تخيل أنك تشاهد لعبة فيديو جماعية ضخمة وفوضوية حيث يركض مئات اللاعبين ويقفزون ويرمون الأشياء في آن واحد. في العالم الحقيقي، إذا نظرت أنت وصديقك إلى شجرة تسقط، فسترون كل منكما الشجرة نفسها وهي تلمس الأرض في نفس الوقت، حتى لو كنتما تقفان في أماكن مختلفة. لكن تعليم الكمبيوتر فهم هذا الأمر هو أمر صعب للغاية. عادةً ما تكون أجهزة الكمبيوتر التي تحاول التنبؤ بمستقبل مشهد ما — والتي تسمى "نماذج العالم" (world models) — مثل كاميرات لشخص واحد فقط. يمكنها تخمين ما سيراه شخص واحد في الخطوة التالية، ولكن إذا أضفت فجأة شخصاً ثانياً، أو مئة شخص، فسوف يرتبك الكمبيوتر. الأمر يشبه محاولة رسم صورة لحفلة من خلال معرفة كيفية رؤية ضيف واحد فقط؛ إذا حاولت إضافة المزيد من الضيوف، فإن الرسم غالباً ما ينهار أو يتطلب منك إعادة رسم اللوحة بالكامل من الصفر. لقد حاول العلماء بناء "محاكي عالمي" يمكنه التعامل مع أي عدد من اللاعبين دون أن ينهار، مع الحفاظ على اتساق العالم للجميع، بغض النظر عن عدد الأشخاص الذين ينضمون للعبة.

يقدم هذا البحث نظاماً جديداً يسمى Khora، والذي يعمل كأنه "سيد لعبة" (game master) خفي وذكي جداً لهذه العوالم الافتراضية. بدلاً من إجبار الكمبيوتر على موازنة عدد ثابت من اللاعبين، يقوم Khora بفصل "قواعد العالم" عن "منظور الكاميرا". فكر في الأمر كأنه سبورة بيضاء مشتركة في منتصف الغرفة. يكتب الجميع أفعالهم وملاحظاتهم على هذه السبورة (التي يسميها المؤلفون STBoard). عندما يريد لاعب ما رؤية ما يحدث، فإنه لا يسأل اللاعبين الآخرين مباشرة؛ بل ينظر ببساطة إلى السبورة ويرسم ما يراه من موقعه الخاص. ولأن السبورة لا تهتم بعدد الأشخاص الموجودين في الغرفة، يمكنك إضافة لاعب جديد في أي لحظة، ويمكنه البدء فوراً في قراءة اللوحة ورسم رؤيته الخاصة دون أن يحتاج أي شخص لإعادة تعلم كيفية اللعب.

وجد الباحثون أن هذا النهج يعمل بشكل رائع. في اختباراتهم، بدأوا بمجموعة صغيرة من الوكلاء (شخصيات افتراضية) ثم أضافوا فجأة المزيد، ليصلوا إلى 64 منظوراً مختلفاً في وقت واحد. لم يحتج النظام إلى إعادة تدريب أو تغيير؛ فقد حافظ على اتساق العالم باستمرار. وسواء كان الوكيل يرمي قنبلة يدوية أو مجرد يمشي، فقد رأى الجميع نفس الحدث يقع في نفس الوقت. كان النظام أيضاً سريعاً: فحتى مع وجود 80 وكيلاً، كان الوقت المستغرق لتوليد خطوة واحدة من المحاكاة ينمو بشكل طفيف، حيث ظل في حدود 116 مللي ثانية. وهذا يشير إلى أنه يمكننا أخيراً بناء محاكاة للعالم المفتوح حيث يمكن لآلاف الوكلاء التفاعل في الوقت الفعلي، وكل منهم يرى واقعاً متسقاً واحداً، دون أن يصاب الكمبيوتر بالإرهاق.

المشكلة: فخ "المقعد الثابت"

تخيل أنك في حفلة عشاء، لكن الطاولة بها أربعة كراسي بالضبط. إذا وصل صديق خامس، فلا يمكنك مجرد سحب كرسي له؛ بل يجب عليك بناء طاولة جديدة بالكامل، ونقل الطعام، وإعادة ترتيب الغرفة بأكملها. هكذا تعمل معظم "نماذج العالم متعددة الوكلاء" الحالية. يتم تدريبها على عدد محدد من اللاعبين. إذا أردت محاكاة معركة تضم 1و10 جنود، فأنت تدرب نموذجاً لـ 10 جنود. وإذا أردت فجأة إضافة جندي حادي عشر، فإن النموذج سينهار. إنه يشبه لعبة فيديو تتوقف عن العمل إذا حاولت إضافة لاعب بعد بدء اللعبة.

يجادل المؤلفون بأن هذه هي الطريقة الخاطئة للتفكير في العالم. في الحياة الواقعية، لا تهتم قوانين الفيزياء بعدد الأشخاص الموجودين في الغرفة. الجاذبية تعمل بنفس الطريقة سواء كان هناك شخص واحد أو مليون شخص. المشكلة في الذكاء الاصطناعي الحالي هي أنه يحاول تعلم "القواعد" عبر حفظ تفاعلات محددة بين مجموعة ثابتة. إذا تغيرت المجموعة، تبدو القواعد وكأنها تتغير أيضاً. يقترح البحث أنه بدلاً من إجبار الذكاء الاصطناعي على حفظ كل التشكيلات الممكنة للاعبين، يجب أن نعلمه كيفية الحفاظ على "حقيقة" واحدة مشتركة عن العالم، ثم نترك كل لاعب يكتشف رؤيته الخاصة من تلك الحقيقة.

الحل: السبورة البيضاء المشتركة (STBoard)

يحل Khora هذه المشكلة عن طريق تقسيم المهمة إلى جزأين متميزين: إبقاء العالم حياً و رسم الصورة.

1. السبورة البيضاء المشتركة (STBoard): هذا هو عقل العملية. إنه ذاكرة مستمرة تحتفظ بـ "حقيقة" العالم. يعرف مكان كل جسم، وأين يقف كل وكيل، وماذا يفعلون. والأهم من ذلك، أن هذه السبورة ليس لها عدد ثابت من الخانات. إنها قائمة ديناميكية. إذا دخل وكيل جديد، يقوم النظام ببساً إضافة مدخل جديد للقائمة. وإذا غادر وكيل، فإنه يحذف المدخل ببساطة. السبورة لا تهتم بعدد المدخلات الموجودة عليها.
2. التطور المشروط بالأفعال (Action-Conditioned Evolution): هذا هو الجزء الذي يقوم بتحديث السبورة. عندما يقرر وكيل ما التحرك أو رمي شيء ما، يحسب النظام كيف يغير هذا الفعل حالة العالم. يتنبأ بمكان الوكيل في الخطوة التالية ويحدث السبورة وفقاً لذلك. يحدث هذا قبل رسم أي صور.
3. توليد المشهد (الكاميرا): هذا هو الفنان. عندما يريد وكيل ما رؤية ما يحدث، يأخذ النظام الحالة الحالية للسبورة ويعرضها على صورة ثنائية الأبعاد، تماماً مثل عدسة الكاميرا. ولأن الفنان يحتاج فقط للنظر إلى السبورة وزاوية الكاميرا المحددة، فهو لا يحتاج للتحدث مع الفنانين الآخرين. يتم رسم كل منظور بشكل مستقل بناءً على نفس الحقيقة المشتركة.

لماذا يعد هذا أمراً مهماً للغاية؟

إن سحر Khora يكمن في أنه يكسر الارتباط بين عدد اللاعبين وبين تعقيد عقل الكمبيوتر. في الأنظمة القديمة، كان إضافة المزيد من اللاعبين يعني أن الكمبيوتر يتعين عليه القيام بقدر هائل من العمل الإضافي للتأكد من أن الجميع متفقون على ما يحدث. كان الأمر يشبه محاولة جعل 100 شخص يتفقون على قصة من خلال جعلهم جميعاً يتحدثون في وقت واحد؛ يصبح الأمر فوضوياً وبطيئاً بسرعة كبيرة.

مع Khora، يحدث "الاتفاق" على السبورة، وليس في عملية الرسم. يقوم الكمبيوتر بتحديث حالة العالم مرة واحدة، وبعد ذلك يمكن لأي شخص أن يسأل: "ماذا أرى من هنا؟" ويحصل على إجابة فورية. يوضح البحث أن هذا يسمح للنظام بالتوسع بشكل خطي تقريباً. وهذا يعني أنه إذا ضاعفت عدد الوكلاء، فستضاعف العمل فقط، بدلاً من أن يتضخم بشكل انفجاري.

النتائج: عالم ينمو

اختبر الباحثون Khora بعدة طرق مختلفة لمعرفة ما إذا كان يعمل حقاً.

• الجودة البصرية: تحققوا مما إذا كانت الصور تبدو جيدة. حتى مع وجود 8 مناظير مختلفة، كانت الصور حادة وواضحة. حافظ النظام على الجودة ولم يصبح ضبابياً لمجرد وجود المزيد من الناس للمراقبة.
• الاتساق: كان هذا هو الاختبار الأكبر. طلبوا من حكام بشريين مشاهدة مقاطع فيديو من زوايا مختلفة ومعرفة ما إذا كانت الأحداث متطابقة. على سبيل المثال، إذا رمى الوكيل (أ) كرة، هل رأى الوكيل (ب) الكرة وهي تطير في نفس الوقت وفي نفس الاتجاه؟ سجل Khora درجة عالية جداً. لقد حافظ على اتساق العالم، بينما أظهرت الأنظمة التي تفتقر إلى السبورة المشتركة تناقضات، مثل كرة تتحرك في عرض ما ولكنها تظل ثابتة في عرض آخر.
• السكان الديناميكيون: قاموا بمحاكاة سيناريو ينضم فيه الوكلاء ويغادرون اللعبة في منتصف التشغيل. بدأوا بوكيلين، ثم أضافوا اثنين آخرين، ثم أزالوا أول اثنين. تعامل النظام مع الأمر بسلاسة. ظهر الوكلاء الجدد بشكل طبيعي، واختفى القدامى دون كسر المحاكاة. لم تكن هناك حاجة لإعادة التدريب.
• السرعة: قاموا بقياس الوقت المستغرق لتوليد إطار واحد. مع وكيل واحد، استغرق الأمر 107 مللي ثانية. ومع 80 وكيلاً، استغرق الأمر 117 مللي ثانية. هذه زيادة طفيفة مقابل قفزة هائلة في التعقيد. استطاع النظام عرض 37 مشهداً في الثانية مع وكيل واحد، وأكثر من 2,700 مشهد في الثانية عند توزيعه على 80 وحدة معالجة رسومية (GPUs).

ماذا يعني هذا للمستقبل؟

يشير المؤلفون إلى أن هذا النهج يمكن أن يكون خطوة نحو محاكاة حقيقية للعالم المفتوح. تخيل مدينة افتراضية تعيش فيها آلاف الشخصيات الذكية، وتعمل وتتفاعل، ويمكنك القفز إلى منظور أي منها في أي وقت. أو فكر في تدريب الروبوتات في محاكاة حيث يمكنها التدرب مع مئات الروبوتات الأخرى، لتعلم كيفية التنقل في المساحات المزدحمة دون أن تنهار المحاكاة.

ومع ذلك، يوضح البحث أن هذا ليس عصا سحرية بعد. لا يزال النظام يحتاج إلى خريطة أساسية للبيئة (مقدمة ثابتة خشنة) للبدء، لذا لا يمكنه القفز ببساطة إلى عالم غير معروف تماماً دون أي إعداد. وأيضاً، رغم أن النظام سريع، إلا أنه لا يزال يتطلب قدرة حوسبية كبيرة لتوليد كل تلك المناظير، خاصة إذا كنت تريد محاكاة آلاف الوكلاء في وقت واحد. لكن الفكرة الجوهرية — وهي أنه يمكننا فصل "قواعد العالم" عن "مناظير الكاميرا" — تبدو مساراً صلباً نحو جعل محاكاة الذكاء الاصطناعي أكثر مرونة وواقعية.

باخت-اختصار، يثبت Khora أنك لست بحاجة لإعادة بناء المنزل بالكامل في كل مرة يصل فيها ضيف جديد. أنت فقط بحاجة إلى سبورة بيضاء مشتركة جيدة وبعض الفنانين الذين يعرفون كيفية الرسم منها.