Contextual encoding of states and indices for episodic memories make goal-directed action selection flexible, transparent, and efficient

عندما نواجه مشكلة جديدة، لا تقوم أدمغتنا بمجرد معالجة الأرقام لإيجاد الحل الأمثل، بل تعود إلى ماضينا، مستحضرة ذكريات محددة لمواقف مشابهة لتوجيه خطوتنا التالية. إن هذه القدرة على استرجاع التجارب ذات الصلة وتفسير خياراتنا بناءً عليها هي سمة مميزة للذكاء البشائي. لعقود من الزمن، حاول العلماء بناء أنظمة اصطناعية تحاكي هذه المرونة، لكن معظم الطرق الناجحة تعتمد على تخزين كميات هائلة من البيانات في أشكال رياضية معقدة يصعب تفسيرها وتتطلب قدرة حوسبة هائلة. وغالبًا ما تعاني هذه الأنظمة عندما تتغير قواعد اللعبة أو يظهر هدف جديد، مما يضطرها إلى البدء في التعلم من الصفر. لقد كان التحدي الذي يواجه الباحثين هو إنشاء نظام يتعلم بسرعة، ويتكيف فورًا مع القيود الجديدة، ويمكنه شرح قراراته بعبارات واضحة، كل ذلك أثناء العمل على أجهزة صغيرة وموفرة للطاقة.

لقد طور فريق من الباحثين في جامعة غراتس للتكنولوجيا نهجًا جديدًا يسمى "الخريطة المعرفية العرضية" (Episodic Cognitive Map أو ECM)، والذي يسلك مسارًا مختلفًا. فبدلاً من محاولة ضغط كل المعرفة في أرقام مجردة، يعمل هذا النظام مثل العقل البشري الذي يحتفظ بمذكرات مفصلة لتجاربه. يستكشف الخوارزمي البيئة من خلال القيام بـ "جولات عشوائية"، مسجلًا كل خطوة يتخذها كذكرى متميزة. وما يجعل هذا النظام فريدًا هو كيفية تخزين واستخدام هذه الذكريات؛ فهو لا يتذكر فقط أين ذهب، بل يربط كل موقع زاره بالرحلة المحددة التي كان جزءًا منها. إذا احتاج النظام للانتقال من النقطة (أ) إلى النقطة (ب)، فإنه لا يحسب المسافة أو القيمة لكل مسار ممكن، بل ينظر إلى مكتبة رحلاته الماضية ويتساءل: "أي من رحلاتي السابقة تضمنت كلاً من مكاني الحالي والمكان الذي أريد الذهء إليه؟". والإجابة على هذا السؤال تشير مباشرة إلى الخطوة التالية الأفضل.

اختبر الباحثون هذه الفكرة في بيئات محاكاة تحاكي مهام اتخاذ القرار المعقدة، بما في ذلك خرائط تحتوي على مئات المواقع ومواقف تكون فيها النتائج غير مؤكدة. وفي هذه الاختبارات، أثبت خوارزمي (ECM) كفاءة ملحوظة؛ فقد تعلم التنقل من أي نقطة بداية إلى أي هدف بسرعة ودقة تضاهي طرق الذكاء الاصطناعي الأكثر تعقيدًا بكثير. والأهم من ذلك، أنه حقق هذا باستخدام روابط ثنائية بسيطة فقط بين خلايا الذاكرة وعصبونات اتخاذ القرار لديه. وهذا يعني أن النظام لا يحتاج إلى إجراء حسابات رياضية ثقيلة أو تخزين أرقام عالية الدقة. يمكنه تعلم بيئة جديدة، وحل مشكلة ملاحة، وشرح خياره من خلال الإشارة إلى التجارب الماضية المحددة التي دعمته، كل ذلك دون الحاجة إلى إعادة التعلم عند تغير الهدف.

تكمن قوة هذا النظام في قدرته على التكيف الفوري. ففي العديد من نماذج الذكاء الاصطناعي، يتطلب تغيير هدف أو إضافة قاعدة سلامة جديدة إعادة تدريب النظام بأكمله، وهي عملية قد تستغرق ساعات أو أيامًا. ومع ذلك، يمكن لخوارزمي (ECM) تعديل سلوكه في جزء من الثانية. فإذا أصبح المسار مسدودًا أو تم إدخال قيد سلامة جديد، يقوم النظام ببساطة بتصفية مكتبة ذكرياته لتجاهل تلك التي تتضمن المسار المسدود أو المنطقة غير الآمنة، ثم يختار مسارًا جديدًا بناءً على الذكريات الصالحة المتبقية. تتيح هذه المرونة له التعامل مع سيناريوهات معقدة، مثل التنقل في مدينة حيث تكون بعض الشوارع مغلقة أو تجنب المناطق ذات المخاطر العالية، دون الحاجة أبدًا إلى التوقف وإعادة تعلم الخريطة.

لفهم كيفية عمل ذلك، تخيل أن النظام يبني خريطة ذهنية ليس للمسافات، بل للروابط. عندما يستكشف النظام منطقة جديدة، فإنه ينشئ سجلًا لكل رحلة يقوم بها. ويتم وسم كل موقع في هذه المنطقة بالرحلات المحددة التي ظهر فيها. وعندما يحتاج النظام للتحرك نحو هدف ما، فإنه يفعل الذكريات المرتبطة بهذا الهدف، ثم تضيء هذه الذكريات المواقع التي ظهرت بشكل متكرر بجانب الهدف في الرحلات الماضية. يختار النظام ببساطة الإجراء الذي يؤدي إلى الموقع ذي الاتصال الأقوى بالهدف. هذه العملية مباشرة للغاية لدرجة أنها تتجاوز الحاجة إلى الحسابات المعقدة؛ فالنظام لا يحتاج لمعرفة قيمة كل حالة مستقبلية ممكنة، بل يحتاج فقط لمعرفة أي التجارب الماضية تربط الحاضر بالمستقبل المنشود.

استكشف الباحثون أيضًا كيف يمكن لهذا النظام أن يحسن نفسه بمرور الوقت. ووجدوا أنه من خلال استبدال الذكريات القديمة الأقل فائدة أحيانًا بذكريات جديدة مستمدة من محاولات التخطيط الناجحة، يمكن للنظام صقل خريطته الداخلية دون زيادة حجم ذاكرته. هذه العملية، المعروفة باسم "التحسين الذاتي المتكرر"، سمحت للخوارزمي بأن يصبح أكثر كفاءة في إيجاد المسارات القصيرة مع اكتسابه المزيد من الخبرة. وحتى عندما كانت البيئة غير متوقعة، مع وجود احتمالية أن تؤدي الأفعال إلى نتائج غير متوقعة، حافظ النظام على قدرته على إيجاد طرق موثوقة؛ حيث فعل ذلك من خلال وزن ذكرياته بناءً على عدد المرات التي أدت فيها إلى النجاح، مما أدى فعليًا إلى تعلم استراتيجية توازن بين المخاطر والمكافآت.

أحد أهم النتائج التي توصل إليها هذا العمل هو أن النظام يمكنه شرح قراراته بشفافية كاملة. نظرًا لأن كل خيار يعتمد على مجموعة محددة من التجارب الماضية، يمكن للنظام إظهار أي الذكريات أدت إلى إجراء معين بدقة. إذا سأل إنسان النظام لماذا اختار مسارًا معينًا، يمكنه الإشارة إلى الرحلات المحددة في تاريخه التي جعلت ذلك المسار يبدو واعدًا. وهذا يتناقض بشكل صارخ مع العديد من أنظمة الذكاء الاصطناعي الحديثة، التي تعمل غالبًا كـ "صناديق سوداء" حيث يكون المنطق وراء القرار مخفيًا داخل طبقات من الرياضيات المعقدة. يقدم خوارزمي (ECM) طريقة لبناء آلات ذكية ليست فعالة فحسب، بل مفهومة وموثوقة أيضًا.

تمتد آثار هذا البحث إلى ما وراء الملاحة. إذ تشير المبادئ الكامنة وراء خوارزمي (ECM) إلى طريقة جديدة لبناء ذكاء اصطناعي خفيف الوزن، وموفر للطاقة، وقادر على العمل على أجهزة صغيرة مثل المستشعرات أو الروبوتات. ولأن النظام يعتمد على روابط ثنائية بسيطة بدلاً من الحسابات المعقدة للأرقام العشرية، يمكن تنفيذه على أجهزة تستخدم طاقة قليلة جدًا. وهذا يجعله مرشحًا مثاليًا لـ "حوسبة الحافة" (Edge Computing)، حيث تحتاج الأجهزة إلى اتخاذ قرارات ذكية وسريعة دون الاعتماد على اتصال بجهاز كمبيوتر مركزي قوي. إن القدرة على التكيف مع السياقات الجديدة وشرح الاستنتاج تجعل هذا النظام ذا قيمة خاصة في التطبيقات التي تكون فيها السلامة والموثوقية أمراً بالغ الأهمية.

يقر الباحثون بأن عملهم الحالي يركز على البيئات حيث تكون الحالات محددة ومصنفة بوضوح. وهم يخططون لتوسيع هذا النهج ليشمل مواقف أكثر تعقيدًا حيث يجب على النظام تفسير البيانات الحسية الخام، مثل الصور أو الأصوات، لفهم محيطه. كما يهدفون إلى استكشاف كيفية تعامل النظام مع المواقف التي لا توفر فيها الرؤية الحالية معلومات كافية لمعرفة مكانه بالضبط. وبالرغم من هذه التحديات المستقبلية، فإن النتائج الحالية تثبت أن نهجًا بسيطًا يعتمد على الذاكرة يمكن أن يحقق مستويات أداء تنافس الطرق الأكثر تطورًا بكثير. ومن خلال استلهام كيفية استخدام الدماغ البشري للذكريات العرضية، أظهر الباحثون أنه في بعض الأحيان تكون الحلول الأكثر قوة هي تلك التي تعتمد على أبسط وأكثر الروابط مباشرة بين الماضي والحاضر.