. يطلق العلماء على هذا اسم "اكتساب المهارة"، وهو ببساطة القدرة على تعلم خدعة جديدة بسرعة من خلال محاولات قليلة فقط، بدلاً من الحاجة إلى التدرب مليون مرة. السؤال الكبير هو: هل يمكن للكمبيوتر أن يتعلم لعب هذه الألعاب الغامضة كما يفعل البشر—عن طريق المراقبة، والتخمين، ثم استخدام تلك القواعد للتخطيط مسبقاً؟

تقدم هذه الورقة نظاماً يسمى Tycho (سُمي تيمناً بالفلكي تيكو براهي، الذي رسم خرائط النجوم بدقة متناهية لدرجة مكنت الآخرين لاحقاً من اكتشاف قوانين الكون) للإجابة على هذا السؤال. "تيكو" هو "وكيل برمجي" مصمم للعب مجموعة محددة من الألغاز الصعبة تسمى ARC-AGI-3. وبدلاً من مجرد تخمين الخطوة التالية، يحاول "تيكو" كتابة برنامج كمبيوتر صغير يعمل كمحاكٍ للعبة نفسها. إنه يراقب اللعبة، ويكتب كوداً يتنبأ بما سيحدث إذا ضغط على زر، ويتحقق مما إذا كان هذا الكود صحيحاً، ثم يستخدم هذا الكود للتخطيط لتحركاته. اختبر الباحثون أربع طرق مختلفة يمكن لـ "تيكو" من خلالها استخدام هذا المحاكي: تجاهله تماماً، أو جعل العقل الرئيسي يكتب الكود بنفسه، أو طلب من بوت مساعد كتابة الكود، أو إصلاح الكود تلقائياً كلما ارتكب خطأً.

كانت النتائج مفاجئة ودقيقة. وجد الفريق أن مجرد امتلاك محاكٍ ليس كافياً؛ بل إن الاستراتيجية المتعلقة بمتى يُستخدم هذا المحاكي هي الأكثر أهمية. كانت الطريقة الأفضل هي التفويض بطلب من الفاعل (actor-requested delegation)، حيث يطلب الوكيل الرئيسي من مساعد متخصص بناء محاكي اللعبة فقط عندما يعتقد أن ذلك ضروري. حققت هذه الطريقة أعلى كفاءة بين الاختبارات الأولية. وعندما أخذوا هذه الاستراتيجية الفائزة وأعطوها لأقوى نموذجين من نماذج الذكاء الاصطناًعي المتاحة (GPT-5.6 Sol وOpus 5)، كانت النتائج مذهلة: فقد حلا 100% من الـ 25 لعبة عامة وجميع المستويات الـ 183 داخلها. وكان نموذج Opus 5 فعالاً بشكل خاص، حيث استخدم 61% أقل من الإجراءات التي استخدمها متوسط اللاعب البشري لإكمال نفس المستويات.

ومع ذلك، تحذر الورقة من فخ شائع. فقد وجدوا أن بناء محاكٍ يتنبأ بدقة بكل بكسل في اللعبة (دقة عالية) لا يضمن لك الفوز بالضرورة. إحدى الاستراتيجيات، والتي تسمى "الإصلاح التلقائي"، بنت محاكيات كانت دقيقة للغاية في التنبؤ بما يحدث بعد ذلك، لكن الوكيل ظل يلعب بشكل سيء لأنه لم يكن يعرف ماذا يهدف إليه أو متى يتوقف عن استخدام المحاكي. الأمر يشبه امتلاك خريطة مثالية لمتاهة ولكن دون معرفة أين المخرج. تخلص الورقة إلى أن الذكاء الحقيقي ليس مجرد بناء نموذج مثالي للعالم؛ بل هو "التجريد النشط" المتمثل في تقرير متى تبني نموذجاً، ومتى تثق به، ومتى تتجاهله وتكتفي بالعمل فقط. لقد أظهر "تيكو" أنه من خلال معاملة اللعبة كمجموعة من القواعد التي يجب اكتشافها واختبارها، بدلاً من مجرد صورة يجب حلها، يمكن للذكاء الاصطناعي أن يتعلم لعب ألعاب جديدة بكفاءة تشبه كفاءة البشر.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →