لماذا يمكن للذكاء الاصطناعي تذكر كل المعرفة البشرية لكن ليس "الأمس"

الكاتب: هوجو، روبوناياسنس

مُترجم: Deep潮 TechFlow

مقدمة شينتشاو: من الوكلاء الذكية لألعاب أتاري المبكرة إلى نماذج اللغة الكبيرة ذات نوافذ السياق الملايين، تواجه الذكاء الاصطناعي دائمًا تناقضًا فيزيائيًا أساسيًا عند اتخاذ قرارات متسلسلة عبر الزمن: فالنماذج قادرة على استيعاب كمية هائلة من المعرفة الثابتة البشرية بسهولة، لكنها لا تستطيع حمل جميع التفاصيل السابقة دون فقدانها في بيئات التفاعل الديناميكية.

تحت القيود الصلبة المفروضة على قدرات الحوسبة ونافذة السياق، فإن كيفية ضغط الماضي مع استخلاص دقيق للحالة الأساسية التي تحدد المستقبل ليس فقط نقطة اختراق تقنية لحل "الالتباس الإدراكي"، بل هي أيضًا المنطق الأساسي الذي يدفع الوكلاء الذاتيين الحالية نحو ذاكرة مستدامة حقيقية.

هذه هي الحلقة الثالثة من سلسلة "الذاكرة والنسيان والذات في الآلة": كيف يُمكن للذكاء أن يُحرّك hành động عبر الزمن عندما لا يستطيع الوكيل حمل كل ماضيه معه.

حاول تجميد أي إطار من لعبة البينغ الكلاسيكية.

الشاشة تحتوي فقط على مضربين وكرة ودرجة النقاط الحالية. في هذه اللحظة، إذا طُلب منك تحديد اتجاه حركة الكرة، فلن تتمكن من فعل ذلك، حتى لو عرضت نفس الصورة الثابتة على جهاز كمبيوتر، فلن يتمكن أيضًا من التحديد.

أشار الباحثان Matthew Hausknecht و Peter Stone في ورقتهم عام 2015 حول الوكلاء التي تتعلم لعب ألعاب Atari بشكل مباشر: "إن الشاشة ذات الإطار الواحد الحالية يمكنها فقط كشف موقع المضرب والكرة، لكنها لا يمكنها كشف سرعة الكرة."

ثم شرحوا لماذا هذا أمر بالغ الأهمية: "معرفة اتجاه حركة الكرة هي العنصر الأساسي لتحديد الموضع الأمثل للمضرب."

هذه اللقطة الثابتة دقيقة، وكل تفصيلة على الشاشة في مكانها الصحيح. لكن هذه اللقطة المنفردة وحدها لا تكفي لخوض هذه اللعبة.

ما يلتقطه المستشعر في هذه اللحظة هو مجرد "قيمة ملاحظة (Observation)".

أما الحالة العالمية الحقيقية التي تعتمد عليها الإجراءات التالية للوكيل، فهي "حالة النظام (State)".

في لعبة Pong، تكون القيم الملاحظة وحالة النظام منفصلة عن بعضها البعض في كل شريحة إطار فردية. لأن اتجاه حركة الكرة هو أمر يعتمد على لحظات سابقة قليلة، ولا يمكن لأي لحظة معزولة أن تحتوي عليه بمفردها.

عندما لا يمكن للإدخال الفوري الحالي تلبية اتخاذ القرار، يجب على النظام الجيد أن ينقل معلومات من ماضيه إلى الحاضر.

لكن ما تحمله لا يمكن أبدًا أن يكون الماضي الكامل. ما تحمله هو فقط ملخص، وهذا الملخص يعتمد بالكامل على ما تحتاجه للتنبؤ به في الخطوة التالية.

هذا التوازن يحدد الأساس المعلوماتي الذي سيتمتع به اللحظات اللاحقة. أي تفصيل يتم حذفه من الملخص، لن تتمكن اللحظات اللاحقة من الاستجابة له أبدًا.

النظام الذي رد عليه هاوسنيخت وستون كان وكيل DQN الذي نشره فولوديمير منيه من DeepMind وآخرون في مجلة Nature عام 2015.

يمكن لـ DQN تعلم لعب عشرات ألعاب Atari من خلال صور الشاشة فقط، بينما واجه مؤلفو الورقة البحثية صعوبة في لحظات التجمد منذ المراحل الأولى من التطوير.

كتبوا في قسم منهجية البحث: "بما أن الوكيل يمكنه فقط ملاحظة الشاشة الحالية، فإن هذه المهمة تُصنف كحالة جزئية الملاحظة، حيث توجد العديد من حالات المحاكاة التي تكون ملتبسة إدراكياً (Perceptually Aliased)."

بعبارة أخرى، لا يمكن للصورة الحالية على الشاشة إعلام الوكيل بالوضع الكامل تمامًا.

ما يُعرف بـ"الالتباس الإدراكي" هو وصف أكاديمي دقيق لمشكلة يومية شائعة. ففي صورة ثابتة، يمكن أن تنتج حالتان مختلفتان تمامًا (مثل كرة تتجه نحو مضربك، أو كرة تبتعد عن مضربك) نفس الصورة تمامًا.

يُجبر نظام يعتمد فقط على الصور على اعتبارها نفس السياق؛ إذا احتاج كلا السياقين إلى تنفيذ عمليات متعاكسة تمامًا، فسيخطئ النظام بالضرورة في إحدى الحالتين.

طريقة تصحيحهم مباشرة جدًا. بدلاً من استقبال صورة شاشة واحدة فقط، يُدمج الشبكة عدة إطارات حديثة معًا كمدخل.

القيمة الافتراضية هي 4 إطارات، على الرغم من أن الخوارزمية تتكيف أيضًا مع قيم 3 إطارات أو 5 إطارات.

عند وضع الإطارات الأربعة جنبًا إلى جنب، يصبح حركة الكرة واضحة على أنها تغيير في الموضع. لم يعد اتجاه الحركة مفهومًا يتطلب تذكرًا تجريديًا، بل أصبح خاصية بصرية يمكن رؤيتها مباشرة.

لم تُسمِّ الورقة هذه المجموعة من الصور المتراكبة ذاكرة. إنها في جوهرها مجرد قناة إدخال أوسع قليلاً من لحظة واحدة.

يتمتع هذا العرض الإدخالي بحدود فيزيائية صارمة جدًا، وصف هاوسكنيخت وستون بدقة مكان هذه الحدود.

كتبوا: نظرًا لأن DQN يتم تدريبه باستخدام مدخلات مكونة من آخر أربع حالات مر بها الوكيل، "فإذا طالب لعب ما اللاعب بتذكر أحداث أبعد من آخر أربع شاشات، فلن يتمكن DQN من إتقان هذا اللعبة."

بالنسبة لـ DQN، فإن السجل خلف الشاشة الخامسة من النهاية غير موجود ضمن نطاق إدخاله على الإطلاق.

تكشف هذه الآلية القائمة على نافذة انزلاقية ثابتة عن التناقض الأساسي للذكاء الاصطناعي في معالجة السلاسل الزمنية: بغض النظر عن مدى توسيع النافذة، فإن المعلومات خارج الحدود تُمحى فيزيائيًا.