💻 علوم الحاسوب

Can Environment-Agnostic Agents Solve ARC-AGI-3 from Warped and Noisy Images?

تُظهر هذه الورقة أنه بينما تعاني الوكلاء غير المتكيفين مع البيئة من أجل حل مهام ARC-AGI-3 المستمدة من صور مشوهة ومشوشة للغاية، يحقق نموذج GPT-6-astra أداءً يقترب من السقف في ظل هذه الظروف القاسية، متفوقاً بشكل كبير على GPT-5.6-sol من خلال الجمع الفعال بين معالجة الصور واتخاذ القرار في ظل عدم اليقين.

المؤلف الأصلي: Sergey Rodionov

نُشر 2026-11-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلف الأصلي: Sergey Rodionov

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

تخيل برنامج حاسوب يجب أن يتعلم لعب لعبة ليس عن طريق قراءة القواعد أو رؤية شبكة نظيفة من الأرقام، بل من خلال النظر إلى صورة لوحة اللعبة. هذا هو تحدي بناء وكيل مستقل عن البيئة (environment-agnostic agent): عقل برمجِيّ واحد يمكنه دخول عوالم رقمية مختلفة، وفهم كيفية عملها بمجرد النظر إليها، واتخاذ إجراءات للفوز، كل ذلك دون الحاجة لإعادة برمجة من أجل كل لعبة جديدة. وتتضاعف الصعوبة عندما لا تكون الصورة التي يراها واضحة؛ فماذا لو كانت الصورة مشوشة بالضجيج، أو إذا كانت اللوحة نفسها تبدو منحنية، أو ممتدة، أو ملتوية كما لو كانت تُرى عبر مرآة ملاهي (funhouse mirror)؟ في العالم الحقيقي، تتميز أعيننا وأدمغتنا بقدرة فائقة على التصحيح لهذه التشوهات، ولكن بالنسبة للآلة، فإن رؤية هدف مشوه ثم تحديد مكان النقر بدقة على اللوحة الأصلية المسطحة يمثل اختباراً عميقاً للذكاء. يقع هذا السؤال في قلب دراسة جديدة تستكشف ما إذا كان الذكاء الاصطناعي يمكنه التعلم من الرؤية بوضوح من خلال ضباب من الفوضى البصرية.

لقد وضع الباحثون في "سينجولاريتي نت" (SingularityNET) هدفاً لاختبار ذلك من خلال تغذية نوع محدد من الوكلاء الاصطناعيين بسلسلة من الألغاز المنطقية المعروفة باسم (ARC-AGI-3). صُممت هذه الألغاز لاختبار القدرة على الاستنتاج، وهي تتطلب من الحلّال اكتشاف قواعد وأنماط خفية. في هذه التجربة، لم يُعطَ الوكيل أبداً قائمة نظيفة من الأرقام أو وصفاً نصياً للوحة؛ بدلاً من ذلك، تلقى صوراً فقط. ولجعل المهمة صعبة للغاية، تعمد الباحثون إفساد هذه الصور؛ حيث أضافوا ضجيجاً عشوائياً، يشبه الحبيبات التي تظهر على شاشة تلفزيون قديم، وطبقوا تشوهات هندسية لثني الخطوط المستقيمة للوحة لتصبح منحنية أو لتغيير المنظور تماماً. والأهم من ذلك، أن التشوه كان يتغير مع كل إطار (frame) يراه الوكيل، مما يعني أن شكل اللوحة قد يبدو مختلفاً من لحظة إلى أخرى، حتى لو لم تتغير حالة اللعبة. كان على الوكيل النظر إلى صورة ملتوية ومشوشة، وفهم ما يحدث، ثم تقديم إحداثيات دقيقة على اللوحة الأصلية غير المشوهة للقيام بحركة ما. كان الأمر أشبه بمحاولة إصابة هدف على جدار بينما تنظر إليه من خلال نافذة مهتزة ومتسخة تغير شكلها باستمرار.

قارنت الدراسة بين نسختين مختلفتين من الذكاء الاصطناعي، إحداهما قديمة والأخرى أحدث، لمعرفة كيفية تعاملهما مع هذه الفوضى البصرية. النسخة القديمة، عند مواجهة الصور الملتوية، عانت بشكل كبير؛ حيث انخفض أداؤها بحدة، خاصة عندما كانت الصور منحنية بطرق معقدة. وجد الباحثون أن انحناء الصورة كان أكثر إرباكاً للآلة من الضجيج الساكن وحده. ولمساعدة الوكيل القديم، قدم العلماء أداة بسيطة: ميزة "تغذية المؤشر الراجعة" (cursor feedback). سمحت هذه الميزة للوكيل باقتراح موقع على اللوحة ورؤية صورة توضح أين سيظهر هذا الموقع على الصورة المشوهة، مما سمح له أساساً بالتحقق من تخمينه قبل الالتزام به. ساعد هذا الوكيل القديم على استعادة بعض قدرته المفقودة، خاصة في الألعاب التي تتطلب النقر، لكنه لم يستطع التغلب على التشوهات الأكثر شدة. وحتى مع هذه المساعدة، فشل الوكيل القديم في حل معظم الألغاز الأكثر صعوبة عندما كانت الصور مشوشة للغاية وملتوية بشدة.

ومع ذلك، أظهر الذكاء الاصطناعي الأحدث أداءً يتميز بمرونة مذهلة. فعند مواجهة نفس التشوهات الشديدة التي كادت أن تشل حركة النموذج الأقدم، نجح هذا الوكيل في حل جميع الألغاز تقريباً، محققاً معدل نجاح يتجاوز 95% حتى بدون أداة تغذية المؤشر الراجعة. لقد تمكن من التنقل عبر الصور الملتوية والمشوشة وتحديد الإحداثيات الصحيحة على اللوحة الأصلية. دفع الباحثون هذا الوكيل إلى أبعد من ذلك في اختبارات متابعة، حيث زادوا من مستوى الضجيج إلى مستويات تصبح فيها البكسلات الفردية غير قابلة للتمييز تقريباً، وأضافوا دورانات عشوائية للوحة. وحتى تحت هذه الظروف القصوى، لم ينهار الوكيل. وبينما انخفض معدل نجاحه الإجمالي، إلا أنه ظل قادراً على حل جزء كبير من الألعاب. وفي لعبة واحدة محددة، حقق درجة شبه مثالية رغم أن الصور كانت مشوشة ومشوهة لدرجة أنها بدت غير قابلة للتمييز تقريباً بالنسبة للمراقب البشري.

وللتعمق في كيفية نجاح هذا الوكيل، فحص الباحثون الملفات التي أنشأها أثناء لعبه. ووجدوا أن الوكيل قد كتب نصوصاً برمجية (scripts) خاصة به لمعالجة الصور؛ حيث استخدم هذه الأدوات لتنظيف الضجيج وتقويم الخطوط الملتوية، مما أدى فعلياً إلى إعادة بناء رؤية واضحة للوحة من المدخلات الفوضوية قبل اتخاذ قراراته. يشير هذا إلى أن الوكيل لم يكتفِ بـ "التخمين" عبر الارتباك، بل قام بنشاط ببناء صورة أوضح للواقع باستخدام أدوات طورها في اللحظة ذاتها. وتخلص الدراسة إلى أنه بينما يمكن للتشوه البصري الشديد أن يكسر النماذج الأبسط، يمكن للوكلاء الأكثر تقدماً التعلم من التعويض عن ذلك عبر بناء نماذج داخلية للعبة واستخدام أدوات معالجة الصور لتصحيح رؤيتهم. وتشير النتائج إلى أن الطريق نحو ذكاء اصطناعي قوي قد يكمن في القدرة ليس فقط على رؤية العالم كما يُعرض، بل في العمل بنشاط لفهم العالم الكامن وراء التشوه.

ملخص تقني: هل يمكن للوكلاء المستقلين عن البيئة حل ARC-AGI-3 من الصور المشوهة والمشوشة؟

بيان المشكلة

تتقصى هذه الدراسة مدى متانة الوكلاء المستقلين عن البيئة (environment-agnostic agents) عند حل ألعاب تفاعلية تحت ظروف فساد بصري شديد. وتحديداً، تختبر ما إذا كان بإمكان الوكيل حل ألعاب ARC-AGI-3 (مجموعة التجريد والاستدلال للذكاء الاصطوي العام) عندما تُعرض لوحة اللعبة حصرياً من خلال صور مشوهة هندسياً ومشوشة.

يكمن التحدي الجوهري في الانفصال بين الملاحظة والفعل:

الفساد البصري: يتلقى الوكيل صوراً مُصيرة (rendered) خاضعة لضجيج بكسل غاوسي مستقل، وتحويلات إسقاطية عشوائية (homographies)، وتشوهات غير خطية سلسة (تشويه حر الشكل - Free-Form Deformation) لكل إطار، بما في ذلك الإطارات المتوسطة.
عدم محاذاة الإحداثيات: بالنسبة للألعاب التي تتطلب نقرات، يجب على الوكيل تقديم إحداثيات على اللوحة الأصلية غير المشوهة بمقاس $64 \times 64$ . ومع ذلك، يظهر الهدف في موقع مشوه في الصورة المشوهة. يجب على الوكيل استنتاج تحويل الخرائط (transformation mapping) الذي يعيد العرض المشوه إلى نظام الإحداثيات الأصلي دون الحصول على معاملات التحويل صراحةً.
الاستقلال عن البيئة: يظل تنفيذ الوكيل ثابتاً عبر البيئات المختلفة؛ حيث يعتمد فقط على وصف المهمة المقدم وصور الملاحظات، دون الوصول إلى الشبكات النصية أو تمثيلات الحالة الرقمية.

المنهجية

الإعداد التجريبي

تستخدم الدراسة وكيل "التوقف والتقرير" (Stop-and-report agent) (وهو تنفيذ مستقل عن البيئة تم تقييمه مسبقاً على ARC-AGI-3 وAGI Maze وTerminal-Bench) متصلاً بإطار عمل EnvTraverse. تنقسم التجارب إلى دراسة رئيسية ودراسة تتبعية.

البيئات:

العرض النظيف (Clean-view): خط أساس مع صور لوحة بصيغة PNG غير معدلة.
العرض المشوه (Distorted-view): يُدخل ضجيج البكسل ( $\sigma = 40, 80, 120$ )، وعيوب ضغط JPEG، وتحويلات إسقاطية عشوائية، وتشويهاً غير خطي (متوسط وقوي).
تغذية المؤشر الراجعة (Cursor-feedback): توسع "العرض المشوه" بإضافة إجراء مساعد هو highlight_pixel(x,y). يقوم هذا الإجراء بعرض الحالة الحالية مرتين: مرة بدون علامة، ومرة مع مؤشر يشير إلى الموقع المحول لإحداثيات اللوحة المقترحة. يوفر هذا تغذية راجعة بصرية حول رسم خرائط الإحداثيات دون تصحيح الإحداثيات أو استهلاك ميزانية الإجراءات.

النماذج المختبرة:

GPT-5.6-sol: تم تقييمه عبر جميع أنواع التشوه ومستويات الضجيج.
GPT-6-astra: تم تقييمه تحت أقسى الظروف لاختبار حدود الأداء.

المقاييس:
يُقاس الأداء باستخدام كفاءة الفعل النسبي للبشر (RHAE)، والتي تجمع بين معدلات إكمال المستويات وكفاءة الفعل بالنسبة للمراجع البشرية.

التجارب التتبعية

لاستقصاء حدود GPT-6-astra، أجرى المؤلف تجارب بدون تغذية المؤشر الراجعة تحت الظروف التالية:

الدوران العشوائي: إضافة دوران عشوائي للوحة ( $0^\circ$ – $360^\circ$ ) بعد كل إجراء، بالتزامن مع تشويه قوي وضجيج $\sigma=120$ .
الضجيج الشديد: زيادة الضجيج الغاوسي إلى $\sigma = 360$ و $\sigma = 1200$ تحت تشويه غير خطي قوي.
مراجعة البروتوكول: معالجة مشكلة "البروتوكول العالق" (stuck protocol) حيث يتوقف الوكيل مبكراً عند عدم اليقين. تم اختبار وكيل معدل (Stop-and-report3) بتعليمات صريحة لاتخاذ إجراءات ذات مغزى بدلاً من التوقف.

النتائج الرئيسية

1. تأثير التشوه على GPT-5.6-sol

الضجيج الهندسي مقابل ضجيج البكسل: أثر التشوه الهندسي (التحويل الإسقاطي والتشويه) على الأداء بشكل أكبر بكثير من ضجيج البكسل وحده. تحت التحويل الإسقي العشوائي، انخفض إجمالي RHAE من ~91% (نظيف) إلى ~50%.
تغذية المؤشر الراجعة: ساهمت التغذية الراجعة في استعادة الأداء جزئياً، خاصة في الألعاب التي تعتمد على النقر فقط (حيث ارتفع RHAE بمقدار 50 نقطة مئوية تحت التحويل الإسقاطي). ومع ذلك، تحت أقوى حالات التشويه والضجيج ( $\sigma=120$ ، تشويه FFD قوي)، ظل الأداء ضعيفاً (15% RHAE) حتى مع وجود التغذية الراجعة.
التشويه غير الخطي: قلل التشويه غير الخطي القوي من RHAE الخاص بـ GPT-5.6-sol إلى 16.23% (بدون تغذية راجعة) و 14.48% (مع تغذية راجعة) عند $\sigma=120$ .

2. أداء GPT-6-astra

المتانة العالية: حقق GPT-6-astra أداءً يقترب من السقف (95.44% RHAE) تحت أقسى ظروف الدراسة الرئيسية (تشويه قوي + $\sigma=120$ ) بدون تغذية المؤشر الراجعة، حيث أكمل 24/25 لعبة. ومع التغذية الراجعة، أكمل جميع الألعاب الـ 25 (99.53% RHAE).
حدود المتابعة:
- الدوران: أدى إضافة الدوران العشوائي إلى تقليل RHAE بشكل طفيف فقط (95.44% $\to$ 93.06%).
- الضجيج الشديد: عند $\sigma=360$ ، حقق الوكيل المعدل (Stop-and-report3) نسبة 71.77% RHAE. وعند $\sigma=1200$ ، انخفض الأداء إلى 17.37% RHAE، ومع ذلك أكمل الوكيل 10/25 لعبة.
- دراسة حالة (lf52): عند $\sigma=1200$ ، حقق الوكيل 99.38% RHAE في اللعبة lf52. كشف تحليل مساحة عمل الوكيل أنه أنشأ 31 نصاً برمجياً بلغة Python وما يقرب من 1,000 صورة معالجة، مستخدماً مكتبة OpenCV لإزالة الضجيج وإلغاء تشويه الملاحظات قبل اتخاذ القرارات.

المساهمات الرئيسية

تكميم المتانة البصرية: توضح الدراسة أن التشوه الهندسي يمثل عائقاً أكثر حدة للوكلاء المستقلين عن البيئة من ضجيج البكسل وحده، مما يعيق تحديداً الإجراءات القائمة على الإحداثيات.
تقييم تغذية المؤشر الراجعة: تثبت الدراسة أن التغذية الراجعة البصرية (إظهار أين تقع الإحداثيات المقترحة) يمكن أن تساعد الوكلاء بشكل كبير في رسم خرائط العروض المشوهة إلى الإحداثيات الأصلية، رغم أنها لا تستطيع التعويض الكامل عن الفساد الشديد.
استخدام الوكيل للأدوات: تقدم الدراسة دليلاً تجريبياً على أن الوكلاء المتقدمين (GPT-6-astra) يمكنهم تطوير واستخدام أدوات معالجة الصور ذاتياً (إزالة الضجيج، إلغاء التشويه) ضمن مساحة عملهم لحل المهام تحت ظروف عدم اليقين الشديد، بدلاً من الاعتماد فقط على الإدراك البصري الخام.
تحسين البروتوكول: كشف تحديد وتصحيح غموض "البروتوكول العالق" أن الوكلاء قد يتوقفون مبكراً عند مواجهة عدم يقين عالٍ، وهو عامل يجب إدارته في تصميم الوكلاء المتينين.

الأهمية والادعاءات

يزعم البحث أن الوكلاء المستقلين عن البيئة يمكنهم حل ألعاب تفاعلية معقدة من مدخلات بصرية فاسدة بشدة، بشرط أن يمتلك النموذج الأساسي قدرات استدلال كافية والقدرة على استخدام الأدوات الخارجية.

المتانة: أظهر GPT-6-astra قدرة على الحفاظ على أداء عالٍ تحت الظروف التي جعلت GPT-5.6-sol غير فعال، مما يشير إلى قفزة نوعية في الاستدلال البصري والتكيف.
آلية النجاح: يقترح المؤلف أن اللعب الناجح ينطوي على الأرجح على مزيج من المعالجة النشطة للصور (لاستعادة هيكل اللوحة) واتخاذ القرار تحت عدم يقين جوهري. يبدو أن قدرة الوكيل على التعرف على تغيرات التحويل (مثل الدوران) والتعويض عنها عبر الأدوات، بدلاً من تفسير كل صورة مدورة مباشرة، هي أمر حاسم.
القيود: يشير المؤلف بتواضع إلى أن التعرض المسبق لألعاب ARC-AGI-3 العامة قد ساهم في الدرجات العالية، وأن الأداء على الألعاب الجديدة غير المرئية لا يزال بحاجة للاختبار. علاوة على ذلك، بينما نجح الوكيل في حالات معينة تحت ضجيج شديد، انخفض الأداء الإجمالي بشكل ملحوظ عند أعلى مستويات الضجيج ( $\sigma=1200$ )، مما يشير إلى الحدود الحالية للمتانة البصرية.

تخلص الدراسة إلى أنه بينما يمثل التشوه الهندسي تحدياً كبيراً، فإن الوكلاء المجهزين بقدرات استخدام الأدوات والاستدلال المتين يمكنهم التغلب على هذه الحواجز لتحقيق أداء يقارب الأداء البشري في البيئات البصرية التفاعلية.