CEDAR: Agent-Orchestrated Tree Search for Goal-Directed Optimization of Complex Systems

تخيل أنك تحاول خبز الكعكة المثالية، لكن ليس لديك وصفة. لديك فقط فكرة غامضة: "يجب أن تكون هشة، وحلوة، وليست ثقيلة جداً". في العالم الحقيقي، العديد من الأشياء - مثل كيفية نمو مدينة، أو كيفية انتشار فيروس، أو كيفية استجابة اقتصاد لقانون جديد - تشبه هذه الكعكة. إنها "أنظمة معقدة"، مما يعني أنها مكونة من أجزاء عديدة تتواصل مع بعضها البعض في حلقات. إذا غيرت شيئاً واحداً، فإنه يتردد صداه عبر النظام بأكل الطرق المفاجئة. لقد حاول العلماء بناء نماذج رقمية لهذه الأنظمة لعقود من الزمن للتنبؤ بالمستقبل، لكن الأمر كان كابوساً. عادةً، يتطلب الأمر خبيراً بشرياً لكتابة كود برمجي محدد وصعب للغاية، وحتى حينها، فإن محاولة ضبط النموذج للوصول إلى نتيجة مرغوبة تشبه محاولة توجيه سفينة عبر التخمين باتجاه الرياح.

الآن، إليك طريقة جديدة تسمى CEDAR. فكر فيها كفريق من الطهاة الآليين الأذكياء جداً والذين لا يكلون، يعملون معاً لابتكار وصفة تلك الكعكة المثالية من الصفر. بدلاً من أن يكتب الإنسان الكود، يستخدم CEDAR نوعاً خاصاً من الذكاء الاصطناعي (نموذج لغوي كبير - LLM) يعمل كـ "قاضٍ" و"محرر". يحاول المحرر إعادة كتابة الوصفة (الكود البرمجي) لجعل الكعكة أفضل، بينما يتذوق القاضي النتيجة ويعطيها درجة. ولكن إليك الخدعة السحرية: هم لا يخمنون عشوائياً فحسب؛ بل يستخدمون استراتيجية تسمى "بحث مونت كارلو في الشجرة" (Monte Carlo Tree Search)، وهي تشبه محققاً يستكشف متاهة ضخمة ومتفرعة. عند كل مفترق طرق، يسأل المحقق: "إذا سلكت هذا الطريق، هل سأجد كعكة أفضل؟". هذا يسمح للنظام باستكشاف آلاف النسخ المختلفة من الوصفة، والتعلم من أخطائه، وإيجاد مسارات قد لا يفكر فيها البشر أبداً. تُظهر الورقة أن فريق الروبوتات هذا يمكنه أخذ نموذج موجود فوضوي وتحسينه تلقائياً لتلبية أهداف مثل "نمو السكان مع الحفاظ على انخفاض التلوث"، ليفعل ذلك بشكل أسرع وأكثر إبداعاً من الطرق التقليدية.

الطاهي الآلي ومتاهة الاحتمالات

الفكرة الجوهرية لهذا البحث هي أنه يمكننا استخدام الذكاء الاصطناعي لتصميم وتحسين الأنظمة المعقدة تلقائياً، وهي نماذج لأشياء مثل الأنظمة البيئية، أو الاقتصادات، أو المجموعات السكانية. هذه الأنظمة صعبة لأنها مليئة بحلقات التغذية الراجعة - حيث يصبح مخرج جزء ما هو مدخل لجزء آخر، مما يخلق شبكة من السبب والنتيجة يصعب التنبؤ بها. تقليدياً، كان بناء هذه النماذج وظيفة بطيئة ويدوية يقوم بها الخبراء باستخدام برامج متخصصة وقديمة. إذا كنت تريد تغيير النموذج لمعرفة ما سيحدث إذا أضفت قاعدة جديدة، كان عليك إعادة كتابة الكود بنفسك.

يغير CEDAR قواعد اللعبة بتحويل هذا إلى عملية ذاتية القيادة. إنه يعامل إنشاء نموذج النظام كأنه لعبة استكشاف. يتم تمثيل النظام كقطعة من كود لغة بايثون (لغة برمجة شائعة) تحاكي كيفية تغير النظام بمرور الوقت. الهدف هو العثور على نسخة من هذا الكود تسلك السلوك الذي يريده الإنسان، مثل "تعظيم نمو السكان مع تقليل التلوث إلى أدنى حد".

للقيام بذلك، يستخدم CEDAR وكيلين من الذكاء الاصطناعي يعملان في حلقة:

1. المحرر: ينظر هذا الذكاء الاصطناعي إلى الكود الحالي ونتائج المحاكاة. ثم يقترح تغييرات على الكود. قد يعدل رقماً، أو يضيف علاقة جديدة بين المتغيرات، أو يغير كيفية عمل معادلة ما. إنه يعمل كطاهٍ مبدع يجرب مكوناً جديداً.
2. القاضي: يقوم هذا الذكاء الاصطناعي بتشغيل الكود الجديد، ويراقب المحاكاة وهي تحدث، ثم يقيمها مقابل الهدف. يعطي النسخة الجديدة درجة ويكتب تقريراً مفصلاً يشرح سبب نجاحها أو فشلها. إنه يعمل كناقد طعام يتذوق الكعكة.

لكن مجرد تجربة تغييرات عشوائية ليس كافياً. وهنا يأتي دور بحث مونت كارلو في الشجرة (MCTS). تخيل شجرة حيث جذعها هو نموذجك الأصلي. في كل مرة يقوم فيها المحرر بإجراء تغيير، تنمو منها فرع جديد. تحدد خوارزمية MCTS أي الفروع يجب استكشافها تالياً. هي لا تختار فقط الفرع الذي يبدو الأفضل حالياً؛ بل توازن بين استكشاف أفكار جديدة وغريبة (للعثور على الجواهر الخفية) وبين التعمق في المسارات الأكثر واعدة. هذا يمنع النظام من العلوق في حل "جيد بما يكفي" محلياً ويساعده في العثور على نتائج مذهلة حقاً.

التجارب: من ديناميكيات العالم إلى النمو السكاني

اختبر المؤلف CEDAR في تحديين رئيسيين ليرى مدى فعاليته.

التحدي الأول: كعكة "ديناميكيات العالم"
استخدم الاختبار الأول نموذجاً شهيراً ومعقداً يسمى "ديناميكيات العالم" (World Dynamics)، والذي يحاكي التطور المشترك للسكان، والموارد الطبيعية، والتلوث. النموذج الأصلي، الذي ابتكره خبير بشري في السبعينيات، أظهر أنه إذا تركت الأمور تسير فحسب، فإن السكان ينمون، والموارد تُستهلك، والتلوث ينفجر. كان الهدف من CEDAR هو تعديل هذا النموذج لإيجاد "نقطة مثالية" حيث يمكن للسكان النمو، ولكن دون نفاذ الموارد، مع بقاء التلوث منخفضاً.

كانت النتائج مثيرة للإعجاب. لم يجد CEDAR مجرد تحسين بسيط؛ بل اكتشف طرقاً جديدة تماماً لموازنة النظام. في إحدى عمليات التشغيل، تمكن من زيادة عدد السكان بمقدار 6.4 ضعف (من 1.65 مليار إلى 10.57 مليار) على مدار 200 عام، مع استنزاف 19.9% فقط من الموارد الطبيعية والحفاظ على تراكم التلوث عند مستويات منخفضة للغاية. هذا تحسن هائل مقارنة بالنموذج الأصلي، الذي أظهر استنزافاً هائلاً للموارد وطفرات في التلوث. تشير الورقة إلى أن "أدمغة" ذكاء اصطناعي مختلفة (مثل Claude و GPT-5.1) وجدت حلولاً مختلفة، مما يوضح أن CEDAR يمكنه اكتشاف مجموعة متنوعة من الطرق الصحيحة لحل المشكلة، وليس حلاً واحداً فقط.

التحدي الثاني: تخمين الوصفة من الكعكة
كان التحدي الثاني أصعب. أعطى الفريق CEDAR "نظاماً حقيقياً" (ground truth) - وهو نموذج سكاني معقد يحتوي على عناصر عشوائية وغير متوقعة (مثل معدل وفيات يتغير عشوائياً في كل خطوة). لم يخبروا CEDAR بالمعادلة لهذا النظام. بدلاً من ذلك، أعطوه سجلاً لأرقام السكان بمرور الوقت وطلبوا منه بناء نموذج يمكنه إعادة إنتاج ذلك السجل.

لجعل الاختبار عادلاً، قارنوا CEDAR بأداة تحسين قياسية تسمى Optuna. أعطوا Optuna ثلاثة مستويات مختلفة من المساعدة:

• بدون معادلات: مجرد رقمين بسيطين (معدلات المواليد والوفيات).
• معادلات بسيطة: حلقة تغذية راجعة أساسية.
• معادلات كاملة: الهيكل الرياضي الدقيق للنظام الحقيقي (الهيكل المعروف).

على الرغم من أن CEDAR بدأ بدون معادلات (كان عليه ابتكار الهيكل بنفسه)، إلا أنه تفوق على Optima حتى عندما أُعطي Optuna المعادلات الكاملة (الهيكل المعروف). في عمليات المحاكاة، حقق CEDER معدل خطأ أقل (مسافة L1 بلغت 2.22) مقارنة بـ Optuna مع المعادلات الكاملة (مسافة L1 بلغت 3.71). يشير هذا إلى أن CEDAR بارع جداً في استكشاف فضاء الاحتمالات لدرجة أنه يمكنه فهم القواعد الأساسية لنظام ما بمجرد النظر إلى البيانات، دون الحاجة إلى إخبار الإنسان بالمعادلات أولاً.

لماذا هذا مهم (وما الذي لا يفعله)

تشير الورقة إلى أن هذا النهج يمكن أن يجعل نمذجة الأنظمة المعقدة أكثر سهولة وتوافراً. فبدلاً من الحاجة إلى دكتوراه في ديناميكيات الأنظمة لكتابة الكود، يمكن للمستخدم ببساطة وصف هدف بلغة بسيطة، وسيقوم CEDER بالعمل الشاق. كما يوفر "قابلية التفسير"، بمعنى أن الذكاء الاصطناعي يشرح لماذا قام بالتغييرات. على سبيل المثال، في تجربة ديناميكيات العالم، أوضح الذكاء الاصطناعي أنه قلل استخدام الموارد بنسبة 25-40% وتوليد التلوث بنسبة 30-40% لتحقيق توازن أفضل. تساعد هذه التفسيرات البشر على فهم المقايضات التي يقوم بها الذكاء الاصطناعي.

ومع ذلك، فإن المؤلف حذر بشأن ادعاءاته. فقد ذكر أنه بينما كانت النتائج قوية في هذه المحاكاة، فإن الضمانات النظرية للمنهج (إثبات رياضي بأنه سيجد دائماً الإجابة الأفضل) لا تزال مسألة مفتوحة. كما أشار إلى أن "القاضي" و"المحرر" كلاهما نماذج لغوية كبيرة، مما يعني أن هناك خطراً ضئيلاً من أن يعزز كل منهما أخطاء الآخر، رغم أن هيكل البحث في الشجرة يساعد في منع ذلك. لا تدعي الورقة أن هذه مشكلة تم حلها لجميع سيناريوهات العالم الحقيقي، بل هي أداة قوية تشير إلى أننا يمكننا أتمتة اكتشاف سلوكيات الأنظمة المعقدة بطرق كانت مستحيلة سابقاً.

باختصار، CEDAR يشبه إعطاء فريق من المستكشفين الآليين خريطة لغابة شاسعة غير مستكشفة (فضاء جميع نماذج الأنظمة الممكنة) وبوصلة (الهدف). وبدلاً من التسكع بلا هدف، يستخدمون استراتيجية ذكية للعثور على أكثر المساحات جمالاً وفائدة، وغالباً ما يكتشفون مسارات لم يكن للمتنزه البشري أن يفكر في البحث عنها أبداً.