طوّر باحثون في معهد ماساتشوستس للتكنولوجيا «MIT» خوارزمية جديدة تهدف إلى جعل نماذج الذكاء الاصطناعي التوليدي أكثر ملاءمة للتطبيقات التي لا يكفي فيها أن تكون الإجابة «قريبة من الصواب»، بل يجب أن تلتزم بقيود صارمة لا يمكن تجاوزها، مثل قواعد السلامة أو القوانين الفيزيائية أو متطلبات المهمة نفسها. وتحمل الطريقة اسم «هارد فلو»، وتعمل على النماذج المدرَّبة مسبقاً دون الحاجة لإعادة تدريبها.
ففي كثير من تطبيقات الذكاء الاصطناعي التوليدي، يمكن قبول إجابة تقريبية أو صورة مقاربة للطلب، لكن هذا الهامش لا يصلح في مهام مثل تخطيط مسار روبوت داخل مصنع مزدحم، حيث قد يؤدي مسار «شبه صحيح» إلى اصطدام الروبوت بأحد العاملين.
وتعتمد بعض الأساليب الحالية على فرض القيود الصارمة على كل خطوة وسيطة أثناء عملية التوليد. غير أن هذا النهج قد يحدّ من قدرة النموذج على استكشاف مسارات أفضل؛ لأن كل خطوة تكون مطالَبة، منذ البداية، بالبقاء داخل حدود ضيقة، حتى لو كانت بعض الخطوات المؤقتة يمكن أن تقود لاحقاً إلى نتيجة نهائية أفضل وأكثر كفاءة.
حرية أكبر أثناء التوليد
الفكرة الأساسية في «HardFlow» هي السماح للنموذج بحُرية أكبر أثناء عملية التوليد، مع فرض القيود الصارمة على النتيجة النهائية، بدلاً من تطبيقها على كل خطوة وسيطة.
ويشرح الباحثون أن ما يهمّ في النهاية هو المخرج النهائي للنموذج؛ لأن المراحل الداخلية لعملية التوليد لا تُستخدم بعد إنتاج النتيجة. ومن خلال تخفيف القيود أثناء هذه المراحل، يمكن للنموذج استكشاف عدد أكبر من الحلول، ثم الوصول، في النهاية، إلى مخرج يلتزم بالمتطلبات الصارمة ويحقق، في الوقت نفسه، جودة أفضل.
الاستفادة من نظرية التحكم
تعيد الخوارزمية صياغة عملية التوليد المقيدة بوصفها مسألة لتحسين المسار، مستفيدة من أدوات مستخدمة في مجال التحكم الأمثل. وبدلاً من إجبار النموذج على تصحيح كل خطوة بشكل مباشر، تُوجهه «HardFlow» عبر تعديلات تدريجية نحو النتيجة المطلوبة.
ويقول الباحثون إن استخدام نظرية التحكم يوفر إطاراً رياضياً لتحديد الطريقة الأكثر كفاءة لإجراء هذه التصحيحات.
لكن تطبيق هذا النوع من التحسين حول شبكة عصبية كبيرة يمثل تحدياً حسابياً؛ لأن النموذج قد يتكون من مئات الطبقات المترابطة. ولجعل العملية قابلة للتنفيذ، استغلَّ الفريق بنية نماذج «flow-matching»، وقسَّم المشكلة إلى سلسلة من مسائل أصغر أحادية الخطوة، ثم استخدم تحويلات وتقريبات رياضية للوصول إلى خوارزمية يمكن تشغيلها بكفاءة أثناء الاستخدام الفعلي للنموذج.
نتائج في الروبوتات والرؤية الحاسوبية
اختبر الباحثون الطريقة في عدد من السيناريوهات شملت تحريك الروبوتات، والتنقل داخل المتاهات، وتحرير الصور الموجّه بالنص. وفي هذه التجارب، حققت «هارد فلو» التزاماً كاملاً بالقيود المحددة، مع نتائج أفضل من الأساليب المرجعية المستخدمة للمقارنة من حيث جودة الحل.
وفي أحد الأمثلة، تمكّنت ذراع روبوتية من تجنب العقبات والوصول إلى الهدف عبر مسار أسرع، بينما أدت بعض الطرق الأخرى إما إلى الاصطدام أو إلى اختيار مسارات تستغرق وقتاً أطول. كما أشار الفريق إلى أن زمن الحساب كان مماثلاً أو أقل من معظم الأساليب المنافسة التي اختُبرت، ما يدعم إمكانية استخدامها في التطبيقات العملية التي تتطلب استجابة سريعة.
دون إعادة تدريب النموذج
إحدى خصائص «HardFlow» أنها تعمل أثناء مرحلة الاستخدام أو النشر، ولا تتطلب تدريب النموذج من البداية، أو إعادة تدريبه على القيود الجديدة. وهذا يعني أن الطريقة يمكن إضافتها إلى نماذج توليدية جاهزة، بما في ذلك نماذج الانتشار ونماذج «flow-matching»، ثم استخدامها لفرض متطلبات جديدة مرتبطة بالسلامة أو الفيزياء أو طبيعة المهمة.
ويرى الباحثون أن هذا الأسلوب قد يوسّع استخدام النماذج التوليدية في مجالات تتطلب درجة أعلى من الضمان، خصوصاً عندما تكون المخالفة الصغيرة للقيود غير مقبولة.
الجمع بين السلامة وجودة الحل
لا يقتصر تصميم «HardFlow» على ضمان الالتزام بالقيود، إذ تسمح صياغة المسألة كعملية تحسين بإضافة أهداف أخرى إلى جانب السلامة. ففي تخطيط حركة روبوت، على سبيل المثال، يمكن للخوارزمية البحث عن مسار لا يصطدم بأي عائق، وفي الوقت نفسه تقليل المسافة أو الوقت المطلوب للوصول إلى الهدف.
ويقول الفريق إن الجمع بين هذين الجانبين؛ أي احترام القيود وتحسين جودة الحل، كان من الأسباب الرئيسية وراء تفوق الطريقة في الاختبارات، مقارنة ببعض الأساليب التي تركز فقط على إيجاد حل صالح.
وقد نُشرت الدراسة في دورية «IEEE Transactions on Pattern Analysis and Machine Intelligence».
ويقترح الباحثون مستقبلاً توسيع الإطار بحيث يمكن أيضاً تحديث النموذج نفسه، بما يسمح بتحسين قدرته على الالتزام بالقيود وجودة المخرجات بصورة أكثر تكيفاً مع المهمة.
