قاعدة "ملء الماء" للذكاء الاصطناعي متعدد الوكلاء: ورقة بحثية جديدة تُحكم الرياضيات وراء شبكات التواصل المتعلَّمة

لم يأتِ وي دوان (Wei Duan) في ورقته البحثية الأخيرة بتصميم مثير لبنية جديدة متعددة الوكلاء (Multi-Agent). بل فعل شيئًا أكثر ندرة في مجال التعلم المعزز التعاوني (Cooperative Reinforcement Learning) المزدحم بالأبحاث: أثبت رياضيًا لماذا يصلح خيار تصميمي معين، بدلًا من الاكتفاء بإظهار أنه يعمل فحسب.

الورقة، المعنونة "HIBCG" اختصارًا لـ"رسوم بيانية للتنسيق قائمة على عنق الزجاجة المعلوماتي غير المتماثل" (Heterogeneous Information-Bottleneck Coordination Graphs)، نُشرت لأول مرة على منصة arXiv في 17 مايو 2026، وخضعت لمراجعة في 10 يوليو 2026. تتصدى الورقة لمشكلة جوهرية تواجه أي نظام متعدد الوكلاء، سواء كان روبوتات أو طائرات مسيّرة (Drones) أو وكلاء برمجيين، وهي: من يجب أن يتحدث مع من؟ فالربط الكامل (Full Connectivity) بين الوكلاء مكلف وغالبًا غير ضروري، والحل الأمثل هو استخدام رسوم بيانية للتواصل متفرقة ومتعلَّمة (Sparse Learned Communication Graphs). المشكلة أن معظم الطرق الحالية تختار روابطها بأسلوب استرشادي (Heuristic) لا يستند إلى أساس نظري واضح يفسر لماذا يُعد نمط التفرقة هذا هو الأمثل.

تضييق الحد الرياضي

تبني HIBCG على نظرية عنق الزجاجة المعلوماتي البياني (Graph Information Bottleneck - GIB)، وهو إطار يوازن بين مقدار ضغط التمثيل للمعلومات ومقدار الإشارة المرتبطة بالمهمة التي يحتفظ بها. المساهمة الأساسية للورقة هي ما يسمى "الأولوية القُطرية الكتلية المتوافقة مع المجموعات" (Group-Aligned Block-Diagonal Prior)، وهي التي تحدد أي الروابط في رسم التنسيق البياني يُحتفظ بها وأيها يُستبعد. يبرهن دوان رياضيًا أن هذه الأولوية تُضيّق بشكل حتمي الحد التبايني (Variational Bound) الخاص بتعلم البنية الطوبولوجية (Topology Learning)، مقارنة بأولويات أقل تنظيمًا. وهذا يعني أن النموذج يحصل على ضمان أفضل مثبت رياضيًا بشأن مدى دقة البنية البيانية المتعلَّمة في عكس المعلومات التي يحتاج الوكلاء فعليًا لتبادلها.

النتيجة النظرية الثانية تتعلق بالنطاق الترددي (Bandwidth)، لا بالبنية فقط. فبعد اختيار الروابط، يبقى على الوكلاء تحديد كمية "السعة" التي يضخونها عبر كل رابط، أي كمية المعلومات المتبادلة فعليًا. تُظهر HIBCG أن توزيع هذه السعة يتبع مبدأ "ملء الماء" (Water-Filling)، وهو المفهوم نفسه المستخدم في نظرية المعلومات الكلاسيكية (Classical Information Theory) وهندسة الاتصالات لتوزيع الطاقة أو النطاق الترددي بالشكل الأمثل عبر قنوات متوازية. وعند تطبيق هذا المبدأ هنا، يوفر للوكلاء قاعدة منطقية واضحة لتوجيه سعة الرسائل نحو الروابط الأكثر أهمية، بدلًا من توزيعها بالتساوي أو الاعتماد على قواعد استرشادية متعلَّمة لا تملك تفسيرًا رياضيًا مغلقًا (Closed-Form).

لماذا تهم النظرية؟

يشكّل التعلم المعزز التعاوني متعدد الوكلاء العمود الفقري لتطبيقات عديدة، من أساطيل الروبوتات في المستودعات إلى شبكات الاستشعار الموزعة وتنسيق أسراب الطائرات المسيّرة، وهي مجالات يمثل فيها النطاق الترددي وزمن الاستجابة (Latency) قيودًا حقيقية لا مجرد افتراضات نظرية. طريقة قادرة على ضمان حدود أكثر دقة، سواء في تفرقة الرسم البياني أو في توزيع السعة، تقدم للمهندسين ما تعجز الأساليب الاسترشادية عن تقديمه: الثقة بأن نمط التواصل المتعلَّم ليس جيدًا تجريبيًا فقط، بل قريب نظريًا من الحل الأمثل بحسب هدف عنق الزجاجة المعلوماتي.

صُنّفت ورقة دوان تحت فئات الذكاء الاصطناعي وتعلم الآلة والأنظمة متعددة الوكلاء (Multiagent Systems) على arXiv، بما يعكس هويتها المزدوجة كمساهمة نظرية ومقترح بنية عملية في آنٍ واحد. لم تظهر أي تناقضات أو ادعاءات مثيرة للجدل في التقارير المتاحة حول منهجية الورقة أو توقيتها، والفارق الزمني الممتد شهرين بين النشر الأولي ومراجعة يوليو يشير إلى عملية تنقيح اعتيادية بعد ملاحظات المراجعين، لا إلى أي تراجع أو تصحيح جوهري في المحتوى.