Praxist: From Experimental Artifacts to Solution Lineages
براكسيست (Praxist) هو نظام جيلِيّ متمحور حول السلالة، يعمل على تحويل البحث والتطوير المستقل من تجارب معزولة إلى رسم بياني للأدلة القابل للتتبع، مما يُمكّن الوكلاء من وراثة آليات مُثبتة وتحقيق أداء فائق في المهام الهندسية المعقدة بتكلفة تبلغ نحو اثني عشر جزءاً من التكلفة الأساسية للأنظمة الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لطالما اعتمد العلم والهندسة على إيقاع بشري بسيط: جرب شيئاً ما، وانظر ما إذا كان يعمل، وتعلم من الخطأ، ثم حاول مجدداً. لعقود من الزمن، كانت هذه الدورة هي محرك الاكتشاف، حيث يقوم الباحث ببناء نموذج أولي، واختباره، واستخدام النتائج لتحسين النسخة التالية. ولكن مع صيرورة الحواسيب قوية بما يكفي لكتابة شفراتها البرمجية الخاصة وإجراء تجاربها الخاصة، برز سؤال جديد: هل يمكن للآلة أن تتعلم من إخفاقاتها بنفس الطريقة التي يتعلم بها البشر؟ التحدي لا يكمن فقط في أن الآلة تحصل على نتيجة، بل في أن تفهم لماذا حصلت على تلك النتيجة. عندما تجرب الحوسبة ألف تنويع للتصميم، فإنها غالباً ما تنتج جبلاً من البيانات التي تخبرها بما حدث، ولكن ليس أي تغيير محدد هو الذي صنع الفارق. وبدون هذا الوضوح، تُضطر الآلة لإعادة تعلم الدروس نفسها مراراً وتكراراً، مما يهدر الوقت والطاقة في مسارات لا تؤدي إلى شيء.
هذه هي المشكلة التي سعى فريق من الباحثين في "سابينت إنتليجنس" (Sapient Intelligence) لحلها. لقد بنوا نظاماً يسمى "براكزيست" (PRAXIST)، المصمم ليس فقط لإيجاد الحلول، بل لبناء تاريخ واضح وقابل للتدقيق لكيفية اكتشاف تلك الحلول. بدلاً من معاملة كل محاولة كبداية جديدة، يعامل "براكزيست" البحث كحوار مستمر. فهو يأخذ نتائج تجربة واحدة، ويحللها إلى دروس محددة — ما الذي نجح، وما الذي فشل، وما الذي كان مجرد تخمين محظوظ — ويحفظ تلك الدروس كسجل دائم. وعندما يبدأ النظام جولته التالية من التجارب، فإنه لا ينظر فقط إلى أفضل نتيجة من الماضي؛ بل ينظر إلى الآليات المحددة التي حققت تلك النتيجة. إنه يتساءل: "هل هذا الجزء من التصميم هو الذي تسبب فعلياً في التحسن، أم كان شيئاً آخر؟" ومن خلال الإجابة على هذا السؤال، يستطيع النظام حمل الأجزاء المفيدة فقط من تاريخه، وبناء حلول أقوى وأكثر موثوقية بجهد أقل بكثير مما سبق.
اختبر الباحثون هذا النهج على مجموعة ضخمة مكونة من خمسة وسبعين تحدياً مختلفاً في هندسة تعلم الآلة، تراوحت بين تحديد الأمراض في الصور الطبية والتنبؤ باتجاهات سوق الأسهم. وقارنوا نظامهم بمساعد برمجي قياسي قوي يعمل على أحد أكثر النماذج اللغوية تقدماً المتاحة. تمكن المساعد القياسي من الحصول على ميدالية في حوالي ثلاثة وسبعين بالمئة من المهام، لكنه أنفق ما يقرب من ثمانية وثلاثين ألف دولار من تكاليات الحوسبة للقيام بذلك. أما نظام "براكزيست"، باستخدام نموذج أساسي مختلف وطريقة أذكى لتنظيم عمله، فقد حصل على ميداليات في ثمانين بالمئة من المهام، وكل ذلك بينما أنفق حوالي ثلاثة آلاف دولار فقط. بعبارة أخرى، وجد النظام الجديد حلولاً أفضل بنحو جزء على اثني عشر من التكلفة.
لكن الابتكار الحقيقي لا يكمن فقط في التوفير، بل في المنهجية. لاحظ الباحثون أن معظم الأنظمة المؤتمتة تعامل تاريخها كقائمة بسيطة من الدرجات، حيث تحتفظ فقط بالرقم الأعلى وتتخلص من الباقي. ومع ذلك، يعامل "براكزيست" التاريخ كشجرة عائلة. ففي كل مرة يبني فيها النظام قطعة جديدة من البرمجيات أو آلية تحكم جديدة، يسجل خيارات التصميم المحددة التي أدت إلى النجاح أو الفشل. إذا تسبب تغيير معين في خوارزمية هبوط صاروخ في تحطم المركبة، فلا يُسجل هذا الفشل كنهاية مسدودة، بل كدرس قيم يخبر المحاولات المستقبلية بما يجب تجنبه. وإذا أدت لمسة معينة لتعديل استراتيجية تداول إلى تحسين الأرباح، فيتم ربط هذا النجاح بالسبب الدقيق لعمله، حتى يعرف النظام كيفية استخدام تلك اللمسة في سياق مختلف. تتيح هذه العملية للنظام وراثة "أدلة مصنفة"، مما يعني أنه يعرف بالضبط أي أجزاء من الحل مثبت أنها تعمل وأيها لا يزال مجرد تخمينات.
ولرؤية كيف يعمل هذا في العالم الحقيقي، طبق الفريق "براكزيست" على أربعة مشكلات هندسية معقدة ومفتوحة النهايات لا تملك إجابة واحدة صحيحة. في إحدى الحالات، طلبوا من النظام تصميم وحدة تحكم لصاروخ قابل لإعادة الاستخدام للهبوط عمودياً. نقطة البداية كانت وحدة تحكم تنجح بنسبة أربعة بالمئة فقط. حاولت أداة تحسين مؤتمتة قياسية مئات التغييرات وتمكنت من تحسين معدل النجاح إلى سبعة عشر بالمئة، لكنها لم تستطع جعل الصاروخ يهبط بأمان في كل مرة. ومع ذلك، سلك "براكزيست" مساراً مختلفاً؛ فهو لم يكتفِ بتجربة تغييرات عشوائية، بل بنى تسلسلاً من التحسينات. قام أولاً بإضافة منظم لإدارة الوقود، ثم مرشد للتعامل مع الانتقال بين مراحل الطيران، وأخيراً أداة رياضية محددة لموازنة القوى على زعانف الصاروخ. وبحلول نهاية الحملة، أنتج النظام وحدة تحكم هبطت بالصاروخ بنجاح في كل تجربة اختبار، أي سجل كاملاً بنسبة مائة بالمئة. والأهم من ذلك، سجل النظام الرحلة بأكملها، موضحاً كيف أدى كل تحسين صغير إلى النجاح النهائي.
وفي تجربة أخرى، واجه النظام مشكلة التداول الذاتي. كان الهدف هو إنشاء استراتيجية تشتري وتبيع الأسهم لتعظيم الربح بمرور الوقت. حققت الاستراتيجية المرجعية، التي تشتري ببساطة كمية متساوية من كل سهم متاح، معدل نمو سنوي قدره ثلاثة وعشرون بالمئة. اكتشف "براكسيست" استراتيجية أكثر تعقيداً وتكيفاً تتعلم من أنماط السوق وتعدل سلوكها بناءً على تكاليف التنفيذ. حققت هذه الاستراتيجية الجديدة معدل نمو قدره ثلاثة وخمسون بالمئة، أي أكثر من ضعف الاستراتيجية المرجعية. لم يجد النظام مجرد مزيج محظوظ؛ بل تتبع الاكتشاف وصولاً إلى تغييرات محددة، مثل كيفية تعامل الاستراتيجية مع المخاطر وكيفية إدارتها لتوقيت صفقاتها. استطاع الباحثون النظر إلى "سلالة" النظام ورؤية اللحظة الدقيقة التي تعلمت فيها الاستراتيجية تجنب فخ شائع كان يضر بأدائها.
كما أثبت النظام جدارته في مجال الروبوتات والفيزياء. في اختبار تضمن روبوتاً يستخدم الكاميرات والليزر للملاحة، كان النظام القياسي يهدر قدراً هائلاً من قدرة الحوسبة من خلال تحديث خريطته باستمرار بمعلومات مكررة. أدرك "براكسيست" أن الروبوت لا يحتاج للنظر في كل إطار فيديو؛ بل يحتاج فقط للنظر عندما تكون المعلومات الجديدة مفيدة حقاً. ومن خلال تعليم الروبوت تخطي التحديثات غير الضرورية، خفض النظام وقت المعالجة البصرية بنسبة اثنين وسبعين بالمئة دون فقدان أي دقة في ملاحتها. وبالمثل، في محاكاة للتحكم في مفاعل اندماج نووي، صمم النظام وحدة تحكم حافظت على استقرار البلازما لفترات أطول من وحدات التحكم المصممة بشرياً، رغم أن الفيزياء المعنية يصعب التنبؤ بها للغاية.
إن ما يجعل هذه النتائج مهمة للغاية هو الشفافية التي توفرها. في الأبحاث المؤتمتة التقليدية، عندما يجد النظام حلاً، فإنه غالباً ما يكون "صندوقاً أسود"؛ أنت تعرف أنه يعمل، لكنك لا تعرف لماذا، ولا يمكنك بسهولة معرفة ما إذا كان النجاح سيصمد في موقف مختلف قليلاً. يغير "براكسيست" هذا من خلال إرفاق قصة مفصلة بكل نتيجة. فهو يسجل "سلالة" الحل، وهي سلسلة من الأدلة تظهر الآليات التي تم اختبارها، والتي تم التحقق منها، والتي تم استبعادها. وهذا يعني أن العلماء البشريين يمكنهم النظر في عمل النظام، وفهم المنطق وراءه، وحتى أخذ أفضل أجزائه لبناء شيء جديد. إنه يحول الحاسوب من مجرد أداة تنتج إجابات إلى متعاون يوثق استدلالاته.
يؤكد الباحثون أن هذا النهج لا يهدف إلى استبدال العلماء البشر، بل إلى منحهم أداة أكثر قوة. فمن خلال تولي العمل الممل المتمثل في اختبار آلاف المتغيرات وتنظيم الدروس المستفادة، يحرر النظام البشر للتركيز على الصورة الكبيرة. إن القدرة على وراثة المعرفة عبر أجيال من التجارب تعني أن النظام ليس مضطراً للبدء من الصفر في كل مرة يواجه فيها مشكلة جديدة. يمكنه حمل حكمة إخفاقاته ونجاحاته الماضية، وبناء أساس من المعرفة الموثوقة التي تزدو وتنمو مع كل محاولة. إن هذا التحول من مجرد البحث عن أفضل درجة إلى الفهم العميق للأدلة الكامنة وراء تلك الدرجة يمثل تغييراً جوهرياً في كيفية مقاربتنا للتحديات الهندسية المعقدة.
في النهاية، قصة "براكزيست" هي قصة قوة الذاكرة في الآلات. لفترة طويلة، كانت الحواسيب ممتازة في الحساب ولكنها ضعيفة في التعلم من تاريخها بطريقة منظمة. يظهر هذا النظام أنه عندما تمنح الآلة القدرة على تسجيل ليس فقط ما حدث، بل لماذا حدث، يمكنها حل مشكلات كانت بعيدة المنال سابقاً. إنها تفعل ذلك ليس بكونها أذكى بمعناها العام، بل بكونها أكثر دقة فيما يتعلق بما تتذكره وكيفية استخدام تلك الذاكرة. والنتيجة هي نظام ليس فقط أكثر كفاءة وفعالية من حيث التكلفة، بل أيضاً أكثر موثوقية، لأن كل حل يقدمه يأتي مع حساب واضح وقابل للفحص لكيفية الوصول إليه. هذا هو مستقبل البحث المستقل: ليس آلة تخمن طريقها نحو الحل، بل آلة تبني إرثاً من الأدلة، تجربة تلو الأخرى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.