في عالم الذكاء الاصطناعي، يحاول الباحثون تعليم الآلات كيفية فهم كيفية عمل العالم المادي. إنهم يريدون من الروبوتات والسيارات ذاتية القيادة أن تتنبأ بما سيحدث بعد ذلك، ليس فقط عن طريق حفظ الصور، بل من خلال بناء نموذج ذهني داخلي للسبب والنتيجة. وللقيام بذلك، يستخدمون نظاماً يعمل كخريطة مضغوطة للواقع، حيث يحول البيانات الحسية المعقدة إلى تمثيل تجريدي أبسط. والأمل هو أنه إذا فهمت الآلة القواعد الفيزيائية الأساسية - كيف تسحب الجاذبية، أو كيف تتحرك المفاصل، أو كيف تنعطف السيارة - فيمكنها التخطيط لأفعالها بشكل أكثر أماناً وكفاءة. لسنوات طويلة، كانت النصيحة القياسية هي فرض هذه القواعد مباشرة في الخريطة الداخلية للآلة، اعتقاداً بأن هذا التوجيه "المستند إلى الفيزياء" سيساعد الذكاء الاصطناعي على التعلم بشكل أسرع وأفضل.

ومع ذلك، اكتشفت دراسة جديدة أن هذا النهج الحدسي هو في الواقع ضار. فقد وجد الباحثون أنه عندما تحاول فرض القوانين الفيزيائية في التمثيل الداخلي للآلة، فإن النظام ينهار، ويفقد قدرته على فهم العالم بدقة. وبدلاً من ذلك، أثبتوا رياضياً وعبر اختبارات صارمة أن القواعد الفيزيائية يجب أن تُحفظ في نهاية العملية تماماً، لتُستخدم فقط لتفسير المخرج النهائي، بينما يجب أن تظل الخريطة الداخلية نفسها حرة ومرنة تماماً. وقد حل هذا الاكتشاف لغزاً طال أمده حول سبب فشل المحاولات السابقة لبناء روبوتات أكثر ذكاءً، حيث قدم مخططاً واضحاً لكيفية بناء هذه الأنظمة بشكل صحيح.

تركز الدراسة، التي قادها محسن مصطفى، على نوع محدد من بنية الذكاء الاصطناعي المصممة للتنبؤ بالحالة المستقبلية لنظام ما بناءً على حالته الحالية وأفعاله. تخيل ذراعاً روبوتية تحاول تمرير خيط في إبرة. يأخذ الذكاء الاصطناعي صورة للمشهد وموضع الروبوت الحالي، ويضغط هذه المعلومات في رمز مخفي، ثم يحاول التنبؤ بمكان وجود الروبوت في لحظة لاحقة. الهدف هو إنشاء "نموذج عالم" يمكنه محاكاة المستقبل داخل الكمبيوتر قبل أن يتحرك الروبوت فعلياً. كان الباحثون يستقصون مفارقة: عندما أضافوا قواعد حول كيفية تحرك مفاصل الروبوت أو كيفية رؤية الكاميرا للعالم مباشرة في الجزء من الذكاء الاصطناعي الذي ينشئ الرمز المخفي، ساء أداء النظام. وعندما أزالوا تلك القواعد، عمل النظام بشكل أفضل. بدا هذا منافياً للمنطق، إذ يُتوقع أن تقديم المزيد من المعلومات للذكاء الاصطناعي حول قوانين الفيزياء سيساعده.

ولحل هذا اللغز، طور الفريق سلسلة من البراهين الرياضية التي تظهر أن الرمز الداخلي، أو "التضمين"، يعمل بشكل أفضل عندما يكون عشوائياً ومنتشراً قدر الإمكان، وهي حالة تُعرف باسم "الاعتلاج الأقصى" (maximum entropy). لقد أثبتوا أنه إذا قيدتم هذا الرمز بالقواعد الفيزيائية، فإنكم تجبرونه على اتخاذ شكل ضيق لا يمكنه تمثيل التنوع الكامل للعالم. الأمر يشبه محاولة وضع جسم معقد ثلاثي الأبعاد في صندوق مسطح وصلب؛ حيث يتعرض الجسم للسحق، وتفقد التفاصيل. أظهرت الرياضيات أن جزء التنبؤ في النظام، الذي يخمن المستقبل، يمكنه التعامل مع أي نوع من الفيزياء دون الإضرار بالرمز الداخلي، ولكن الرمز نفسه يجب أن يظل غير مقيد. المكان الوحيد الذي يمكن فيه تطبيق القواعد الفيزيائية بأمان هو في النهاية، في "المفكك" (decoder)، الذي يترجم الرمز المخفي مرة أخرى إلى تنبؤ بما يراه الروبوت أو يفعله.

اختبر الباحثون هذه النظرية عبر سيناريوهين مختلفين تماماً من الواقع: القيادة الذاتية والتحكم الروبوتي. استخدموا بيانات من مجموعة بيانات nuScenes، التي تحتوي على آلاف الساعات من لقطات القيادة، ومجموعة بيانات MimicGen، التي تتميز بروبوت ثنائي اليد يحاول تمرير خيط في إبرة. في كلتا الحالتين، أجروا مئات التجارب، مدربين الذكاء الاصطناعي بتكوينات مختلفة. وقارنوا بين الأنظمة حيث طُبقت قواعد الفيزياء على الرمز الداخلي، والأنظمة حيث طُبقت القواعد فقط على المخرج النهائي. كانت النتائج متسقة وذات دلالة إحصائية. في كل اختبار، أنتج النظام الذي أبقى الرمز الداخلي حراً وطبق الفيزياء في النهاية فقط تمثيلاً أفضل بكما وأكثر موثوقية للعالم. أما الأنظمة التي حاولت فرض الفيزياء في الرمز فقد عانت من "انهيار"، حيث أصبح الخريطة الداخلية بسيطة للغاية وفقدت القدرة على التمييز بين المواقف المختلفة.

جاءت واحدة من أكثر النتائج إثارة للدهشة في مهمة تمرير الخيط الروبوتية. فقد اكتشف الباحثون نمط فشل خفي لم يلاحظ في الدراسات السابقة. وجدوا أنه حتى عندما يبدو الذكاء الاصطناعي وكأنه يعمل بشكل صحيح على السطح، فإنه قد يكون في حالة "انهيار" بطريقة غير مرئية للفحوصات القياسية. كان الذكاء الاصطناعي يجد طريقاً مختصراً حيث يستوفي القواعد الأساسية للعبة دون تعلم العلاقات المعقدة اللازمة للتحكم. حدث هذا لأن المهمة كانت بسيطة للغاية لدرجة أن الذكاء الاصطناعي استطاع تجاوز النظام. ولضبط ذلك، طور الفريق أداة تشخيصية جديدة نظرت بعمق أكبر في إشارات الذكاء الاصطناعي الداخلية، وكشفت أن النظام "الذكي" كان في الواقع أجوفاً. هذا الاكتشاف يحذر من أن مجرد التحقق مما إذا كان بإمكان الذكاء الاصطناعي التنبؤ بالإطار التالي ليس كافياً؛ بل يجب أيضاً التأكد من أن التمثيل الداخلي غني ومتنوع.

كما تناولت الدراسة سؤالاً حاسماً حول ما إذا كانت هذه التمثيلات الأفضل تؤدي بالفعل إلى تحكم أفضل. قام الباحثون ببناء نظام تخطيط يستخدم الذكاء الاصطناعي المدرب لتحديد أفضل تسلسل من الحركات للوصول إلى هدف ما. توقعوا أن الذكاء الاصطناعي ذو التوزيع الصحيح للفيزياء سيخطط بشكل أفضل من الآخرين. ومع ذلك، وجدوا فخاً دقيقاً؛ فقد تمكن نظام التخطيط من إيجاد تسلسلات أفعال سجلت درجات مثالية في دالة التكلفة الداخلية للذكاء الاصطناعي، لكنها كانت في الواقع بعيدة جداً عن المسار الصحيح الفعلي. كان الأمر كما لو أن الذكاء الاصطناعي قد تعلم التلاعب بنظام التسجيل بدلاً من حل المشكلة. حدث هذا في جميع إصدارات النموذج، بغض النظر عن كيفية بنائها. وخلص الباحثون إلى أنه بينما يخلق مبدأ التصميم الجديد خريطة داخلية أفضل بكثير، فإن إثبات أن هذه الخريطة تؤدي إلى تحكم أفضل في العالم الحقيقي يتطلب اختبار الروبوت في بيئة حية، وليس فقط في محاكاة كمبيوتر.

يقدم هذا العمل إجابة نهائية لمشكلة أرقت مجال الروبوتات والقيادة الذاتية. فهو يوضح أن الحدس بضخ المعرفة بالمجال في الذكاء الاصطناعي هو أمر صحيح، لكن الهدف كان خاطئاً. الفيزياء تنتمي إلى "المفكك"، حيث تساعد في تفسير العالم، ولكنها لا تنتمي أبداً إلى "المشفر" (encoder)، حيث تدمر قدرة النظام على التعلم. باتباع هذه القاعدة، يمكن للمهندسين بناء نماذج عالم تكون سليمة نظرياً وقوية تجريبياً. كما تعمل الدراسة كتحذير للمجال، حيث تسلط الض light على أن الاختبارات غير المتصلة (offline) قد تكون مضللة، وأن التحقق الحقيقي يتطلب رؤية كيفية أداء النظام عند تفاعله مع العالم الحقيقي. وقد تم جعل الكود والبيانات لهذه التجارب عامة، مما يسمح للباحثين الآخرين بالتحقق من هذه النتائج والبناء على هذا الأساس الجديد لإنشاء آلات ذكية.