تخيل عالماً لا تكون فيه الحواسيب التي توجه الروبوتات المستقلة أو تدير المباني الذكية مجرد آلات هشة ودقيقة، بل أنظمة قوية قادرة على العمل حتى عندما تكون ذاكرتها الداخلية تالفة قليلاً أو غير دقيقة. هذا هو الوعد الذي يقدمه مجال يسمى "بنية المتجهات الرمزية" (Vector Symbolic Architecture)، وهو طريقة للتفكير في الذكاء الاصطناعي تستلهم من كيفية تخزين الدماغ البشري للمعلومات. فبدلاً من الاعتماد على أرقام دقيقة وهشة، يستخدم هذا النهج أنماطاً ضخمة وعالية الأبعاد من البيانات التي يمكن دمجها ومقارنتها باستخدام رياضيات بسيطة. والفكرة الجوهرية هي أن هذه الأنماط عديدة ومتميزة لدرجة أنها يمكن أن تتداخل دون أن تسبب ارتباكاً، تماماً كما تسمح لك غرفة مزدحمة بالناس يتحدثون لغات مختلفة بالتركيز على محادثة واحدة دون أن تتحول الضوضاء الخلفية إلى جلبة مختلطة. وهذا النوع من المرونة يجعل هذا النهج جذاباً بشكل خاص للأجهزة الطرفية (Edge Devices) — وهي الحواسيب التي تعمل بطاقة محدودة أو في بيئات قاسية حيث لا يمكن ضمان تخزين مثالي للبيانات.

لقد أخذ الباحثون في جامعة كاليفورنيا، إيرفاين، ومعهم متعاونون، هذا المفهوم وطبقوه مباشرة على الطريقة التي تتعلم بها الآلات اتخاذ القرارات. وفي دراسة جديدة، قدموا طريقة تسمى "تدرج السياسة المتجهي الرمزي" (Vector-Symbolic Policy Gradient). ولفهم ما فعلوه، من المفيد أولاً فهم المشكلة التي يعالجونها. في "التعلم التعزيزي" (Reinforcement Learning)، يتعلم العميل الاصطناعي من خلال تجربة الأفعال ورؤية ما يحدث، ليبني تدريجياً استراتيجية لتعظيم المكافآت. تقليدياً، تُخزن هذه الاستراتيجية في شبكات عصبية معقدة، تشبه شبكات دقيقة من الروابط التي تتطلب ضبطاً دقيقاً. وإذا تعرضت الأرقام داخل هذه الشبكات للفساد بسبب بعض الضجيج الكهربائي أو عيب في التصنيع، فإن عملية اتخاذ القرار لدى العميل قد تنهار. وقد طرح الباحثون سؤالاً بسيطاً: هل يمكننا بناء نظام لاتخاذ القرار يكون مقاوماً بطبيعته لهذا النوع من التلف، نظام يتعلم عن طريق تخزين الذكريات بطريقة متسامحة بطبيعتها؟

والإجابة التي وجدوها هي نعم. فقد طور الفريق نظاماً يتم فيه تمثيل كل إجراء يمكن للعميل اتخاذه بواسطة نمط فريد عالي الأبعاد، أو ما يسمى بـ "المتجه الفائق" (Hypervector). عندما يلاحظ العميل محيطه، فإنه يحول تلك الملاحظة إلى نمط مشابه. ولتقرير ما يجب فعله، يتحقق النظام ببساطة من أي نمط إجراء يبدو أكثر تشابهاً مع الملاحظة الحالية. وتكمن عبقرية طريقتهم في كيفية تعلم النظام؛ فبدلاً من استخدام حسابات معقدة متعددة الخطوات لتعديل أوزانها الداخلية، يقوم النظام بتحديث ذاكرته في خطوة واحدة مباشرة. فعندما يتخذ العميل إجراءً جيداً ويتلقى مكافأة، يقوم النظام بتقوية الرابط بين نمط هذا الإجراء والملاحظة التي أدت إليه. وإذا كان الإجراء سيئاً، فإنه يضعف هذا الرابط. وهذه العملية مكافئة رياضياً لطريقة تعلم قياسية، ولكن يتم تنفيذها باستخدام عمليات الجمع والطرح البسيطة لهذه الأنماط الكبيرة، متبوعة بخطوة تطبيع (Normalization) للحفاظ على استقرار الأنماط.

وما يجعل هذا الاكتشاف مهماً هو ما يحدث للذاكرة بمرور الوقت. فبينما يتعلم العميل، فإنه لا يخزن قائمة بكل تجربة مر بها على الإطلاق، بل يقوم بضغط كل تلك التجارب في بنك ذاكرة ثابت الحجم. يصبح ذكرى كل إجراء بمثابة ملخص مضغوط لكل المرات التي كان فيها ذلك الإجراء مفيداً، موازناً بمدى جودة النتيجة. وهذا يعني أن النظام يمكنه التعلم بكفاءة دون الحاجة إلى تخزين كميات هائلة من البيانات الخام. علاوة على ذلك، أثبت الباحثون أن هذه الطريقة قوية للغاية ضد الأخطاء؛ فقد اختبروا ما سيحدث إذا انقلبت بعض البتات العشوائية في الذاكرة، محاكيين نوع الفساد الذي يحدث في الأجهزة غير الموثوقة. وبينما عانت الشبكات العصبية التقليدية والنماذج الخطية البسيطة من انخفاض كبير في الأداء تحت هذه الظروف، حافظ النظام القائم على المتجهات على ثباته. فقد تم تعويض الأخطاء وتوسيطها بفضل الحجم الهائل وبنية الأنماط، مما سمح للنظام بالاستمرار في اتخاذ القرارات الصحيحة حتى عندما كانت ذاكرته غير مثالية.

اختبر الفريق طريقتهم في مجموعة متنوعة من التحديات، بدءاً من مهام التحكم الكلاسيكية مثل موازنة عمود على عربة متحركة، وصولاً إلى التنقل في متاهات معقدة وإدارة الطاقة في أنظمة المباني متعددة الوكلاء. وفي هذه الاختبارات، تعلمت الطريقة الجديدة بسرعة تضاهي، وأحياناً تفوق، مناهج الشبكات العصبية القياسية. وحققت نتائج تنافسية في الوصول إلى الأهداف وتعظيم المكافآت، مما أثبت أنها لا تضحي بالأداء في سبيل المتانة. وفي مهام التنقل في المتاهة، حيث يجب على العميل تذكر التقاط مفتاح قبل فتح الباب، نجح النظام في تعلم تسلسل الأفعال. وفي محاكاة التحكم في المباني، حيث يجب على عدة وكلاء التنسيق لإدارة درجة الحرارة والرطوبة، أدى المنهج أداءً جيداً عبر مختلف الظروف المناخية.

ولعل الأهم من ذلك هو أن الدراسة أظهرت أن قدرة النظام على "التعميم" —أي قدرته على تطبيق ما تعلمه في موقف ما على موقف آخر مختلف قلياً— كانت مرتبطة مباشرة بكيفية إنشاء الأنماط الأولية. ووجد الباحثون أن اختيار كيفية تحويل الملاحظات الخام إلى هذه الأنماط عالية الأبعاد كان أمراً بالغ الأهمية؛ إذ أدت بعض طرق التحويل إلى تعلم أفضل وذكريات أكثر استقراراً من غيرها، مما يشير إلى أن "اللغة" التي يفكر بها العميل تعد حاسمة لنجاحه. ومع ذلك، بمجرد تدريب النظام، لم يكن بحاجة للاحتفاظ بالبيانات الخام لجلسات التدريب الخاصة به، حيث يمكنه التخلص من التاريخ والاعتماد فقط على الذاكرة المضغوطة ثابتة الحجم، مما يجعله فعالاً للغاية للنشر على الأجهزة الواقعية.

كما استكشف الباحثون كيف يؤثر حجم هذه الأنماط على الأداء، ووجدوا أن زيادة الأبعاد، أو عدد العناصر في كل نمط، يحسن قدرة النظام على التمييز بين المواقف المختلفة ويقلل التداخل بين الذكريات. ومع ذلك، لاحظوا أيضاً أن هذا التحسن يصل في النهاية إلى مرحلة الثبات، مما يعني وجود نقطة تعود متناقصة حيث لا يؤدي جعل الأنماط أكبر إلى فائدة كبيرة. وهذا التوازن بين حجم الذاكرة والأداء يعد اعتباراً عملياً للمهندسين الذين يحتاجون إلى وضع هذه الأنظمة على رقائق صغيرة.

في النهاية، يجسد هذا العمل الجسر الواصل بين المتانة النظرية والتطبيق العملي. فهو يثبت أنه من الممكن إنشاء وكلاء تعلم ليسوا فقط أكفاء وسريعين، بل أيضاً مرنين تجاه عيوب العالم الحقيقي. ومن خلال تمثيل القرارات كأنماط موزعة بدلاً من أرقام دقيقة، يتجنب النظام الهشاشة التي تعاني منها العديد من نماذج الذكاء الاصطناعي الحديثة. وتشير النتائج إلى مسار مستقبلي لنشر الأنظمة الذكية في البيئات التي تعتبر فيها الموثوقية أمراً بالغ الأهمية، من المركبات ذاتية القيادة التي تتنقل في طقس غير متوقع إلى الأجهزة الطبية التي تعمل في بيئات محدودة الموارد. لا يتطلب هذا المنهج أجهزة معقدة أو مراكز بيانات ضخمة؛ بل يعتمد على بنية رياضية بسيطة وأنيقة تحول نقطة الضعف المحتملة في الذاكرة الصاخبة إلى نقطة قوة. وكما يخلص الباحثون، فإن هذا النهج يقدم أساساً واعداً للجيل القادم من الذكاء الاصطناعي الطرفي القوي، مثبتاً أن أفضل طريقة لبناء آلة ذكية هي تركها تفكر في أنماط كبيرة جداً لدرجة أنها لا تنكسر.