VeriTrace: Human-Like Temporal Exploration Completes Agentic Action Space

تخيل أنك تحاول تعليم روبوت بناء آلة معقدة، مثل لعبة تعمل بنظام التروس، باستخدام وصف مكتوب فقط. أنت تعطي الروبوت التعليمات، وهو يحاول بناء اللعبة. ولكن في بعض الأحيان، لا تعمل اللعبة كما ينبغي. في عالم علوم الحاسوب، يسمى هذا "تصميم الأجهزة" (hardware design)، وتُكتب التعليمات بلغة خاصة تسمى "فيريلوج" (Verilog). لفترة طويلة، أصبحت البرامج الحاسوبية الذكية المعروفة باسم "نماذج اللغات الكبيرة" (LLMs) بارعة جداً في قراءة هذه التعليمات وكتابة الكود لبناء الآلة. ومع ذلك، عندما تتعطل الآلة، غالباً ما تتعثر هذه البرامج. يمكنها رؤية أن اللعبة معطلة، لكنها لا تستطيع معرفة "السبب"، لأنها غير مسموح لها بالنظر عن كثب إلى الأجزاء المتحركة في الداخل. إنها تشبه الميكانيكي الذي يسمع طرقعة في المحرك، لكنه ممنوع من فتح غطاء المحرك أو استخدام مفتاح ربط لفحص تروس معينة. هذه الورقة البحثية، التي كتبها باحثون من جامعة ميريلاند، تعالج هذه المشكلة تحديداً: كيف نمنح هؤلاء "الميكانيكيين" من الذكاء الاصطني، حرية استقصاء العمليات الداخلية للآلة تماماً كما يفعل الخبير البشري.

لاحظ الباحثان، يو-تونغ ليو وكونسكي يو، أنه بينما يمكن للذكاء الاصطناعي كتابة الكود الأولي، فإنه يعاني عند محاولة إصلاحه عندما تسوء الأمور. كانت المحاولات السابقة لمساعدة الذكاء الاصطناعي على تصحيح الأخطاء (debugging) تتضمن إعطاءه "موجة" (waveform) — وهي خريطة مرئية لكيفية تغير إشارات الآلة بمرور الوقت. لكن الأنظمة القديمة كانت تشبه إعطاء محقق صورة لمسرح جريمة، مع منعه من اختيار الأدلة التي يريد فحصها أو تحديد الوقت الذي يجب التركيز عليه. كان الذكاء الاصطناعي مجبراً على النظر من خلال رؤية ضيقة ومحددة مسبقاً، مما أدى غالباً إلى تفويت السبب الحقيقي للخطأ. يطلق المؤلفون على هذا القصور اسم "فضاء إجراءات غير مكتمل" (incomplete action space). ويجادلون بأن الذكاء الاصطناعي، لكي يتمكن حقاً من إصلاح الكود، يحتاج إلى القدرة على اختيار الإشارات التي سيفحصها، ومتى ينظر إليها، وإلى متى سيستمر في الاستقصاء، محاكياً بذلك الطريقة التي يفكر بها المهندس البشري.

لحل هذه المشكلة، ابتكر الفريق نظاماً جديداً يسمى VeriTrace. فكر في VeriTrace كفريق من عمال الذكاء الاصطရာ المتخصصين؛ أحد العمال يكتب الكود، وآخر يتحقق مما إذا كان يعمل، وثالث، يسمى "المفتش"، يعمل كمحقق فضولي. وعلى عكس الأنظمة السابقة، يتمتع هذا المفتش بحرية كاملة؛ حيث يمكنه أن يقول: "أعتقد أن المشكلة تكم في هذا الترس تحديداً، ولكن فقط خلال الثانية الثانية من التشغيل"، ثم يقوم بالتقريب (zoom in) لفحص ذلك الجزء بدقة. وإذا كان تخمينه الأول خاطئاً، فإن المفتش لا يستسلم، بل يضع فرضية جديدة، ويختار نافذة زمنية مختلفة، ويعيد النظر مرة أخرى. تُسمى هذه العملية "الاستكشاف الزمني الوكيل" (Agentic Temporal Exploration). وهي تسمح للذكاء الاصطناعي ببناء فرضية، واختبارها مقابل الأدلة، وصقل فهمه خطوة بخطوة، تماماً كما يفعل البشر.

النتائج التي حققها هذا النهج الجديد مثيرة للإعجاب للغاية. فعند اختباره على مجموعة معيارية من 156 تحدياً برمجياً تسمى VerilogEval-V2، حقق VeriTrace درجة مثالية بلغت 100% في اختبار Pass@1. وهذا يعني أنه في المحاولة الأولى للكود المصحح النهائي، نجح في حل كل مشكلة بشكل صحيح. وهذه هي المرة الأولى التي يصل فيها نظام مفتوح المصدر إلى هذا المستوى من المثالية في هذا الاختبار المعياري المحدد. وحتى عند مقارنته بأنظمة قوية أخرى تستخدم نفس "الدماغ" الاصطناعي الأساسي (Claude Sonnet 4.0)، تفوق VeriTrace عليها بنسبة 5.1%، مما يثبت أن منح الذكاء الاصطناعي حرية الاستكشاف والتحقيق هو المفتاح لسد الفجوة النهائية في الدقة.

ومن المثير للاهتمام أن الباحثين وجدوا أن هذه الحرية لم تجعل الذكاء الاصطناعي أكثر ذكاءً فحسب، بل جعلته أيضاً أكثر كفاءة. فمن خلال طلب قطع المعلومات المحددة التي يحتاجها في كل خطوة، بدلاً من ضخ تاريخ تشغيل الآلة بالكامل في ذاكرته، قلل VeriTrace من كمية البيانات التي يتعين عليه معالجتها بنسبة 18%. وهذا يشير إلى أن السماح للذكاء الاصطناعي بطرح الأسئلة الصحيحة ليس فقط أفضل للعثور على الإجابة، بل يوفر أيضاً الكثير من الطاقة الحسابية. وتخلص الورقة البحثية إلى أنه بينما تعد نماذج الذكاء الاصطناعي قوية في حد ذاتها، فإن الطفرة الحقيقية تأتي من كيفية السماح لها باستخدام أدواتها. فمن خلال منحها القدرة على استكشاف الزمن والإشارات بحرية، يمكننا تحويلها من مجرد مولدات كود جامدة إلى حلالي مشكلات حقيقيين.