تخيل عالماً لا تكون فيه سيارتك الكهربائية مجرد وسيلة نقل، بل محطة طاقة صغيرة ومتنقلة. هذه هي الفكرة المثيرة وراء تقنية "المركبة إلى الشبكة" (V2G). فبدلاً من مجرد امتصاص الكهرباء من الحائط للوصول إلى المدرسة أو العمل، يمكن لسيارتك أن تعيد بعض تلك الطاقة إلى شبكة المدينة عندما يستهلك الجميع الكثير من الكهرباء، كما هو الحال في ظهيرة يوم صيفي حار. الأمر يشبه امتلاك صديق لا يكتفي بإعارتك كتاباً فحسب، بل يساعدك أيضاً في نقل أثاثك عندما تقع في ضائقة.

ومع ذلك، هناك عقبة. البطاريات تشبه العضلات في جسمك؛ إذا ضغطت عليها بشدة وبشكل متكرر، ستتعب وتستهلك بسرعة أكبر. إذا كانت السيارة تفرغ بطاريتها باستمرار لبيع الطاقة للشبكة، فقد تموت البطارية قبل أن يحين موعد استبدال السيارة. وهذا يخلق لغزاً صعباً: كيف نجعل السيارة تساعد المدينة دون إيذاء السيارة نفسها؟ وهنا يأتي دور "التعلم التعزيزي" (Reinforcement Learning). فكر في هذا كذكاء اصطناعي للعبة فيديو فائق الذكاء يتعلم من خلال التجربة والخطأ؛ حيث يجرب حركات مختلفة، ويحصل على نقاط للحركات الجيدة، ويخسر نقاطاً للحركات السيئة، ليصل في النهاية إلى الاستراتيجية المثالية للفوز دون كسر جهاز التحكم في اللعبة.

---

السائق الذكي الذي يحب بطاريته

في هذا البحث، قام فريق من العلماء من معهد SRM للعلوم والتكنولوجيا في الهند بتعليم وكيل ذكاء اصطناعي ليكون "السائق الذكي" الأمثل للمركبات الكهربائية. أرادوا حل لغز الموازنة بين هدفين متنافسين: تحقيق ربح لصاحب السيارة من خلال بيع الكهرباء للشبكة، والحفاظ على صحة بطارية السيارة على المدى الطويل.

ولتحقيق ذلك، بنوا ساحة لعب رقمية تسمى EV2Gym. داخل هذه المحاكاة، استخدموا بيانات حقيقية من مجموعة بيانات Indian Grid Master، والتي تتبع أسعار الكهرباء ومدى "نظافة" أو "تلوث" الطاقة في منطقة تشيناي. لم يتركوا الذكاء الاصطناعي يخمن فحسب؛ بل استخدموا خوارزمية تعلم محددة تسمى "تحسين السياسة القريبة" (Proximal Policy Optimization - PPO). يمكنك التفكير في PPO كمعلم حذر جداً يمنع الطالب من القيام بتخمينات جامحة ومخاطرة، ويشجعه بدلاً من ذلك على إجراء تحسينات ثابتة وذكية.

قاعدة "35 ضعفاً": الحارس الصارم

الجزء الأكثر ذكاءً في هذه الورقة البحثية هو قاعدة خاصة ابتكرها الباحثون، أطلقوا عليها اسم "دالة المكافأة غير المتماثلة" (asymmetric reward function). في عالم ألعاب الفيديو، تحصل عادةً على نقاط مقابل القيام بالأشياء بشكل صحيح. ولكن هنا، تم منح الذكاء الاصطناعي نظام عقوبات صارم للغاية لحماية البطارية.

برمج الباحثون الذكاء الاصطناعي بحيث أنه إذا قرر تفريغ البطارية (بيع الطاقة للشبكة)، فإنه يواجه عقوبة أكبر بـ 35 مرة من عقوبة مجرد شحن البطارية. تخيل لو كنت تلعب لعبة حيث تكلفك الخطوة الوام للخلف 35 نقطة، بينما تكلفك الخطوة الواحدة للأمام نقطة واحدة فقط. ستكون حذراً جداً جداً قبل التراجع خطوة للخلف!

هذه "عقوبة الـ 35 ضعفاً" أجبرت الذكاء الاصطناعي على بيع الطاقة للشبكة فقط عندما ترتفع أسعار الكهرباء بشكل جنوني. وفي بقية الوقت، اختار الذكاء الاصطناعي مجرد شحن السيارة أو البقاء ساكناً، وذلك للحفاظ على صحة البطارية. كان الهدف هو التأكد من أن السيارة ستكون جاهزة دائماً للعمل ببطارية ممتلئة بنسبة 90% على الأقل عندما يحتاج المستخدم للمغادرة.

ما تعلمه الذكاء الاصطناعي

اختبر الفريق هذا السائق الذكي خلال نوبتي عمل مختلفتين مدة كل منهما 10 ساعات: صباح مزدحم وليلة هادئة.

• نوبة الصباح: خلال الصباح، كانت أسعار الكهرباء متقلبة وغير متوقعة، تتأرجح صعوداً وهبوطاً مثل الأفعوانية (الرولر كوستر). تعلم الذكاء الاصطناعي رصد أعلى قمم الأسعار. كان يقوم بتفريغ البطارية بسرعة لبيع الطاقة عندما تكون الأسعار مرتفعة (لتحقيق ربح)، ثم يعود فوراً إلى الشحن للتأكد من أن البطارية ممتلئة مرة أخرى قبل مرور الـ 10 ساعات. لقد وجد ما يسميه المؤلفون "مثلثات المراجحة" (Arbitrage Triangles)—وهي لحظات مثالية لجني ربح سريع دون نفاد الطاقة.
• نوبة الليل: في الليل، كانت الأسعار هادئة ومنخفضة. أدرك الذكاء الاصطناعي أن محاولة بيع الطاقة في هذا الوقت لا تستحق المخاطرة. لم يكن السعر مرتفعاً بما يكفي لتبرير عقوبة الـ "35 ضعفاً" الثقيلة. لذا، اختار استراتيجية "الشحن البطيء"، حيث يقوم بملء البطارية بهدوء ويتجنب أي ضرر غير ضروري للبطارية.

النتائج: توازن مثالي

أظهرت المحاكاة أن هذا النهج نجح بشكل رائع. استطاع الذكاء الاصطناعي التنقل بنجاح في المقايضة الصعبة بين جني المال والحفاظ على البطارية.

• التنقل أولاً: في كل اختبار، أنهت السيارة بمستوى بطارية بنسبة 90% أو أكثر، مما يضمن قدرة السائق على المغادرة في الوقت المحدد دائماً.
• قرارات ذكية: لم يكتفِ الذكاء الاصطناعي بمجرد التفاعل مع الأسعار؛ بل تعلم تجاهل الارتفاعات الصغيرة في السعر. لقد أنشأ "منطقة ميتة لتقنية V2G" (V2G Dead Zone)، وهي نطاق من الأسعار يفضل فيه عدم فعل أي شيء بدلاً من المخاطرة بإتلاف البطارية مقابل ربح ضئيل.
• صافي الربح: أثبت النظام أنه من خلال كونها متحفظة والعمل فقط أثناء الارتفاعات الحادة في الأسعار، يمكن للسيارة أن تحقق "صافي ربح" (الربح مطروحاً منه تكلفة تآكل البطارية) دون التضحية بالعمر الافتراضي للمركبة.

لماذا يهم هذا الأمر؟

تشير هذه الورقة البحثية إلى أننا لسنا مضطرين للاختيار بين شبكة طاقة خضراء وبين سيارة طويلة الأمد. فمن خلال استخدام ذكاء اصطناعي ذكي يعتمد على البيانات ويحترم الحدود الفيزيائية للبطارية، يمكننا تشجيع الناس على ترك سياراتهم تساعد الشبكة دون خوف من إتلاف مركباتهم. لقد أظهر الباحثون أنه مع وجود "قواعد اللعبة" الصحيحة (مثل عقوبة الـ 35 ضعفاً الصارمة تلك)، يمكن للذكاء الاصطناعي أن يصبح مديراً استراتيجياً يحافظ على صحة السيارة بينما يساعد المدينة أيضاً في البقاء مزودة بالطاقة.

وعلى الرغم من أن هذه الدراسة كانت عبارة عن محاكاة باستخدام بيانات من العالم الحقيقي، إلا أنها تقدم مخططاً واعداً للمستقبل. فهي تشير إلى أنه إذا بنينا هذه الأنظمة بشكل صحيح، يمكن للمركبات الكهربائية أن تكون أبطال التحول في الطاقة النظيفة دون أن تحرق محركاتها الخاصة.