#

النقاط الرئيسية

• يذكر MIT News أن نظام ذكاء اصطناعي جديدًا هزم لاعبين بشريين من أعلى التصنيفات في Stratego بفارق كبير.

• يجمع العمل بين تدريب أكثر كفاءة وأساليب لاتخاذ القرار في ظل المعلومات المخفية.

• اختبر الباحثون النظام أيضًا على ألعاب استراتيجية أخرى وذكروا نتائج قوية.

• نُشرت الورقة في Nature، وفقًا لـ MIT News.

• ذُكرت أهمية مستقبلية محتملة في المفاوضات والأمن السيبراني.

معيار جديد في Stratego

أفاد MIT News في 30 سبتمبر أن باحثين في MIT وCarnegie Mellon University وNew York University وStanford University طوروا نظام ذكاء اصطناعي هزم لاعبين بشريين من أعلى التصنيفات في Stratego بفارق كبير. Stratego لعبة تعتمد على المعلومات المخفية. لا يستطيع الخصم رؤية هوية كل قطعة قبل أن تلتقي بقطعة أخرى.

هذا يجعل اللعبة صعبة على أنظمة الذكاء الاصطناعي. يجب على اللاعبين التصرف مع أخذ العديد من الترتيبات المحتملة والقيمة الاستراتيجية للخداع في الاعتبار. ويذكر MIT News أن عدد التكوينات المحتملة للقطع يتجاوز عشرة أس 66. هذا الحجم يجعل الحصر الكامل غير عملي.

لماذا هذه النتيجة مهمة

وفقًا لـ MIT، كانت الأساليب السابقة لـ Stratego مكلفة حسابيًا ولم تتمكن من هزيمة أفضل اللاعبين البشر. يجمع البحث الجديد بين خوارزميات تدريب أكثر كفاءة وأساليب لاتخاذ القرار تحت المعلومات المخفية. ويذكر MIT أداءً أقوى في Stratego مقارنةً بنماذج أخرى، مع تكلفة تدريب أقل ومتطلبات حسابية أقل.

يصف المؤلف الرئيسي Gabriele Farina التحدي الأساسي بأنه اتخاذ القرارات عندما لا يمكن حصر مجموعة الحالات الممكنة بالكامل. هذا الوصف يناسب Stratego جيدًا، لكنه يعكس أيضًا مشكلة تقنية أوسع في الذكاء الاصطناعي. كان على النظام أن يستدل في ظل عدم اليقين بدلًا من الاعتماد على معلومات كاملة.

اختبار يتجاوز لعبة واحدة

اختبر الباحثون النظام أيضًا على ألعاب استراتيجية أخرى بقواعد مختلفة. ويذكر MIT News أنه حقق أداءً جيدًا هناك أيضًا أمام لاعبين بشريين بارزين. وهذا يشير إلى أن النهج قد ينتقل إلى ما هو أبعد من بيئة لعبة واحدة.

لا يذكر المصدر أن النظام نُشر بالفعل في منتجات أو عمليات. كما لا يصف أي استخدام تجاري أو دفاعي أو في القطاع العام. وتبقى النتائج المذكورة ضمن نطاق الاختبارات البحثية.

ما الذي تضيفه الورقة

وفقًا لـ MIT News، ظهرت الورقة في Nature في تاريخ النشر. ويعرض التقرير هذا العمل بوصفه خطوة إلى الأمام من حيث الأداء والكفاءة. كما يسلط الضوء على الجمع بين أساليب التدريب وتقنيات اتخاذ القرار في ظل المعلومات المخفية.

هذا مهم لأن الأداء القوي في الألعاب وحده لا يكفي. ويؤكد المصدر على انخفاض تكلفة التدريب وانخفاض الطلب الحسابي. وتشير هذه التفاصيل إلى أن الباحثين كانوا يسعون إلى نهج أكثر عملية، وليس مجرد نهج أقوى.

أهمية مستقبلية محتملة

يشير الباحثون إلى أهمية مستقبلية محتملة في المفاوضات والأمن السيبراني وغيرها من البيئات التي يفتقر فيها أحد الأطراف إلى معلومات يمتلكها طرف آخر. هذه تطبيقات محتملة، وليست عمليات نشر معلنة. ولا يدعي المصدر أن النموذج يُستخدم بالفعل في تلك المجالات.

هذا التمييز مهم. يمكن لنتائج الأبحاث أن تشير إلى استخدامات مستقبلية دون أن تثبت جاهزيتها لها. وهنا، تقتصر الأدلة المذكورة على أداء اللعب والاختبارات ذات الصلة.

الصلة بالمغرب

لا يذكر المصدر أي حقيقة خاصة بالمغرب. والدرس العام للقراء هو أن الأنظمة المصممة لبيئات المعلومات المخفية قد تكون مهمة أيضًا في مجالات أخرى حيث يشكل عدم اليقين جزءًا من عملية اتخاذ القرار.

الخلاصة

تُظهر هذه النتيجة التي نقلها MIT تقدمًا واضحًا في الذكاء الاصطناعي المخصص للألعاب. فهي تجمع بين أداء قوي في Stratego ومتطلبات أقل للتدريب والحوسبة. وستعتمد القيمة الأوسع على ما إذا كانت الأساليب نفسها ستنجح خارج الألعاب.