Determinative Detection in Egyptian Hieroglyphic Sequences: A Sequence-Labelling Benchmark and Multi-Agent LLM Baseline

على مدى أكثر من ثلاثة آلاف عام، كتب المصريون القدماء تاريخهم، وصلواتهم، وقوانينهم باستخدام نظام من الصور التي تبدو للعين الحديثة كمعرض للطيور، والأرجل، والأشكال الهندسية. لكن نظام الكتابة هذا كان أكثر بكثير من مجرد قائمة من الأصوات؛ فقد كان رمزاً هجيناً حيث يمكن لصورة واحدة أن تؤدي ثلاث وظائف مختلفة في آن واحد: يمكنها تمثيل صوت، أو يمكنها أن ترمز إلى كلمة كاملة، أو يمكنها أن تعمل كعلامة صامتة. هذه الوظيفة الثالثة، التي يؤديها رمز يسمى "المخصص" (determinative)، هي المفتاح لفهم النص. المخصص هو علامة صامتة توضع في نهاية الكلمة لتخبر القارئ بنوع الشيء الذي تشير إليه. قد تشير إلى أن الكلمة تتعلق بشخص، أو حيوان، أو إله، أو نوع من الأفعال. ولأن هذه العلامات صامتة وغالباً ما تشبه الصور الأخرى في الجملة، فإن تحديد أي منها هي مجرد أصوات وأيها العلامات الصامتة يعد لغزاً صعباً. وبدون حل هذا اللغز، لا تستطيع الحواسيب ترجمة اللغة المصرية القديمة بشكل صحيح، لأنها لا تستطيع التمييز بين نهاية الكلمة وبداية الكلمة التالية، كما لا يمكنها فهم معنى الكلمات التي تجدها.

لعقود من الزمن، درس العلماء هذه العلامات الصامتة يدوياً، لكن الحجم الهائل للنصوص يجعل من المستحيل على البشر معالجتها بمفردهم. ومؤخراً، حاول الباحثون تعليم الحواسيب كيفية قراءة هذه النصوص القديمة، لكن معظم ذلك العمل ركز ببساء على التعرف على الصور نفسها، مثل تحديد رسمة طائر أو رجل. ولم يُعطَ اهتمام كبير للمهمة الأصعب المتمثلة في معرفة أي الصور تعمل كعلامات صامتة. تعالج دراسة جديدة من باحثين في البرازيل وإسبانيا هذه الفجوة مباشرة؛ حيث أنشأوا نظاماً حاسوبياً مصمماً خصيصاً لإيجاد هذه العلامات الصامتة في تسلسلات الكتابة المصرية القديمة. وبدلاً من مجرد التخمين، يستخدم النظام فريقاً من وكلاء الذكاء الاصطناعي الذين يعملون معاً، ويفحصون النص من زوايا مختلفة للوصة إلى استنتاج يتسم بالذكاء والموثوقية.

بدأ الباحثون ببناء مكتبة معرفية متخصة؛ حيث جمعوا معلومات عن أكثر من ثمانين علامة مختلفة يمكن أن تعمل كعلامات صامتة، ونظموها في فئات مثل الناس، والحيوانات، والآلهة، والطبيعة. ثم أنشأوا مجموعة اختبار مكونة من تسعة وتسعين تسلسلاً قصيراً من الكتابة القديمة، والتي تم فحصها وتصنيفها بعناية من قبل خبراء بشريين. تعمل هذه المجموعة كمعيار مرجعي، وهو اختبار قياسي لمعرفة مدى قدرة البرنامج الحاسوبي على أداء المهمة. كان الهدف هو معرفة ما إذا كان بإمكان الآلة أن تنظر إلى سلسلة من الرموز وتحدد بشكل صحيح أي منها هي العلامات الصامتة وأيها مجرد أصوات أو أجزاء من الكلمة نفسها.

ولحل هذه المشكلة، بنى الفريق نظاماً يعمل مثل لجنة صغيرة من الخبراء. استخدموا نماذج لغوية كبيرة، وهي برامج حاسوبية قوية مدربة على كميات هائلة من النصوص، لكنهم لم يتركوها تعمل بمفردها. بدلاً من ذلك، قاموا بإعداد وكيلين مستقلين لتحليل كل تسلسل من الكتابة. نظر أحد الوكيلين إلى معنى العلامات، طارحاً أسئلة مثل: "هل تتناسب هذه الصورة مع فكرة إله أو شخص؟". بينما نظر الوكيل الآخر بصرامة إلى بنية وموقع العلامات، متسائلاً: "هل هذه العلامة في نهاية الكلمة، حيث توجد العلامات الصامتة عادةً؟". ومن الأهمية بمكان أن هذين الوكيلين لم يتواصلا مع بعضهما البعض أثناء العمل؛ بل كان عليهما تكوين آرائهما الخاصة بشكل مستقل. يضمن هذا التصميم أنه إذا اتفق الوكيلان على علامة ما، فهذا مؤشر قوي على صحتهما، وليس مجرد نسخ لأخطائهما.

بمجرد انتهاء الوكيلين من تحليلهما، قام وكيل ثالث بدور "المُجمِّع"، حيث جمع بين نتائجهما. بحث هذا الوكيل عن المواضع التي اتفقا فيها والمواضع التي اختلفا فيها. وأخيراً، عملت مجموعة من القواعد الصارمة وغير القابلة للتغيير كـ "حكم". قام هذا الحكم بمراجعة الاقتراحات مقابل قاعدة المعرفة التي بناها الباحثون؛ حيث طبق قواعد محددة، مثل: "الرمز الذي يعني وعاءً لا يمكن أن يكون علامة صامتة إلا إذا كان النص يتحدث عن سوائل أو قرابين". إذا لم يتناسب السياق، فإن القاعدة ترفض الاقتراح، حتى لو اعتقد وكلاء الذكاء الاصطناعي أنهم على حق. هذا الجمع بين التفكير المرن من الذكاء الاصطناعي والقواعد الصارمة من الحكم خلق نظاماً يمكنه التعامل مع تعقيد اللغة القديمة دون تقديم تخمينات عشوائية.

اختبر الباحثون نظامهم باستخدام طريقة صارمة مصممة لضمان أن النتائج لم تكن مجرد ضربة حظ. لقد قسموا تسعة وتسعين تسلسلاً من تسلسلات الاختبار إلى خمس مجموعات مختلفة. وفي كل جولة اختبار، استخدموا أربع مجموعات لتدريب النظام والمجموعة الخامسة لاختباره، وكرروا هذه العملية حتى تم اختبار كل تسلسل بالضبط مرة واحدة. أعطاهم هذا النهج صورة واضحة عن كيفية أداء النظام على نصوص جديدة لم يسبق رؤيتها. وأظهرت النتائج أن النظام كان فعالاً للغاية؛ فقد حدد العلامات الصامتة في أغلب الحالات، محققاً نسبة نجاح تبلغ حوالي اثنين وثمانين بالمائة عند النظر إلى جميع أنواع العلامات بالتساوي، وحوالي ثمانية وثمانين بالمائة عند النظر إلى العدد الإجمالي للعلامات الموجودة. وأظهر اتساق هذه النتائج عبر مجموعات الاختبار المختلفة أن النظام قوي وليس معتمداً على مجموعة محددة من الأمثلة.

كانت إحدى النتائج الأكثر إثارة للاهتمام هي كيفية تعامل النظام مع الحالات الصعبة. اكتشف الباحثون أن النظام يعمل بشكل أفضل عندما يكون النص غنياً بالمعلومات، ويحتوي على ثلاث علامات صامتة أو أكثر. في هذه التسلسلات المعقدة، تعززت الأدلة المختلفة من المعنى والبنية بعضها البعض، مما جعل الإجابة الصحيحة واضحة. ومع ذلك، عانى النظام أكثر مع التسلسلات القصيرة جداً التي لا تحتوي على أي علامات صامتة، أو تحتوي على علامة واحدة فقط. في هذه الحالات الشحيحة، جعل نقص الأدلة المحيطة من الصعب على النظام التأكد، مما أدى إلى المزيد من الأخطاء. يشير هذا إلى أن النظام جيد جداً في إيجاد الأنماط عندما تتوفر أدلة وفيرة، لكنه يحتاج إلى مزيد من المساعدة عندما يكون النص بسيطاً جداً.

ابتكار رئيسي آخر لهذا العمل هو كيفية تقديم إجاباته. فبدلاً من تقديم إجابة واحدة نهائية مثل "الصندوق الأسود"، يقدم النظام قائمة مرتبة من الاحتمالات. فهو يقدم تفسيراً رئيسياً، وهو الإجابة الأكثر احتمالاً، ولكنه يسرد أيضاً ما يصل إلى ثلاثة تفسيرات بديلة. وبالنسبة لكل بديل، يشرح النظام بالضبط ما هي الأدلة الإضافية التي ستكون مطلوبة لجعل ذلك البديل هو الإجابة الصحيحة. على سبيل المثال، قد يقول: "نعتقد أن هذا الرمز هو علامة لإله، ولكن إذا كان النص يتحدث عن معبد، فقد يكون أيضاً علامة لمبنى". هذا الوضوح يحول الكمبيوتر إلى أداة تعاونية للعلماء البشريين؛ فهو لا يحل محل الخبير، بل يعرض الخيارات والمنطق، مما يسمه بالقدرة على اتخاذ القرار النهائي بناءً على معرفته العميقة.

كما سلطت الدراسة الضوء على تحديات محددة لا تزال قائمة. ففي بعض الأحيان، يخلط النظام بين العلامات التي لها وظيفتان مختلفتان تماماً، مثل صورة أرجل تمشي والتي يمكن أن تعني "يمشي" أو تعمل كعلامة صامتة لـ "الفعل". ولأن الكمبيوتر يعتمد على السياق لتحديد الوظيفة التي تؤديها العلامة، فقد وقع أحياناً في أخطاء عندما كان السياق غامضاً. لاحظ الباحثون أن هذه الأخطاء لم تكن بسبب خلل في منطق النظام، بل كانت نتيجة لمحدودية قاعدة المعرفة الحالية. ومن خلال إضافة المزيد من الأمثلة وتدقيق القواعد لهذه العلامات الصعبة، يمكن للنظام أن يتحسن أكثر على الأرجح.

في النهاية، يضع هذا العمل معياراً جديداً لكيفية تفاعل الحواسيب مع أنظمة الكتابة القديمة. فهو يثبت أن النهج الهجين، الذي يجمع بين الاستدلال المرن للذكاء الاصطناعي الحديث والقواعد الصارمة للبحث الأكاديمي البشري، يمكنه حل مشكلات لا يستطيع أي منهما حلها بمفرده. النظام لا ينتج مجرد ترجمة، بل ينتج حجة مهيكلة يمكن فحصها، ومساءلتها، وتحسينها. ومن خلال جعل المنطق مرئياً والبدائل واضحة، أنشأ الباحثون أداة تحترم تعقيد اللغة القديمة مع فتح الباب أمام تحليل أسرع وأكثر دقة لآلاف النصوص التي لا تزال تنتظر القراءة. هذا ليس حلاً سحرياً يحل كل شيء فوراً، ولكنه خطوة كبيرة للأمام، توفر أساساً موثوقاً للبحوث المستقبلية وطريقة جديدة لعمل الآلات والبشر معاً لفهم الماضي.