إطار ARCANA الجديد متعدد الوكلاء يواجه تحدي ARC-AGI-2 بالاستدلال الرمزي ولوحة معرفة مشتركة

أربعة وكلاء متخصصون، مساحة ذاكرة واحدة مشتركة، وميزانية زمنية صارمة لا يمكن تجاوزها. هذا هو جوهر تصميم ARCANA، إطار عمل جديد نُشر مؤخراً بهدف اقتحام ARC-AGI-2، أحد أعقد المعايير المستخدمة لاختبار قدرة أنظمة الذكاء الاصطناعي على التعميم في الاستدلال المجرد (Abstract Reasoning) بدلاً من مجرد حفظ الأنماط.

الورقة البحثية، التي قُدّمت إلى منصة arXiv في 10 يوليو 2026 وصُنّفت تحت فئة الذكاء الاصطناعي (cs.AI)، تقدّم ARCANA كنظام تعاوني متعدد الوكلاء (Multi-Agent System) صُمم خصيصاً لحل ألغاز ARC-AGI-2 في ظل قيود حقيقية على زمن الاستدلال (Inference Time) والموارد الحاسوبية. وبخلاف الأساليب التي تعتمد على نموذج ضخم واحد لمعالجة هذه المهام القائمة على تحويل الشبكات، يقسّم ARCANA المشكلة إلى أربع مراحل متمايزة: الإدراك (Perception)، توليد الفرضيات، التنفيذ الرمزي (Symbolic Execution)، والتحسين التأملي.

كيف يوزّع الوكلاء المهام بينهم

يبدأ العمل مع وكيل الإدراك الحسي (Perceptual Grounding Agent)، الذي يحوّل شبكات الإدخال الخام إلى مخططات مشهد (Scene Graphs) محورها الأجسام. فبدلاً من معالجة اللغز كمصفوفة مسطحة من البكسلات أو الأرقام، تحدد هذه الخطوة الأجسام المنفصلة والعلاقات بينها، مما يوفر للوكلاء اللاحقين تمثيلاً بنيوياً منظماً يمكن الاستدلال عليه.

من هناك، تتولى سياسة برمجية كامنة (Latent Program Policy) توليد مجموعة متنوعة من البرامج المرشحة، مكتوبة بلغة مخصصة للمجال (Domain-Specific Language - DSL). وهنا يتجلى اعتماد ARCANA على البحث البرمجي البنيوي (Structured Program Search)، حيث يستكشف فضاء التحويلات الممكنة بدلاً من الاعتماد كلياً على مطابقة الأنماط أو التوليد الحر.

كل برنامج مرشح يمر بعدها عبر منفّذ رمزي (Symbolic Executor) يتحقق من قدرته الفعلية على إعادة إنتاج التحويلات الظاهرة في أمثلة العرض التوضيحي للمهمة. والبرامج التي تفشل لا تُستبعد فوراً؛ بل يتولى وكيل تأملي (Reflective Agent) مخصص تحليل سبب الفشل، وصياغة ملاحظات دقيقة تُغذي المحاولة التالية. هذا يخلق حلقة تصحيح تكيفية متعددة الأدوار: النظام لا يعيد المحاولة عشوائياً، بل يتعلم من أخطاء محددة داخل المهمة نفسها.

لوحة معرفة مشتركة، لا وكلاء منعزلون

ما يميز بنية ARCANA عن خط أنابيب معالجة تقليدي هو طريقة تنسيق وكلائه. فبدلاً من تمرير الرسائل بشكل متسلسل، يتواصل الوكلاء عبر لوحة معرفة قابلة للتفاضل مشتركة (Shared Differentiable Blackboard)، وهي مساحة عمل مشتركة تُنشر فيها النتائج الوسيطة والفرضيات وتُقرأ منها. ويقوم متحكم فوقي متعلَّم (Learned Meta Controller) بجدولة الوصول إلى هذه اللوحة، ليقرر أي وكيل يتصرف تالياً بناءً على الحالة الراهنة للمشكلة.

هذا التصميم يمنح النظام مرونة أكبر في توزيع موارده الحاسوبية المحدودة وقت الاختبار. فبدلاً من استهلاك عدد ثابت من المحاولات العامة، يمكن للمتحكم الفوقي أن يعطي الأولوية لتصحيحات الإدراك حين يبدو فهم المشهد غير دقيق، أو يعيد التوجيه إلى توليد الفرضيات عندما يستمر المنفّذ الرمزي في رفض المرشحين لسبب جوهري متكرر.

لماذا يهم هذا بالنسبة لـ ARC-AGI-2؟

صُمم معيار ARC-AGI-2 خصيصاً لمقاومة الحفظ الأعمى (Brute-Force Memorization) ومكافأة الاستدلال التركيبي الحقيقي، مما يجعله ساحة اختبار حقيقية لمعرفة ما إذا كانت بنية معينة قادرة على التعميم من عدد قليل من الأمثلة التوضيحية إلى تحويلات جديدة تماماً. وهذا هو الثغرة التي يستهدفها ARCANA تحديداً من خلال دمجه بين التحقق الرمزي والتكرار التأملي الواعي بالفشل: فهو يحاول رفع كفاءة كل جولة استدلال بدلاً من الاعتماد فقط على زيادة عدد المحاولات.

ولا تتضمن الورقة البحثية، بحسب المعطيات المراجعة هنا، نتائج معايير محددة أو مقارنات مباشرة مع أنظمة أخرى تنافس على ARC-AGI-2. وبالتالي، يبقى موقع ARCANA الحقيقي مقارنة بالمنافسين سؤالاً مفتوحاً في انتظار فحص أعمق للنتائج الكاملة عند نشرها.