💻 علوم الحاسوب

When Blocks Outlive Tasks: Three Safeguards for Task-ID-Free Routing in Growing Continual Learners

تقترح هذه الورقة وتتحقق من صحة ثلاث ضمانات محددة — وهي إعادة تشغيل الفترات السابقة، وتسجيل حالات الموجه عند تجميد الكتلة، ومنع الكتابة فوق إحصائيات الكتلة المجمدة — لتمكين التوجيه القوي الخالي من هوية المهمة في المتعلمين المستمرين المتنامين حيث تعيش الكتل لفترة أطول من المهام الفردية.

المؤلفون الأصليون: Nishant Kumar, Saurabh Srivastava

نُشر 2026-11-12

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Nishant Kumar, Saurabh Srivastava

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل طالباً يتعين عليه تعلم موضوع جديد كل عام، من علم النبات إلى الفيزياء الفلكية، دون أن ينسى أبداً الدروس التي تعلمها في السنوات السابقة. في عالم الذكاء الاصطناعي، يتمثل هذا في تحدي "التعلم المستمر". ولحل هذه المعضلة، غالباً ما يبني الباحثون أنظمة تنمي أجزاءً جديدة من عقلها لكل موضوع جديد، مع تجميد الأجزاء القديمة لحماية ما تعلمته بالفعل. يعمل هذا النهج بشكل جيد عندما يعرف النظام بالضبط الموضوع الذي يتم اختباره فيه، مما يسم يسمح له ببساطة باختيار القسم المجمد المناسب من عقله. ولكن في العالم الحقيقي، غالباً ما يواجه الذكاء الاصطناعي سؤالاً دون وجود تسمية توضح الموضوع الذي ينتمي إليه. عليه أن يكتشف أي جزء من عقله المتنامي يحمل الإجابة. هذا هو لغز "التوجيه الخالي من المهام": كيف ترسل سؤالاً إلى بنك الذاكن الصحيح عندما لا يملك النظام أي فكرة عن موضوع السؤال.

تصبح المشكلة أكثر صعوبة عندما لا يكون نمو الذكاء الاصطناعي مجدولاً بدقة. ففي العديد من الأنظمة المتقدمة، قد يتعلم قسم واحد من الدماغ لعدة سنوات متتالية قبل أن يتم تجميده وتخصيصه نهائياً. وخلال تلك السنوات، يتغير هذا القسم ويتطور. وإذا حاول النظام تذكر ما كان يعرفه ذلك القسم عندما كان أصغر سناً، فقد يكون ينظر إلى ذاكرة لم تعد تتطابق مع النسخة الحالية من ذلك القسم. علاوة على على ذلك، إذا استمر النظام في التدريب على بيانات جديدة، فقد يقوم عن طريق الخطأ بمسح الملاحظات التي دونها عن الأقسام القديمة، مما يجعله ينسى أي جزء من عقله هو الأنسب لسؤال معين. وبدون وسيلة للتعامل مع هذه الذاكرات المتغيرة، يمكن للذكاء الاصطناعي أن يتوه، ويرسل الأسئلة إلى الخبراء الخطأ ويفشل في التعلم.

لقد وضع فريق من الباحثين في المعهد الهندي للتكنولوجيا (ISM) دانهد (Dhanbad) حلاً لهذه المشكلة تحديداً. فقد ركزوا على تنمية أنظمة ذكاء اصطناعي تتعلم على مراحل، حيث يمكن لكتلة تعلم واحدة أن تمتد لعدة فترات زمنية قبل أن تُغلق وتُثبّت. وقد حددوا ثلاث قواعد حاسمة، أو ضمانات، يجب اتباعها للحفاظ على عمل نظام التوجيه بشكل صحيح عندما تعيش هذه الكتل لفترة أطول من مهامها الأصلية. القاعدة الأولى هي أن كتلة التعلم النشطة يجب أن تحتفظ بنسخة مؤقتة صغيرة من البيانات التي رأتها في الفترات السابقة بينما لا تزال تتعلم أشياء جديدة؛ وهذا يضمن أنه عند تجميد الكتلة أخيراً، سيكون لديها سجل كامل لتاريخها بأكته، وليس فقط لدروسها الأخيرة. القاعدة الثانية تنص على أن النظام يجب أن يدون ملاحظاته النهائية حول الكتلة فقط في اللحظة التي يتم فيها تجميد تلك الكتلة تماماً. فإذا حاول النظام تحديث هذه الملاحظات لاحقاً، فلن يعود الوصف مطابقاً للحالة النهائية للكتلة. أما القاعدة الثالثة فتتطلب أنه بمجرد تجميد الكتلة، يجب ألا يسمح النظام أبداً لبيانات التدريب الجديدة بمسح الملاحظات التي دونها عن تلك الكتلة؛ إذ يجب أن تظل الملاحظات كما هي تماماً، محفوظة في حالة لا يمكن تغييرها من خلال التعلم المستقبلي.

ولاختبار ما إذا كانت هذه القواعد ضرورية حقاً، أجرى الباحثون سلسلة من التجارب الصارمة عبر عشر بذور حاسوبية مختلفة، وهي تشبه إجراء التجربة نفسها عشر مرات مع نقاط بداية عشوائية مختلفة قليلاً. وقد اختبروا النظام على خمس معايير مختلفة، وهي مجموعات قياسية من البيانات تُستخدم لقياس أداء الذكاء الاصطناعي، تتراوح من التعرف البسيط على الصور إلى فهم اللغة المعقدة. وفي تسعة عشر اختباراً من أصل عشرين اختباراً محدداً، كان أداء النظام أفضل بكثير عندما كانت الضمانات الثلاثة موجودة مقارنة بحالات إزالة أي منها. فعندما أزالوا القاعدة الأولى، نسي النظام دروسه الماضية قبل أن يتمكن من حفظها. وعندما أزالوا الثانية، كانت الملاحظات التي دونها عن الكتل قديمة وغير دقيقة. وعندما أزالوا الثالثة، تم مسح ذاكرة النظام عن الكتل القديمة بواسطة البيانات الجديدة، مما أدى إلى فقدانه للطريق. وكان الاستثناء الوحيد هو اختبار واحد على نوع معين من بيانات الصور المشوشة، حيث لم تحدث القاعدة الثانية أي فرق تقريباً، مما يشير إلى أن ليس كل نوع من البيانات يتطلب كل قاعدة بنفس الدرجة.

اكتشف الباحثون أيضاً أمراً مفاجئاً حول كيفية اختيار النظام بين إصدارات مختلفة من نفس كتلة التعلم. فأحياناً، يتم تنقيح الكتلة، مما يخلق نسخة قديمة ونسخة جديدة. ووجد الفريق أن الطريقة المصممة لاختيار الإصدار "الأكثر كفاءة" نجحت جيداً عند مقارنة هذين الإصدارين ببعضهما البعض فقط. ومع ذلك، عندما حاولوا استخدام نفس الطريقة للاختيار بين جميع الكتل في النظام بأكته، أدى ذلك في الواقع إلى جعل النظام أسوأ؛ حيث مالت الطريقة إلى سحب الأسئلة بعيداً عن الكتل التي تملكها حقاً ونحو النسخ المنقحة، لمجرد أن تلك النسخ حصلت على درجة أعلى قليلاً. لقد علّمهم ذلك أن الإشارة التي تعمل في قرار محلي صغير يمكن أن تكون ضارة عند تطبيقها على النظام ككل.

وعلى الرغم من هذه النجاحات، كشفت الدراسة أيضاً عن حد صعب. فحتى مع وجود الضمانات وعمل التوجيه بشكل مثالي، لا تزال الأنظمة المتنامية غير قادرة على التفوق على نوع آخر من الذكاء الاصطناعي الذي لا ينمو أبداً. فبالنسبة للميزات المجمدة التي استخدموها، تفوق نظام يسمى RanPAC (وهو نظام غير نامٍ) باستمرار على كل بنك من البنوك المتنامية والموجهة. وهذا يشير إلى أنه بينما تمنع الضمانات النظام المتنامي من الفشل، فإنها لا تجعل النمو الخيار الأفضل تلقائياً. بل يجب على آلية النمو أن تثبت جدارتها من خلال تعلم شيء جديد لا يستطيع النظام الثابت تعلمه. وخلص الباحثون إلى أن عملهم يوفر أساساً ضرورياً لجعل الأنظمة المتنامية تعمل دون الحاجة لتسميات المهام، لكن السؤال الأكبر حول ما إذا كان النمو هو المسار الصحيح دائماً لا يزال قائماً. فالضمانات تحافظ على عدم تعطل التوجيه، لكنها لا تضمن أن المتعلم المتنامي سيكون هو الأذكى في الغرفة.

أبحاث مشابهة