DraftFM: A FoundationModel for Day-Zero Drafting in Magic: The Gathering
يُعد DraftFM نموذجاً تأسيسياً يُمكّن من المسودة في اليوم صفر (day-zero drafting) في لعبة Magic: The Gathering عبر تقييم البطاقات غير المرئية باستخدام سماتها العامة وسياق المسودة فقط، محققاً أداءً بمستوى الخبراء دون الاعتماد على بيانات الاختيار التاريخية أو هويات البطاقات.
في عالم ألعاب الورق التنافسية، يبرز تحدٍ فريد في اللحظة التي يتم فيها الكشف عن مجموعة جديدة من البطاقات ولكن قبل أن يلعب بها أي شخص. تخيل مجموعة من اللاعبين يجتمعون لبناء مجموعاتهم من صندوق جديد يحتوي على مئات البطاقات الجديدة. يتعين عليهم اتخاذ قرارات، واحدًا تلو الآخر، بشأن البطاقات التي سيحتفظون بها وتلك التي سيمررونها للاعب التالي، كل ذلك مع معرفة أنهم لا يعرفون شيئًا عن كيفية أداء هذه البطاقات في الألعاب الفعلية. هذه هي مشكلة "اليوم صفر". لعقود من الزمن، ظلت البرامج الحاسوبية المصممة لمساعدة اللاعبين على اتخاذ هذه القرارات عالقة في الانتظار؛ فهي تعتمد على التعلم من الألعاب الماضية، ولكن عندما تصل مجموعة جديدة، لا توجد ألعاب ماضية للتعلم منها، فالبيانات ببساطة غير موجودة بعد. وهذا يترك اللاعبين يعتمدون كليًا على الحدس البشري وآراء الخبراء، والتي رغم قيمتها، إلا أنها ذاتية وتختلف من شخص لآخر. والسؤال الذي طالما طرحه الباحثون هو ما إذا كان بإمكان الكمبيوتر تعلم القواعد العامة للاختيار الجيد للبطاقات بما يكفي لتقديم تخمينات ذكية حول مجموعة جديدة تمامًا، دون أن يسبق له رؤية اختيار واحد منها.
لقد تصدى باحث يدعى برايان وارد لهذه المشكلة بنظام جديد يسمى DraftFM. فبدلاً من محاولة حفظ بطاقات محددة أو انتظار تراكم البيانات، تم تدريب هذا النظام على ما يقرب من 150 مليون اختيار قام بها لاعبون بشريون عبر 29 مجموعة مختلفة من البطاقات على مدار عدة سنوات. الابتكار الرئيسي يكمن في كيفية رؤية الكمبيوتر للبطاقات؛ فبدلاً من معاملة كل بطاقة كاسم فريد يجب حفظه، يقوم النظام بتفكيك كل بطاقة إلى قائمة من خصائصها المادية والمكتوبة: لونها، وتكلفتها، ونوعها، ونص قواعدها. كما يستخدم فهمًا مسبق التدريب وثابتًا للغة لقراءة وصف البطاقة. ومن خلال التعلم من آلاف المجموعات المختلفة، تعلم النظام التعرف على الأنماط التي تجعل البطاقة ذات قيمة بناءً على هذه السمات وحدها. هو لا يعرف اسم البطاقة أو المجموعة التي تنتمي إليها، بل يعرف فقط السمات التي يمكنه رؤيتها. وهذا يسمح له بالنظر إلى بطاقة جديدة لم يسبق له مواجهتها من قبل وتقييمها بناءً على نفس المنطق الذي استخدمه للبطاقات التي درسها قبل سنوات.
ولاختبار مدى نجاح هذا النهج، احتفظ الباحث بثلاث مجموعات كاملة من البطاقات من بيانات التدريب، وكانت هذه المجموعات مجهولة تمامًا للنموذج. وعندما طُلب من النظام التنبؤ بما سيختاره اللاعبون البشريون من هذه المجموعات الجديدة، حقق دقة مذهلة. ففي الاختيار الأول من عملية "الدرافت"، حيث يمتلك اللاعب عشرات الخيارات وتكون فرصة التخمين الصحيح عن طريق الحظ العشوائي حوالي 7 بالمائة فقط، وافق النموذج الاختيارات البشرية بنسبة تتراوح بين 51 إلى 60 بالمائة تقريبًا. ويمثل هذا قفزة نوعية، حيث لم تكن النماذج الحاسوبية السابقة قادرة حتى على محاولة القيام بهذه المهمة إلا بعد مرور أسابيع على لعب المجموعات. كما حدد النظام بشكل صحيح أن اللاعبين البشريين يميلون إلى أن يكونوا أكثر اتساقًا في بداية عملية "الدرافت"، عندما يمتلكون أكبر قدر من الحرية في الاختيار، وأن خياراتهم تصبح أكثر قابلية للتنبؤ مع تقلص عدد البطاقات المتاحة.
جاء الاختبار الحقيقي لهذا النظام مع إصدار مجموعة جديدة مستوحاة من "الهوبيت" (The Hobbit). وقبل أن تتوفر المجموعة حتى للعب على المنصة الرقمية التي يتم فيها معظم عمليات "الدرافت"، استخدم الباحث نظام DraftFM لإنشاء ترتيب كامل لكل بطاقة في المجموعة. وقد تم ختم هذا الترتح ونشره مع طابع زمني رقمي قبل حوالي 36 ساعة من بدء عمل المجموعة، مما يضمن أن التنبؤات تمت دون أي معرفة بكيفية أداء البطاقات فعليًا. ثم قارن الباحث بين التصنيفات التي أنشأها الكمبيوتر وبين المراجعات المسبقة للإصدار من ستة خبراء بشريين مستقلين ومعروفين في مجتمع البطاقات. وأظهرت النتائج أن تصنيفات الكمبيوتر اتفقت مع الخبراء البشريين بنفس القدر الذي يتفق به الخبراء مع بعضهم البعض. ورغم أن الكمبيوتر لم يتفوق على البشر، إلا أنه تمكن من الوصول إلى مستوى إجماعهم دون أن يلعب مباراة واحدة أو يرى سجل "درافت" واحد.
يوضح هذا العمل أن الكمبيوتر يمكنه تعلم المنطق الأساسي للعبة معقدة بما يكفي لتقديم تنبؤات مدروسة حول محتوى جديد تمامًا. وهو يثبت أن القدرة على التعميم من التجارب الماضية إلى المجهولات المستقبلية ممكنة حتى في مجال معقد مثل "درافت" البطاقات. النظام ليس مثاليًا؛ فهو مفرط في الثقة في تنبؤاته بشكل موحد، ولا يزال يواجه صعوبة في مضاهاة دقة الخبراء البشريين عندما تكون الخيارات صعبة. ومع ذلك، فإنه يضع معيارًا جديدًا لما هو ممكن في "اليوم صفر". فمن خلال معاملة البطاقات كمجموعات من السمات بدلاً من أسماء محفوظة، يسد النموذج الفجوة بين التعلم من التاريخ والتنقل في المجهول. وقد التزم الباحث بنشر دراسة متابعة بمجرد توفر بيانات "الدرافت" الفعلية للمجموعة الجديدة، والتي ستكشف ما إذا كانت تنبؤات النموذج ستصمد أمام واقع كيفية أداء البطاقات في اللعب. وحتى ذلك الحين، يظل هذا العمل بمثابة عرض لإمكانية أن تتعلم الآلات لعب لعبة التنبؤ، حتى عندما يتم كتابة القواعد للمرة الأولى.
ملخص تقني: DraftFM – نموذج تأسيسي للمسودة في "اليوم صفر" للعبة Magic: The Gathering
بيان المشكلة تُعد عملية "المسودة" (Drafting) في لعبة Magic: The Gathering (MTG) لعبة متسلسلة ذات معلومات ناقصة، حيث يختار اللاعبون البطاقات من الحزم لبناء مجموعات (Decks). ويتمثل التحدي الحرج أمام المساعدات القائمة على البيانات في نظام "اليوم صفر" (day-zero): فعند إصدار توسعة جديدة، تكون قائمة البطاقات الكاملة عامة، ولكن لا توجد سجلات مسودة بعد. تعتمد النماذج الخاضعة للإشراف الحالية على بيانات المسودة التاريخية الخاصة بالمجموعة التي تخدمها، مما يخلق فجوة زمنية مدتها أسبوعان قبل أن تتمكن من تقديم المساعدة. علاوة على ذلك، فإن النماذج التي تشفر البطاقات كفهارس مفردات ثابتة أو تعتمد على إحصائيات الاستخدام بعد الإصدار، لا يمكنها تقييم البطاقات غير المرئية حقاً أو المجموعات الجديدة. وبينما يمكن للنماذج اللغوية الكبيرة (LLMs) قراءة نص البطاقة، إلا أنها غالباً ما تفشل في التفوق على النماذج الأصغر الخاضعة للإشراف دون ضبط دقيق هائل للمجموعة المستهدفة، كما تعاني من احتمالية تسرب البيانات فيما يتعلق بنقاشات الاستراتيجية بعد الإصدار.
المنهجية يقدم البحث DraftFM، وهو نموذج تأسيسي مصمم للعمل في نظام "اليوم صفر" دون الحاجة إلى مختارات المجموعة المستهدفة أو إحصائيات الاستخدام.
مصادر البيانات: تم تدريب النموذج على 149 مليون اختيار بشري للمسودة من 29 توسعة (عبر 17Lands) وبيانات وصف البطاقات من Scryfall. وقد تم حجب ثلاث توسعات بالكامل (The Brothers' War، وMagic: Foundations، وMarvel Super Heroes) لغرض التقييم في وضع "الصفر المعرفي" (zero-shot).
تمثيل البطاقة: يعامل DraftFM البطاقات كمتجهات ثابتة مكونة من 775 بُعداً مستمدة حصرياً من السجلات العامة للبطاقات.
391 ميزة مهيكلة: تم استخراجها من سجلات Scryfall (تكلفة المانا، الألوان، الندرة، النوع، القوة/الدفاع، الكلمات المفتاحية، والأنواع الفرعية).
384 تضمين نصي (Text Embeddings): تضمين مُطبع بـ L2 لسطر النوع ونص القواعد، تم توليده بواسطة مشفر جمل ثابت من نوع BAAI/bge-small-en-v1.5.
الاستثناءات: لا يحتوي النموذج على أي معاملات لهوية البطاقة، أو معاملات لهوية المجموعة، أو إحصائيات الاستخدام بعد الإصدار. يتم تقييم البطاقات غير المرئية باستخدام نفس الآلية المستخدمة للبطاقات المعروفة.
البنية العصبية: DraftFM هو سياسة اختيار منفصل (softmax فوق البطاقات المتاحة) مشروطة بالحزمة الحالية، والمخزن (pool) الذي تم سحبه، وحالة اللاعب.
مشفر البطاقة (Card Encoder): يقوم MLP مشترك برسم كل بطاقة من ميزاتها الـ 775 إلى تضمين ذي d بُعد.
مشفر المخزن (Pool Encoder): آلية قائمة على الانتباه (attention) تلخص المخزن المتراكم من البطاقات المسحوبة (حتى 46 بطاقة مختلفة) في متجه واحد.
المُقيّم (Scorer): تقوم شبكة بدمج تضمين البطاقة المرشحة، وملخص المخزن، وتفاعلهم العنصري، والسياق لإنتاج درجة. ينتج عن عملية الـ softmax عبر الحزمة المتاحة احتمالات الاختيار.
التدريب: يقلل النموذج من "الاعتلاج المتقاطع" (cross-entropy) بين التوزيع المتوقع والاختيارات البشرية الملحوظة. يستخدم وصفة تحسين ثابتة (AdamW، وتنعيم الملصقات - label smoothing) عبر عروض مختلفة من عرض النموذج (d∈{128,256,512}).
المساهمات الرئيسية
نموذج تأسيسي لليوم صفر: يعد DraftFM أول سياسة قائمة على الميزات تم تدريبها عبر توسعات متعددة (بدون اختيارات المجموعة المستهدفة أو إحصائيات الاستخدام) تحقق تعميماً فعالاً في وضع "الصفر المعرفي" على توسعات غير مرئية تماماً.
تنبؤ مستقبلي مغلق: قام المؤلف بإنشاء ترتيب كامل لبطاقات P1P1 (الحزمة 1، الاختيار 1) لمجموعة The Hobbit (HOB) غير المصدرة. تم إغلاق هذا التنبؤ باستخدام إثباتات تشفيرية (هاشات للمدخلات، النموذج، والمخرجات) ونُشر قبل حوالي 36 ساعة من إمكانية لعب المجموعة على MTG Arena، مما ضمن عدم وجود تسرب للبيانات.
المقارنة مع الخبراء البشريين: يقارن البحث الترتيب المسبق للإصدار الخاص بالنموذج مع ستة من صُنّاع المحتوى المستقلين. ويضع معياراً للاتفاق بين الخبراء البشريين قبل تجربة التنسيق، ملاحظاً أن الخبراء أنفسهم يختلفون بشكل كبير.
النتائج
الأداء في وضع الصفر المعرفي (Zero-Shot): في ثلاث توسعات محجوبة (The Brothers' War، Magic: Foundations، Marvel Super Heroes)، حقق النموذج المختار ذو 1.6 مليون معلمة (d=256) معدلات اتفاق في الاختيار الأول (top-1) بلغت 50.8%، و60.4%، و56.7%، على التوالي. تتفوق هذه النتائج بشكل كبير على الاحتمال الموحد (~7% عند الاختيار الأول) والنماذج القائمة على الميزات فقط من الأعمال السابقة.
الهيكل الموضعي: يكرر النموذج الأنماط السلوكية المعروفة: يكون الاتفاق الخام في أعلى مستوياته في بداية الحزمة، وينخفض في المنتصف، ثم يرتفع نحو النهاية. وعند تطبيعه بالنسبة لحجم الحزمة المتناقص (الاتفاق المُنظم بالاحتمال)، ينخفض المنحنى لأول 4-5 اختيارات، ثم ينعطف عند الاختيار الخامس أو السادس، ويرتفع بعد ذلك.
المقارنة مع الخبراء: مقابل ستة من المراجعين قبل الإصدار، وقع اتفاق DraftFM (مقاساً بالاتفاق التام، والاتفاق ضمن خطوة واحدة، وارتباط الرتب) عموماً ضمن نطاق الاتفاق الملحوظ بين المراجعين البشريين أنفسهم. لم يتفوق النموذج على أفضل اتفاق بشري-بشري، لكنه أيضاً لم ينخفض بشكل حاد عن إجماع مجتمع الخبراء.
الكفاءة: قدم النموذج المختار (d=256) أفضل مقايضة بين الأداء والتكلفة الحسابية، حيث استخدم 44% من المعلمات و43% من وقت التدريب مقارنة بالنسخة الأكبر (d=512) مع الحفاظ على دقة مماثلة.
الأهمية والادعاءات يزعم البحث أن DraftFM يثبت أن سياسة واحدة قائمة على الميزات يمكنها التنبؤ باختيارات المسودة البشرية في بيئات جديدة تماماً دون حفظ هويات البطاقات أو الاعتماد على بيانات ما بعد الإصدار. وهذا يعزل مشكلة "اليوم صفر"، موضحاً أن التعلم الانتقالي عبر المجموعات ممكن باستخدام الأوصاف العامة للبطاقات فقط.
يتسم المؤلف بالتواضع فيما يتعلق بدقة التنبؤ؛ حيث صرح بوضوح أن البحث لا يدعي أن النموذج أكثر دقة من الخبراء البشريين، ولا يدعي أنه يعظم معدلات الفوز. إن التقييم مقابل النتائج الفعلية مؤجل لملاحظة مستقبلية بمجرد توفر بيانات 17Lands. تكمن الأهمية الأساسية في الصرامة الإجرائية للتنبؤ المغلق وفي إثبات أن النموذج التأسيسي يمكنه العمل بفعالية في نظام لا تستطيع فيه النماذج التقليدية الخاضعة للإشراف الوجود. يرسخ هذا العمل حقيقة أن "اليوم صفر" هو حالة دائمة للنماذج في البيئات المتطورة، ويوفر DraftFM بنية تحتية قابلة للتطبيق لمعالجة ذلك.