تقنية تمكن الذكاء الاصطناعي من التفكير في المستقبل البعيد

فريق من الباحثين من معهد ماساتشوستس للتكنولوجيا، ومختبر IBM Watson للذكاء الاصطناعي، ومؤسسات أخرى قد طوروا نهجًا جديدًا يتيح للوكلاء الذكاء الاصطناعي تحقيق منظور بعيد المدى. وبعبارة أخرى، يمكن للذكاء الاصطناعي التفكير في المستقبل البعيد عند النظر في كيفية سلوكياتهم التي يمكن أن تشمل سلوكيات وكلاء الذكاء الاصطناعي الآخرين عند إكمال مهمة.

البحثمقرر تقديمه في مؤتمر نظام معالجة المعلومات العصبية.

الذكاء الاصطناعي يعتبر أفعال وكلاء آخرين في المستقبل

إطار العمل للتعلم الآلي الذي أنشأه الفريق يتيح للوكلاء التعاون أو التنافس على النظر في ما سيفعله الوكلاء الآخرون. وهذا ليس فقط على الخطوات القليلة التالية، ولكن كما يتقدم الوقت نحو اللانهاية. يتكيف الوكلاء بسلوكياتهم وفقًا لذلك للتأثير على سلوكيات الوكلاء الآخرين في المستقبل، مما يساعدهم على الوصول إلى حلول مثالية على المدى الطويل.

وفقًا للفريق، يمكن استخدام الإطار، على سبيل المثال، من قبل مجموعة من الطائرات بدون طيار التي تعمل معًا للعثور على متسلق جبال مفقود. كما يمكن استخدامه من قبل المركبات ذاتية القيادة لتوقع تحركات المركبات الأخرى في المستقبل لتحسين سلامة الركاب.

دونغ-كي كيم هو طالب دراسات عليا في مختبر معهد ماساتشوستس للتكنولوجيا للأنظمة والمعلومات (LIDS) و هو المؤلف الرئيسي للورقة البحثية.

“عندما يتعاون الوكلاء الذكاء الاصطناعي أو يتنافسون، فإن ما يهم أكثر هو عندما تتقارب سلوكياتهم في بعض النقاط في المستقبل”، يقول كيم. “هناك الكثير من السلوكيات العابرة على طول الطريق التي لا تهم كثيرًا في الأمد البعيد. الوصول إلى هذا السلوك المتقارب هو ما نهتم به حقًا، ولدينا الآن طريقة رياضية لتمكين ذلك”.

المشكلة التي تعامل معها الباحثون هي تعلم التعزيز المتعدد للوكلاء، حيث التعلم بالتعزيز هو شكل من أشكال التعلم الآلي حيث يتعلم الوكلاء الذكاء الاصطناعي من خلال التجربة والخطأ.

كلما كان هناك وكلاء متعاونون أو منافسون يتعلمون في نفس الوقت، يمكن أن يصبح العملية أكثر تعقيدًا. حيث يعتبر الوكلاء المزيد من الخطوات المستقبلية للوكلاء الآخرين، بالإضافة إلى سلوكهم الخاص وكيف يؤثر على الآخرين، فإن المشكلة تتطلب كمية كبيرة من القوة الحاسوبية.

الذكاء الاصطناعي يفكر في اللانهاية

“الوكلاء الذكاء الاصطناعي يريدون حقًا التفكير في نهاية اللعبة، لكنهم لا يعرفون متى ستنتهي اللعبة”، يقول كيم. “هم يحتاجون إلى التفكير في كيفية الاستمرار في التكيف مع سلوكياتهم إلى اللانهاية حتى يفوزوا في بعض الوقت البعيد في المستقبل. ورقتنا تقترح أساسًا هدفًا جديدًا يتيح للذكاء الاصطناعي التفكير في اللانهاية”.

من المستحيل دمج اللانهاية في خوارزمية، لذلك صمم الفريق النظام بطريقة تركز الوكلاء على نقطة مستقبلية حيث سيتقارب سلوكهم مع الوكلاء الآخرين. يُطلق على هذا التلاقي التوازن، ويتحدد نقطة التوازن الأداء على المدى الطويل للوكلاء.

من الممكن أن توجد توازنات متعددة في سيناريو متعدد الوكلاء، وعندما يؤثر وكيل فعال على سلوكيات الوكلاء الآخرين في المستقبل، يمكنهم الوصول إلى توازن مرغوب فيه من وجهة نظر الوكيل. عندما يؤثر جميع الوكلاء على بعضهم البعض، يتقاربون إلى مفهوم عام يُسمى “التوازن النشط”.

إطار FURTHER

إطار التعلم الآلي الذي طوره الفريق يسمى FURTHER، ويتيح للوكلاء التعلم كيفية تعديل سلوكياتهم بناءً على تفاعلاتهم مع الوكلاء الآخرين لتحقيق التوازن النشط.

يعتمد الإطار على وحدتين للتعلم الآلي. الأولى هي وحدة الاستدلال التي تمكن الوكيل من تخمين سلوكيات الوكلاء الآخرين في المستقبل وخوارزميات التعلم التي يستخدمونها بناءً على الإجراءات السابقة. ثم يتم إطعام المعلومات إلى وحدة التعلم بالتعزيز، التي يعتمد عليها الوكيل لتعديل سلوكه وتأثير سلوك الوكلاء الآخرين.

“التحدي كان التفكير في اللانهاية. لقد استخدمنا أدوات رياضية مختلفة لتمكين ذلك، وقمنا ببعض الافتراضات لجعلها تعمل في الممارسة”، يقول كيم.

قام الفريق بتحديث طريقةهم ضد إطارات التعلم المتعدد للوكلاء الأخرى في سيناريوهات مختلفة حيث خرج الوكلاء الذكاء الاصطناعي الذين يستخدمون FURTHER في المقدمة.

النهج غير مركزي، لذلك يتعلم الوكلاء للفوز بشكل مستقل. بالإضافة إلى ذلك، فهو مصمم بشكل أفضل للتوسع بالمقارنة مع الطرق الأخرى التي تتطلب حاسوبًا مركزيًا للسيطرة على الوكلاء.

وفقًا للفريق، يمكن استخدام FURTHER في مجموعة واسعة من مشاكل متعدد الوكلاء. كيم هو özellikle آمل للتطبيقات في الاقتصاد، حيث يمكن تطبيقها لتحديد سياسات صحيحة في الحالات التي تشمل العديد من الكيانات التفاعلية مع السلوكيات والمصالح التي تتغير مع مرور الوقت.