أنت مجموعات تشاو في IJCAI 2026 تنشر أربع أوراق بحثية، تستكشف منهجية قدرات الذكاء الاصطناعي على التكيف في البيئات الديناميكية.

كاتب المقال، المصدر: LeiFeng.com

أي خوارزمية ذكية، في النهاية، يجب أن تخضع للاختبار في بيئة ديناميكية.

ستُعقد IJCAI-ECAI 2026 في بريمن، ألمانيا، من 15 إلى 21 أغسطس 2026. وفي وقت انعقاد المؤتمر، تقوم مراجعة تكنولوجيا الذكاء الاصطناعي حاليًا بمسح منهجي للأوراق المقبولة في هذا المؤتمر الرائد، لالتقاط الاتجاهات التقنية واتجاهات الصناعة.

فيمراجعة أوراق Huawei IJCAI 2026: الانتقال من "كثافة الحجم" إلى "كثافة التصميم"، لاحظنا ضبط النفس من قبل الشركات الكبرى في سباق المعلمات، وسعيها نحو كفاءة قوة الحوسبة.

أما الأوراق الأربعة التي تم اختيارها من قبل مجموعة علي بابا، فهي تشير إلى مسار تقني مهم بنفس القدر ولكن مختلف تمامًا: الاستكشاف المنهجي لقدرة التكيف مع البيئات الديناميكية.

دقة نموذج الخوارزمية تُحطم السجلات باستمرار في المختبر، لكنها بمجرد نشرها في العالم الحقيقي، يصبح تراجع الأداء قاعدة تقريبًا. السبب بسيط: العالم الحقيقي لا يقف أبدًا.

تُدفع سيناريوهات عمل مجموعة علي بابا إلى أقصى حد من "الديناميكية": أكثر من مليار مستخدم، و8000 خدمة مختلفة، حيث يمكن أن يختلف حجم الذروة في المدفوعات عن الحد الأدنى في منتصف الليل بعدة درجات من الحجم، ويجب أن تستجيب نماذج المخاطر بسرعة على مستوى الساعات لتطوير استراتيجيات الجهات الخبيثة، مع ضرورة التكيف مع البنية التحتية المالية المتنوعة في مختلف الدول عند النشر العالمي.

في مثل هذا البيئة، ستُواجه النماذج الثابتة التي تعتمد على "تدريب واحد، نشر دائم" صعوبات تشبه محاولة العثور على سيف غُرق في النهر.

ولهذا السبب، فإن الذكاء الحقيقي يكمن في قدرة الخوارزميات على إدراك تغيرات البيئة، وتعديل استراتيجياتها بشكل نشط، والبحث عن الحل الأمثل في ظل الديناميكية. وتُجيب هذه الأوراق الأربعة لمجموعة علي بابا بشكل متسق على هذا السؤال الأساسي: كيف يمكن جعل الذكاء الاصطناعي يتطور من "حلّال ثابت" إلى "متكيف ديناميكي"؟

01 MSRGC-Net: جعل تجميع سلسلة الوقت "متكيفًا" مع توزيع كثافة البيانات

تجميع السلاسل الزمنية هو عملية تصنيف تلقائي لسلسلة سلوكية ضخمة، وهي أداة أساسية لفهم أنماط السلوك ومراقبة إشارات الشذوذ.

لكن الطرق الحالية كل منها تواجه إحراجًا خاصًا بها:

• طرق التشابه (مثل k-Shape): يمكنها اكتشاف الأنماط المحلية، لكنها تحتاج إلى حساب المسافة بين كل زوج من العينات، مما يجعلها بطيئة جدًا مع زيادة حجم البيانات؛
• طرق التعلم العميق (مثل المُعادِل الذاتي): قدرة تمثيل قوية، لكن التدريب مكلف وضبط المعلمات مرهق واستهلاك قوة الحوسبة عالٍ؛
• استخراج السمات التقليدية: يعتمد على تصميم السمات يدويًا، وقد تُفقد معلومات الديناميكية الزمنية الأساسية.

المشكلة الأكبر هي أن كثافة توزيع البيانات التسلسلية في الواقع غير متساوية على الإطلاق — بيانات المعاملات في يوم التسوق الأكبر عالميًا كثيفة مثل الأمطار الغزيرة، بينما تكون بيانات منتصف الليل نادرة مثل قطرات الماء، لكن الأساليب التقليدية تتطلب منك إخبارها مسبقًا بعدد الفئات، وهذا يتعارض جوهريًا مع الواقع.

MSRGC-Net، الذي اقترحه مجموعتا آنت و جامعة تشونغتشينغ للاتصالات والبريد، يتجاوز الاختيار الصعب بين الدقة وكفاءة الحساب باستخدام مجموعة من "الأساليب دون التدريب".

رابط الورقة: https://arxiv.org/pdf/2606.12077v1

▎يمكن تفكيك منطقه الأساسي إلى ثلاث خطوات:

الخطوة الأولى: ترميز خزان متعدد المقاييس (استخراج الميزات). استخدم شبكات حالة رجعية متعددة غير قابلة للتدريب (ESN) كوحدات أساسية للحساب في الخزان، حيث يمكنها استخراج التقلبات المحلية والاتجاهات الطويلة الأجل من السلاسل الزمنية الأصلية فقط من خلال ضبط نصف القطر الطيفي، ثم تجميع جميع العينات لتشكيل مصفوفة ميزات المنظور، كمدخل للخطوات التالية.

الخطوة الثانية: بناء خريطة التثبيت للـ"كرات الحبيبية" (نمذجة الهيكل)، وهي الجزء الأكثر ذكاءً. لا يركز الخوارزمية بعد الآن على نقاط البيانات الفردية، بل يقسم تلقائيًا "كرات الحبيبية" بناءً على الكثافة المحلية للبيانات: تشكل المناطق ذات الكثافة العالية كرات صغيرة وكثيرة، بينما تشكل المناطق ذات الكثافة المنخفضة كرات كبيرة وقليلة. يتم ضغط حجم البيانات من N إلى M (عدد الكرات، M < N)، مع قمع التداخل الضوضائي أيضًا.

الخطوة الثالثة: تحسين الرسم متعدد المقاييس القائم على الإجماع. يتم دمج رسومات التثبيت عبر المقاييس من خلال استراتيجية الإجماع، مما يمكّن النموذج من التقاط الأنماط الميكروية المحلية والاتجاهات الكليّة الماكروية، ليُنتج في النهاية نتائج تجميع قوية لا تتطلب تحديد عدد التجميعات يدويًا.

How effective is this strategy?

على خمسة مجموعات بيانات مرجعية متعددة المتغيرات و15 معيار تقييم (NMI وARI وRI، 5 لكل منها)، حصل MSRGC-Net على 12 تقييمًا أوليًا و2 تقييمات ثانية — معدل أولية بنسبة 80%.

الأهم من ذلك، أنه تجنب الحسابات الزوجية O(n²) وحقق تعقيدًا شبه خطي. ببساطة: سريع ودقيق، ولا يحتاج منك أن تتنبأ بعدد الفئات.

في سيناريوهات الأعمال الفعلية لـ Ant، هذا يعني أن النظام يمكنه ضبط دقة التجميع تلقائيًا وفقًا لكثافة حركة المرور — تقسيم دقيق للمجموعات للكشف عن الشذوذ أثناء فترات الذروة، وتقسيم خشن لتقليل استهلاك الموارد أثناء فترات الانخفاض، مع التكيف دائمًا مع البيانات.

02 جعل استراتيجية مزج البيانات التكيفية للتعلم المعزز من غير متصل إلى متصل

يواجه التعلم المعزز مشكلة مشهورة تُعرف بـ"عدم التوافق مع البيئة": النموذج الذي تم تدريبه على بيانات غير متصلة يُصاب بـ"النسيان" فور إطلاقه. وهذا يحدث بسبب وجود فرق في التوزيع بين البيانات غير المتصلة وبيانات التفاعل المباشر، مما يؤدي إلى نسيان الاستراتيجية للتعلم المكتسب من البيانات غير المتصلة في المراحل الأولى من التشغيل المباشر.

الحلول الحالية لا تتجاوز نوعين: إما تثبيت نسبة مختلطة قدرها 50% غير متصل + 50% متصل، أو استخدام قواعد استدلالية لأخذ عينات "الاستراتيجيات القريبة" بأولوية.

لكن المشكلة أن احتياجات الاستراتيجية تختلف تمامًا في المراحل المختلفة — في المراحل المبكرة، تحتاج إلى مزيد من البيانات غير المتصلة لاستقرار القاعدة، بينما في المراحل المتقدمة، تحتاج إلى مزيد من البيانات المتصلة لاستكشاف إمكانيات جديدة. الاستراتيجية الثابتة هي مثل حفر علامة على القارب.

قدمت مجموعة علي بابا بالتعاون مع جامعة شنغهاي جياو تونغ ROAD، حيث حوّلت نسبة خلط البيانات من "معلمة محددة مسبقًا" إلى "متغير قرار ديناميكي".

رابط الورقة البحثية: https://arxiv.org/pdf/2605.14497

فكرة أساسه مثيرة للاهتمام: اختيار البيانات هو في جوهره مشكلة تحسين ثنائية الطبقات.

• الطبقة الداخلية (Inner-Level): تحديث Q-learning القياسي، أي تقليل خطأ بيلمان؛
• الطبقة الخارجية (Outer-Level): اعتبار استراتيجية خلط البيانات كمتغير قرار علوي، بهدف تعظيم العائد المتوقع للاستراتيجية عبر الإنترنت.

يتم حل الطبقتين تقريبًا باستخدام خوارزمية Multi-Armed Bandit (MAB) لضبط الاستراتيجية المختلطة في الوقت الفعلي أثناء التدريب: بمجرد اكتشاف أن النموذج يبدأ في "نسيان" المعرفة المكتسبة في المرحلة غير المتصلة، يتم زيادة نسبة أخذ العينات من البيانات غير المتصلة تلقائيًا لضمان الاستقرار الأساسي؛ وعندما يصبح النموذج متحفظًا جدًا ويقلل من الاستكشاف، يتم زيادة نسبة البيانات المتصلة في الوقت المناسب لتشجيعه على التجربة والخطأ.

تم إجراء التجارب بشكل متين. قام الفريق بتأكيد الأداء على ثلاثة معايير كلاسيكية شهيرة من التعلم المعزز من غير متصل إلى متصل: AntMaze (الروبوت يبحث عن هدف داخل متاهة)، MuJoCo (التحكم في حركة الروبوتات البيولوجية)، وFrankaKitchen (الذراع الآلية تنفذ عمليات معقدة في المطبخ). هذه المهام تختلف في صعوبتها ومساحات حالتها، مما يسمح بفحص شامل لقدرة الخوارزمية على التعميم.

لاختبار عمومية خوارزمية ROAD، دمج فريق البحث ROAD مع عدة خوارزميات غير متصلة رائجة مثل IQL وPEX وCQL وCal-QL. أظهرت النتائج أنه بغض النظر عن الخوارزمية الأساسية المستخدمة، فإن ROAD تُحسن الأداء بشكل مستقر.

باستخدام PEX+ROAD، حققت هذه الطريقة متوسطًا عامًا قدره 71.12 على 24 مهمة تحكم مستمرة في معيار D4RL، واحتلت المرتبة الأولى في 18 من هذه المهام، متفوقة بشكل ملحوظ على جميع الخطوط الأساسية مثل النسب الثابتة، والنسب المتناقصة، وإعادة العينة التحفيزية المتوازنة.

بمعنى آخر، يمكن لـ ROAD أن يجد التوازن الأمثل بين "الإرث الحذر" و"الاستكشاف الجريء" — فلا يفشل عند الإطلاق، ولا يفوت فرص التحسين التي تقدمها البيانات في الوقت الحقيقي. هذه الطريقة ذات قيمة واضحة في سيناريوهات مثل إطلاق نماذج المخاطر لمجموعة علي بابا وتحسين أنظمة التوصية في الوقت الحقيقي.

03 DSEBO: جعل تحسين بيزيان عالي الأبعاد يبحث في فضاء فرعي "تكيفي"

يُعد تحسين بايزي طريقة كلاسيكية لتحسين الدوال الصندوق الأسود، لكنه يواجه صعوبة عند مواجهة المشكلات ذات الأبعاد العالية. أحد الحلول الشائعة هو الإسقاط العشوائي — حيث يتم إسقاط التحسين على فضاء فرعي منخفض الأبعاد، لكن يظهر سؤال جديد: ما هو العدد الفعلي للأبعاد؟

تعتمد الطرق التقليدية إما على خبرة الخبراء لتحديد أبعاد فضاء فرعي ثابت، أو على طريقة المحاولة والخطأ لتقديرها مرارًا وتكرارًا، مما يستهلك موارد كبيرة، كما أن أبعاد الفضاء الفرعي الثابتة يصعب تكييفها مع مهام مختلفة. والأمر الأكثر تعقيدًا أن الأبعاد الفعالة نفسها قد تتغير مع تقدم التحسين: ففي المراحل الأولية للبحث، تكفي الأبعاد المنخفضة، بينما قد تتطلب المراحل الأخيرة من الضبط الدقيق تفاصيل بأبعاد أعلى.

DSEBO، الذي اقترحه مجموعة علي بابا بالتعاون مع جامعة شرق الصين للتعليم و جامعة نانجينغ، يجعل بعد الفضاء الفرعي متغيرًا ديناميكيًا خلال عملية التحسين، ويقوم بالتبديل تلقائيًا مع تقدم البحث.

رابط الورقة: https://arxiv.org/pdf/2605.23473

الآلية الأساسية لـ DSEBO هي "الصعود التدريجي من المنخفض إلى المرتفع":

• من الفضاء الفرعي ذي الأبعاد المنخفضة، يُولّد المُحسِّن حلولاً مرشحة في الفضاء المنخفض، وتُحول عبر تعيين تضمين عشوائي إلى الفضاء الأصلي، ثم تُحدد بسرعة شكل دالة الهدف التقريبي، ويتم تحديث عملية الغاوس التكرارية بناءً على ملاحظات النتائج؛
• تم ملاحظة أن التوسيع التلقائي للأبعاد يُفعّل بعد التقارب، حيث يتم "وراثة" الحلول منخفضة الأبعاد عبر مصفوفة التضمين المشتركة؛
• يتم تهيئة وتحسين مستمر للفضاءات الفرعية، مع ضمان تداخلها عبر مصفوفة التضمين المشتركة، لتشكيل دورة "استكشاف منخفض الأبعاد → تفعيل التقارب → توسيع الأبعاد → تحسين مستمر" حتى الوصول إلى الحد الأقصى للميزانية التقييمية.

في مرحلة توسيع الأبعاد، لا يكون مدى التوسيع ثابتًا — فالخوارزمية تضبط التوسيع تكيفيًا بناءً على منحنى القيمة المثلى الحالية: إذا كان المنحنى مسطحًا، يتم التوسيع ببطء لتقليل التكاليف غير الضرورية؛ وإذا كان المنحنى حادًا، يتم التوسيع بسرعة للتقاط المكاسب عالية الأبعاد بسرعة.

النتائج التجريبية تُظهر أن: على الدوال المركبة (Levy و Griewank و Sphere، D=1000) وثلاث مهام حقيقية (MSLR و Lasso-Hard و LIMO)، تفوق DSEBO على أكثر من عشر طرق رائدة مثل REMBO و SIRBO و BAxUS و TuRBO، وحقق الحل الأمثل في تقريبًا جميع المهام — بتفوق في الدقة وسرعة التقارب.

إن أسلوب "الاستكشاف في الأبعاد المنخفضة، والضبط الدقيق في الأبعاد العليا" هذا مفيد أيضًا في التطوير اليومي لـ Ant — فتحسين المعاملات الفائقة لنماذج الائتمان، وتحديد العتبات المثلى لاستراتيجيات إدارة المخاطر، وتصميم التجارب متعددة المتغيرات للحملات التسويقية، لم يعد يتطلب تقديرًا عشوائيًا من الخبراء للأبعاد، بل يقوم الخوارزمية تلقائيًا بـ"السير والمشاهدة" معًا، مما يحقق تشغيلًا آليًا وعالي الكفاءة.

04 VGA-BenchV2: جعل معيار تقييم الفيديو "متكيفًا" مع تطور بيئية AIGC

إذا كانت الأوراق الثلاثة الأولى تناقش التكيف على مستوى الخوارزميات، فإن VGA-BenchV2 يعرض كيفية تكيّف بنية التقييم مع تطورات بيئات تقنيات AIGC. وهي أيضًا الورقة الوحيدة بين الأوراق الأربع التي تركز على فهم المحتوى متعدد الوسائط، وتعكس التخزين الاستراتيجي لمجموعة Ant في المجالات غير المالية مثل الحياة الرقمية وبيئة المحتوى.

أدى AIGC إلى انفجار في إنتاج الفيديوهات، لكن هناك مشكلة جوهرية تعيق التقدم: كيف يمكننا تقييم جودة هذه الفيديوهات المولدة بشكل منهجي؟

مؤشرات التقييم التقليدية مثل FVD (تقييم الجودة العامة والاتساق الزمني) وCLIP Score (تقييم الاتساق الدلالي بين الصور المولدة والوصف النصي)، تركز بشكل رئيسي على وضوح الصورة، وانسيابية الحركة، وتوافق النص. أما التكوين الدقيق، والاهتمام بالإضاءة والظلال، وتناغم الألوان — فهذه الجوانب المتعلقة بالجودة الإدراكية للجمال، فهي تكاد تكون عاجزة عن قياسها.

في CVPR 2026 سابقًا، اقترحت Ant Group بالتعاون مع أكاديمية بكين السينمائية ومعهد الذكاء الاصطناعي العام (BIGAI) VGA-Bench، والذي أنشأ لأول مرة إطارًا ثلاثي الأبعاد لتقييم الجمالية الفيديوية (جودة الجمالية، وعلامات الجمالية، وجودة التوليد)، وبنى معيار تقييم مبني على 1016 كلمة إرشادية، و12 نموذجًا توليديًا، وأكثر من 60 ألف فيديو، مما مكّن الذكاء الاصطناعي من تعلم "تقدير" الفيديوهات من منظور متخصص لأول مرة.

رابط الورقة البحثية: https://arxiv.org/pdf/2604.10127

لكن نماذج توليد الفيديو تتطور بسرعة كبيرة، حيث إن وتيرة التحديثات الشهرية جعلت المعايير الثابتة تصبح "غير كافية" بسرعة. في هذه الورقة البحثية من IJCAI 2026، قدم الفريق VGA-BenchV2 كنسخة مطورة.

عنوان المصدر المفتوح:

https://huggingface.co/datasets/BestVictoryLab/VGA-Bench

▎التطور الأساسي يشمل ثلاث نقاط:

أولاً، زاد حجم الترميز اليدوي. أضاف VGA-BenchV2 36,000 علامة يدوية على مستوى المهام، بما في ذلك 16,200 علامة لجودة الجمال، و13,200 علامة لعلامات الجمال، و6,600 علامة لجودة الإنشاء، محققًا توسعًا بنسبة 13.46 مرة و11.15 مرة و1.55 مرة على التوالي مقارنة بـ VGA-Bench. توفر بيانات "تفضيلات الإنسان" الأكبر يساعد على محاذاة المقيّم بشكل أدق مع أحكام البشر الجمالية.

ثانيًا، ترقية بنية المقيّم. قام الفريق بتصميم بنية هجينة: VAQA-Net مسؤول عن التقييم المستمر للجمالية، بينما VTag-Net وVGQA-Net يستخدمان نموذج Qwen الكبير للغة والصورة لتحديد الوسوم وتقييم الجودة. أدى إدخال النماذج الكبيرة إلى رفع فهم المقيّم للدلالة البصرية المعقدة إلى مستوى أعلى. أظهرت نتائج التجارب أن تقييماته على نماذج توليد متعددة تتماشى بشكل عالٍ مع أحكام البشر.

ثالثًا، فتح الحلقة المغلقة من "التقييم" إلى "التحسين". هذا هو التصميم الأكثر إثارة للانفجار في VGA-BenchV2: فهو يستخدم مقيّم الجمال الذي تعلمه كإشارة مكافأة، مباشرةً لضبط نماذج التوليد باستخدام التعلم المعزز. هذا يعني أن معيار التقييم لم يعد مجرد "حكم"، بل يمكن تحويل الدرجات التي يمنحها مباشرةً إلى إشارات تحسين، لتوجيه نماذج التوليد نحو التكرار المستمر في جودة الجمال.

من VGA-Bench إلى VGA-BenchV2، لم تعد نظام التقييم مقياسًا ثابتًا، بل نظامًا حيًا يتطور معًا مع البيئة الإنتاجية. بالنسبة لسيناريوهات فهم المحتوى، والمراجعة الأمنية، وتحسين التوصيات في مجموعة علي بابا، فإن قدرة تقييم جودة الفيديو لا تقتصر على متابعة تطور بيئة AIGC، بل تدفع أيضًا تحسين النماذج العليا: من "التصنيف" إلى "التحسين"، وهكذا يتشكل حلقة مغلقة.

الخاتمة: في النهاية، يجب اختبار أي خوارزمية ذكية في بيئة ديناميكية

تستعرض أربع أوراق بحثية مسارًا تقنيًا واحدًا من خلال أربعة اتجاهات: التعلم غير الخاضع للإشراف، والتعلم المعزز، وتحسين الصندوق الأسود، والتقييم متعدد الوسائط — التحول من النموذج الثابت إلى الديناميكي.

كما أثبتت البيانات التجريبية فعالية هذا المسار: حقق MSRGC-Net 12 مراكز أولى و2 مراكز ثانية في 15 مؤشرًا؛ تفوق ROAD على الاستراتيجيات الحالية في مهام متعددة للتعلم المعزز من غير متصل إلى متصل؛ حقق DSEBO تحسينات قابلة للقياس في مشاكل التحسين ذات الأبعاد الألفية؛ وتوافق نتائج VGA-BenchV2 عند تقييمها على نماذج توليد متعددة مع أحكام البشر بشكل عالٍ جدًا.

عند النظر في التخطيط الشامل لـ Ant عبر هذا المسار التقني، سيتضح هيكل "محرك مزدوج": من ناحية، تركز على تعميق النمذجة الزمنية، وتعلم التعزيز، وخوارزميات التحسين في السيناريوهات الأساسية للتمويل؛ ومن ناحية أخرى، تُخطّط مسبقًا لبناء البنية التحتية لفهم وتقييم متعدد الوسائط في مجال الحياة الرقمية وبيئة المحتوى.

في النهاية، بغض النظر عن ذكاء الخوارزميات، يجب اختبارها دائمًا في بيئات ديناميكية. ربما تكون القيمة الحقيقية لهذه الأوراق الأربعة في أنها نمت جميعها في تربة أعمال حقيقية: سيناريوهات أعمال Ant ليست مجرد "خلفية" للأوراق البحثية، بل هي مصدر المشكلات ومصدر البيانات وميدان اختبار الفعالية.

وقد يكون هذا بالضبط ما يميز البحث في الذكاء الاصطناعي في الصناعة — فهم لا يكتفون بـ"كتابة أوراق بحثية"، بل يبحثون عن حلول "قادرة على التكيف مع التغيرات الديناميكية" للمشاكل الحقيقية.