Backward through Time, Algebraically

تخيل عالماً لا تكتفي فيه الحواسيب باتباع قواعد جامدة، بل تتعلم كيف تبحر في غمار الزمن نفسه. في مجال الذكاء الاصطناي، تُدرب الأنظمة مثل الشبكات العصبية غالباً لاتخاذ قرارات بناءً على تسلسلات من الأحداث، مثل روبوت يتعلم المشي أو وكيل برمجيات يدير شبكة طاقة. ولتعليم هذه الأنظمة، يستخدم المهندسون نوعاً خاصاً من المنطق يصف كيفية سلوك النظام عبر فترة زمنية، مما يضمن عدم كسر قواعد السلامة أبداً وتحقيق الأهداف في نهاية المطاف. تقليدياً، كان هذا المنطق عبارة عن لعبة بسيطة من نعم أو لا: إما أن يتم استيفاء الشرط أو لا. ومع ذلك، فإن بيانات العالم الحقيقي نادراً ما تكون بهذه البساطة (أبيض أو أسود)؛ فهي غالباً ما تكون مزيجاً من الاحتمالات والقيم الناعمة، حيث قد يكون النظام "آمناً إلى حد كبير" أو "قريباً جداً" من هدفه. وعندما حاول المهندسون تطبيق منطق صارم (نعم أو لا) على هذه السيناريوهات الواقعية الضبابية، تعطلت عملية التدريب. لم يستطع الكمبيوتر التعلم من أخطائه لأن التغذية الراجعة التي يتلقاها كانت فظة للغاية؛ كان الأمر يشبه محاولة قيادة سفينة عبر إخبارها فقط بأنها "على المسار الصحيح" أو "خارج المسار"، دون أي معلومات حول مدى ابتعادها أو في أي اتجاه يجب أن تنعطف.

هذا هو التحدي الذي سعى كونستانتين كوغاليديسس لحله في عمله على المنطق الزمني الخطي. فقد أدرك أنه لكي تتعلم هذه الأنظمة الذكية بفعالية، يجب أن يكون المنطق المستخدم للحكم على أدائها سلساً وقابلاً للاشتقاق. وهذا يعني أنه بدلاً من القفزة المفاجئة من الفشل إلى النجاح، يجب أن يتلقى النظام إشارة مستمرة ولطيفة تشير بدقة إلى مدى قربه من النتيجة المنشودة. هذه الإشارة حاسمة لأنها تسم تسمح لخوارزمية التعلم بدفع سلوك النظام في الاتجاه الصحيح، خطوة بخوة. كانت المشكلة هي أن الطرق الموجودة لجعل المنطق "ناعماً" كانت إما شديدة الصلابة، أو بطيئة للغاية، أو معيبة رياضياً بطرق منعت النظام من التعلم بكفاءة عبر فترات زمنية طويلة. لم يتجه كوغاليديسس نحو اختيار طريقة واحدة جديدة للقيام بالأمور، بل من خلال بناء محرك مرن يمكنه اختبار وتشغيل العديد من المناهج الرياضية المختلفة، ليكتشف في النهاية منهجاً يعمل بشكل مثالي لمهمة التعلم عبر الزمن.

بدأت الرحلة بملاحظة بسيطة: الطريقة القياسية للتحقق مما إذا كان نظام ما يتصرف بشكل صحيح بمرور الوقت تتضمن النظر في تسلسل من الأحداث وطرح أسئلة مثل "هل سيحدث هذا الشرط في نهاية المطاف؟" أو "هل سيحدث هذا الشيء السيئ أباً؟". في عالم علوم الحاسوب القديم والجامد، كانت هذه الأسئلة تُجاب عبر مسح تسلسل الأحداث بالكامل واحداً تلو الآخر. وبينما نجح هذا في الحالات البسيطة، أصبح عائقاً عندما طالت التسلسلات أو عندما كانت البيانات ناعمة وضبابية. وجد الباحثون أن العديد من الطرق الشائعة المستخدمة لتليين هذه القواعد المنطقية كانت تعاني من خلل قاتل: فهي ستتوقف في النهاية عن تقديم تغذية راجعة مفيدة. فبينما يحاول النظام التعلم عبر فترة زمنية طويلة، فإن الإشارة التي تخبره بكيفية التحسن ستتلاشى تماماً، أو ستعلق عند قيمة قصوى، أو ستركز فقط على لحظة واحدة متجاهلة بقية اللحظات. كان الأمر كما لو أن معلماً يقيم مشروع طالب على مدار عام دراسي كامل، ثم قرر فجأة تقييم الصفحة الأخيرة فقط، أو تقييم المشروع بأكمله كنجاح أو فشل، تاركاً الطالب دون أي فكرة عن كيفية تحسين بقية العمل.

ولإصلاح ذلك، بنى كوغاليديسس نوعاً جديداً من محركات التقييم. فبدلاً من برمجة طريقة واحدة للتعامل مع المنطق، أنشأ إطار عمل يمكنه قبول أي نظام رياضي، أو "جبر"، يرغب المستخدم في تجربته. عمل هذا المحرك كمترجم عالمي، يأخذ القواعد المنطقية وتسلسل الأحداث ويمررها عبر أي قواعد رياضية يتم اختيارها. سمح هذا للفريق باختبار مجموعة واسعة من الأساليب الموجودة ورؤية كيفية سلوك كل منها. واكتشفوا أنه بينما كانت بعض الأساليب أنيقة رياضياً، إلا أنها فشلت في الممارسة العملية لأنها لم تستطع تقديم التغذية الراجعة المستمرة والمفيدة. أما الأساليب الأخرى فكانت سريعة ولكنها أنتجت نتائج شديدة الصلابة. كشف التحقيق عن وجود صلة عميقة بين الخصائص الرياضية لهذه الأنظمة وقدرتها على التعلم: فالسمات ذاتها التي جعلت بعض الأنظمة سريعة أو بسيطة كانت هي نفسها السمات التي تسببت في فشلها في تقديم تغذية راجعة مفيدة بمرور الوقت.

بعد اختبار عشرات المناهج المختلفة، وجد الباحثون أن أحداً من الأساليب الموجودة لم يستطع القيام بكل شيء بشكل مثالي. فبعضها كان بإمكانه تقديم حكم واضح على ما إذا كان النظام آمناً، لكنه لم يقدم أي تغذية راجعة مفيدة لتحسينه. وأخرى كانت قادرة على تقديم تغذية راجعة غنية، لكن أحكامها كانت تتغير اعتماداً على طول الفترة التي عمل فيها النظام، مما جعلها غير موثوقة. جاء الاختراق عندما أدركوا أنهم بحاجة إلى تغيير الفضاء الذي تتم فيه الحسابات. فبدلاً من محاولة إجبار المنطق على العمل ضمن القواعد القياسية للأرقام، قاموا برفع المشكلة إلى فضاء تجريدي جديد حيث يمكن إعادة ترتيب الحسابات لتكون سريعة ودقيقة في آن واحد. في هذا الفضاء الجديد، تمكنوا من دمج المعلومات من لحظات زمنية مختلفة بطريقة تحافظ على أهمية كل لحظة.

وكانت نتيجة هذا الاستكشاف أداة رياضية جديدة تسمى "mellowmax". تعمل هذه الأداة كآلية متوسطة متطورة يمكنها النظر في تسلسل طويل من الأحداث وتحديد ما إذا كان الشرط قد تحقق، دون فقدان القدرة على إخبار النظام بدقة بكيفية التحسن. وخلافاً للطرق السابقة، تضمن "mellowmax" أن كل لحظة في التسلسل تساهم في الإجابة النهائية. إنها لا تسمح للإشارة بالتلاشي مع مرور الوقت، ولا تجعل النظام يعلق عند لحظة واحدة. بل توفر تدفقاً مستمراً وناعماً من التغذية الراجعة يسمح لنظام التعلم بتعديل سلوكه بدقة، بغض النظر عن طول تسلسل الأحداث. وهذا يعني أنه يمكن الآن تعليم الذكاء الاصطناعي اتباع قواعد معقدة عبر فترات زمنية طويلة، مع تلقي توجيه واضح حول كيفية التحسن في كل خطوة، بدلاً من مجرد إخباره بالفشل في النهاية.

تكمن أهمية هذا العمل في قدرته على سد الفجوة بين القواعد المنطقية الجامدة والواقع المستمر والفوضوي لأنظمة التعلم. فمن خلال إنشاء محرك مرن يمكنه اختبار وتشغيل مناهج رياضية مختلفة، تمكن الباحثون من تحديد الخصائص المحددة التي تجعل النظام مناسباً للتعلم عبر الزمن. لقد أظهروا أنه من الممكن الحصول على كل من الحكم الموثوق على ما إذا كان النظام يتصرف بشكل صحيح، والإشارة الغنية والمستمرة لتوجيه تحسينه. يفتح هذا الاكتشاف الباب أمام أنظمة ذكاء اصطناعي أكثر قوة وموثوقية، يمكن تدريبها للتعامل مع مهام معقدة وحساسة للوقت بدقة أكبر. وتعد أداة "mellowmax" حلاً عملياً لمشكلة لطالما أعاقت تطوير هذه الأنظمة، حيث تقدم طريقة لتعليم الآلات التفكير في الزمن بطريقة سليمة رياضياً وفعالة حاسوبياً.

في النهاية، يثبت هذا العمل أن الطريق نحو ذكاء اصطناعي أفضل يتطلب غالباً التراجع خطوة للوراء لفحص الأدوات الأساسية التي نستخدمها لتعليمها. ومن خلال رفض قبول قيود الأساليب الحالية وبناء إطار لاستكشاف المشهد الكامل من الاحتمالات، وجد الباحثون طريقة لجعل المنطق يعمل في العالم الحقيقي. والنتيجة هي نظام يمكنه التعلم من أخطائه بمرور الوقت، من خلال تلقي تغذية راجعة واضحة ومتسقة توجهه نحو النجاح. هذا ليس مجرد تحسين نظري؛ بل هو أداة عملية يمكن استخدامها الآن لتدريب أنظمة أذكى وأكثر موثوقية. إن الرحلة من المنطق الصارم (نعم أو لا) إلى نظام مرن وصديق للتعلم تظهر أن أفضل طريقة للمضي قدماً هي أحياناً النظر إلى الوراء، وإعادة فحص الأسس لبناء شيء أقوى وأكثر قدرة.