تخيل أنك تحاول تعليم روبوت فهم العالم. في الوقت الحالي، تتعلم معظم الروبوتات من خلال النظر إلى الصور وقراءة الكلمات، ثم محاولة الربط بينهما. وعادة ما تفعل ذلك في مساحة ذهنية "مسطحة"، مثل ورقة رسم بياني عملاقة ولا متناهية. على هذه الورقة المسطحة، يكون كل شيء مجرد نقطة، والمسافة بين النقاط تخبر الروبوت بمدى تشابه شيئين. لكن العالم الحقيقي ليس مسطحاً؛ بل هو مليء بالطبقات. فكلمة "كلب" هي نوع محدد من "الحيوان"، والذي هو بدوره نوع من "الكائنات الحية". هذا النوع من التسلسل الهرمي — حيث تقع الأفكار الكبيرة والعامة في الأعلى وتتفرع منها التفاصيل الصغيرة والدقيقة في الأسفل — يصعب رسمه على ورقة مسطحة دون أن يصبح كل شيء مضغوطاً وفوضوياً.

لحل هذه المشكلة، بدأ العلماء في استخدام نوع مختلف من الهندسة يسمى "الفضاء الزائدي" (Hyperbolic Space). فكر في هذا ليس كصفيحة مسطحة، بل كشعاب مرجانية ضخمة ومتوسعة أو كقمع يتسع كلما ابتعدت عنه. في هذا الشكل، يمكنك استيعاب كم هائل من المعلومات المعقدة والمتعددة الطبقات دون أن تصبح مزدحمة. إنه مثالي لتنظيم الأفكار من الأكثر عمومية (مثل "حيوان" بالقرب من المركز) إلى الأكثر تحديداً (مثل "كلب جولدن ريتريفر مرهق" بعيداً عند الحافة). لكن الجزء الصعب هنا هو: ماذا يحدث عندما يتعلم الروبوت أشياء جديدة بمرور الوقت؟ إذا استمررت في إضافة دروس جديدة إلى هذه الشعاب المرجانية، فقد يتشوه الشكل بأكته ويتلوى، مما يؤدي إلى نسيان الروبوت لكل ما تعلمه بالأمس. هذا ما يسمى بـ "النسيان الكارثي"، وهو مشكلة كبيرة في بناء ذكاء اصطناعي ذكي وقادر على التعلم المستمر.

يتناول هذا البحث هذه المشكلة تحديداً. فقد تساءل الباحثون، جياهونج ليو وفريقه: "كيف نعلم الروبوت أشياء جديدة في هذا العالم المنحني الشبيه بالشعاب المرجانية دون كسر الشكل وفقدان الذكريات القديمة؟" اكتشفوا أنه لمن أجل منع الروبوت من النسيان، لا يمكنك تحديث عقله كما تشاء. بدلاً من ذلك، يجب عليك تحريك معرفته بطرق محددة وصارمة تحافظ على شكل الشعاب المرجانية سليماً. لقد بنوا طريقة جديدة تسمى HMCL (التعلم المستمر متعدد الوسائط الزائدي)، والتي تعمل مثل مهندس معماري صارم، تضمن أن كل درس جديد يتناسب تماماً مع الهيكل الحالي دون تشويهه. تظهر تجاربهم أن هذه الطريقة تعمل بشكل أفضل بكثير من التقنيات القديمة، حيث تقلل من نسيان الروبوت بفارق هائل — يصل إلى 88% أقل نسياناً في بعض الحالات — بينما تسمح له أيضاً بتعلم مهام جديدة بفعالية.

قصة الدماغ المنحني

الإعداد: روبوت يتعلم داخل قمع
تخيل أنك تبني مكتبة لروبوت. معظم المكتبات تُبنى على أرضيات مسطحة، حيث توضع الكتب في صفوف. لكن مكتبة الروبوت الخاص بنا مبنية داخل قمع سحري ضخم (وهذا هو الفضاء الزائدي). في هذا القمع، توجد الكتب الأكثر أهمية وعمومية (مثل "العلوم" أو "الفن") بالقرب من القمة الضيقة، وكلما نزلت وتوسعت، تتمدد الرفوف لتستوعب ملايين الكتب المحددة (مثل "الفيزياء الكمية" أو "الرسم الانطباعي"). هذا الشكل مذهل لأنه يسمح للروبوت برؤية كيفية اتصال كل شيء ببعضه: الكتاب المحدد يكون دائماً "تحت" فئته العامة.

يتعلم الروبوت من خلال النظر إلى الصور وقراءة النصوص، محاولاً الربط بينهما داخل هذا القمع. لكن الحياة لا تتوقف. تصل كتب جديدة كل يوم، وعلى الروبوت تعلمها واحداً تلو الآخر، دون أن يرى الكتب القديمة مرة أخرى. هذا هو "التعلم المستمر".

المشكلة: القمع يتشوه
هذا هو الكارثة التي تحدث عادةً. عندما يحاول الروبوت تعلم كتاب جديد، فإنه يدفع الرفوف من حوله لإفساح المجال. في مكتبة عادية ومسطحة، لا بأس بذلك. ولكن في قمعنا السحري، فإن دفع الرفوف يغير شكل المبنى بأكله. قد ينضغط قسم "العلوم"، أو يتمدد قسم "الفن" أكثر من اللازم.

ولأن ذاكرة الروبوت تعتمد كلياً على شكل القمع لمعرفة ماهية الأشياء، فعندما يتشوه الشكل، يصاب الروبوت بالارتباك. قد ينظر إلى صورة كلب ويعتقد فجأة أنه قط، أو ينسى أن "البودل" هو نوع من أنواع "الكلاب". المعرفة القديمة لا تتلاشى فحسب؛ بل تتشوه وتتحطم. يطلق الباحثون على هذا اسم "النسيان الكثاف"، وهو يشبه استيقاظ الروبوت وهو يعاني من فقدان الذاكرة في كل مرة يتعلم فيها شيئاً جديداً.

الاكتشاف: القاعدة الذهبية للحركة
أدرك الفريق أن سبب تحطم القمع هو أن الروبوت كان يحرك معرفته في الاتجاهات الخاطئة. طرحوا سؤالاً عميقاً: "ما نوع الحركة التي تحافظ على شكل القمع مثالياً؟"

وجدوا إجابة مفاجئة. للحفاظ على سلامة الشكل، لا يمكن للروبوت مجرد تحريك معرفته بشكل عشوائي. بدلًا من ذلك، في كل مرة يتعلم فيها شيئاً جديداً، يجب عليه تدوير هيكل ذاكرته بالكامل بطريقة متزامنة ومحددة للغاية. تخيل أنك تمسك بكرة أرضية تدور. إذا أردت إضافة ملصق جديد دون تمزيق الخريطة، فعليك تدوير الكرة الأرضية بأكملها بحيث يتناسب الملصق تماماً مع الشبكة الموجودة. لا يمكنك مجرد شد المطاط.

يثبت البحث أنه لكي يتذكر الروبوت كل شيء، يجب عليه تطبيق "دوران مشترك" على جميع ذكرياته. وهذا يعني أن العلاقة بين الصورة ووصفها (مثل الكلب وكلمة "كلب") يجب أن تظل على نفس المسافة بالضبط، والتسلسل الهرمي (الكلب تحت الحيوان) يجب أن يظل على نفس العمق تماماً. إذا حاول الروبوت التعلم بأي طريقة أخرى، سينكسر القمع.

الحل: HMCL
بناءً على هذا الاكتشاف، بنى الفريق طريقة تدريب جديدة تسمى HMCL. فكر في HMCL كحارس بوابة صارم لعقل الروبوت. في كل مرة يحاول فيها الروبوت تعلم مهمة جديدة، يقوم HMCL بفحص التغييرات المقترحة.

• "مهلاً، أنت تحاول تمديد فئة 'الكلب'؟ لا، هذا يكسر القمع!"
• "أنت تحاول تدوير الشيء بأكمله بشكل مثالي؟ حسناً، هذا مسموح به."

يجبر HMCL الروبوت على إجراء التحديثات التي تعمل فقط كعمليات دوران مثالية هذه. هو لا يخمن فحسب؛ بل يستخدم الرياضيات لحساب الاتجاه الدقيق الذي يمكن للروبوت من خلاله التعلم دون كسر الشكل. إنه يشبه إعطاء الروبوت عجلات تدريب لا تسمح له بالتحرك إلا في الاتجاهات التي تحافظ على هندسة القمع.

النتائج: نسيان أقل، تعلم أكثر
اختبر الفريق هذه الطريقة على مجموعة من أدمغة الروبوتات المختلفة (تسمى backbones) باستخدام مهام من العالم الحقيقي مثل تحديد الحيوانات في الصور أو مطابقة الصور مع الجمل. قارنوا طريقة HMCL الجديدة بالطرق القديمة التي لم تكن تعرف شكل القمع.

كانت النتائج واضحة. كانت الطرق القديمة سيئة جداً في التذكر؛ فقد نسيت كل ما تعلمته تقريباً، مع "درجات نسيان" سلبية للغاية (مثل -6.46 على مقياس حيث الصفر هو المثالي). ولكن مع HMCL، انخفض النسيان بشكل كبير. في أحد الاختبارات، تحسنت درجة النسيان من -6.46 إلى -0.74 فقط. هذا يمثل انخفاضاً بنسبة 88.5% في النسيان!

لم يتذكر الروبوت بشكل أفضل فحسب؛ بل تعلم الأشياء الجديدة بشكل أسرع أيضاً. ولأن شكل القمع ظل مستقراً، استطاع الروبوت الاستمرار في إضافة كتب جديدة دون أن تنهار المكتبة بأكملها. أظهر الباحثون أن هذا نجح مع أنواع مختلفة من الروبوتات وأنواع مختلفة من المهام، مما يثبت أن الحفاظ على الهندسة الصحيحة هو سر الذكاء الاصطناعي القادر على التعلم المستمر.

لماذا هذا مهم؟
هذا البحث لا يقول فقط "هذا يعمل"، بل يشرح لماذا يعمل. يخبرنا أنه إذا أردنا للذكاء الاصطناعي أن يستمر في التعلم للأبد دون أن يفقد عقله، فلا يمكننا مجرد إلقاء البيانات عليه. يجب علينا احترام شكل معرفته. من خلال التعامل مع عقل الروبوت كعالم منحني ومتوسع بدلاً من ورقة مسطحة، ومن خلال إجباره على التحرك بطرق تحترم هذا الانحناء، يمكننا بناء آلات تنمو حقاً لتصبح أكثر ذكاءً بمرور الوقت، وتتذكر ماضيها بينما تحتضن مستقبلها.