دراسة تضع الحدس البشري في مواجهة الشبكات العصبية على "مسألة البائع المتجول"

هل يستطيع الإنسان، بالنظر فقط ودون أي حسابات رياضية، أن يرسم مساراً قريباً من الحل الأمثل لمسألة كلاسيكية في التحسين؟ وهل يمكن لشبكة عصبية أن تتعلم كيف "تفكر" بالطريقة نفسها؟ هذا هو السؤال الذي تحاول دراسة جديدة الإجابة عنه.

الورقة البحثية، التي نُشرت على أرشيف الأبحاث (arXiv) في 26 يوليو 2026، تقدّم مقارنة واسعة النطاق بين سلوك البشر وسياسات عصبية مبنية على "الشبكات المؤشرة" (Pointer Networks). وهذه شبكات عصبية تكرارية (Recurrent Neural Networks) مزودة بآلية تأشير قائمة على الانتباه (Attention-based Pointing)، مصممة لتوليد توزيعات احتمالية على المسارات الممكنة عبر مجموعة من النقاط.

مسألة البائع المتجول (Traveling Salesman Problem - TSP) تطلب أقصر مسار يزور كل نقطة على الخريطة مرة واحدة فقط. إنها من أشهر مسائل التحسين الصعبة (Hard Optimization Problem)، والمثير أن البشر جيدون بشكل مفاجئ في تقريب حلها بصرياً دون أي عملية حسابية رسمية.

البشر يقعون في "حوض شبه أمثل"

وجد الباحثون أن المسارات التي يرسمها البشر تتجمع باستمرار في ما وصفوه بـ"الحوض الجيومتري شبه الأمثل" (Near-Optimal Geometric Basin). أي أن مسارات الناس تتشارك كثيراً من الخصائص البنيوية مع الحل الرياضي الأفضل، رغم أنها لا تتطابق معه تماماً.

والأهم أن مسارات البشر تحمل أيضاً انحرافات منهجية ومتكررة عن المسار الأمثل، أخطاء تظهر مراراً وتكراراً بنفس النمط بدل أن تكون ضجيجاً عشوائياً. هذا الثبات في الأخطاء هو ما جعل من الممكن نمذجة هذا السلوك حسابياً.

أربع طرق لتدريب الشبكة العصبية

لمعرفة أي أسلوب تدريب يعيد إنتاج سلوك التوجيه الشبيه بالبشر بأدق صورة، اختبر الفريق الشبكات ضمن أربعة أنظمة: التعلم المعزز (Reinforcement Learning) بمفرده، والتعلم الخاضع للإشراف (Supervised Learning) على المسارات المثلى، والتعلم الخاضع للإشراف على المسارات التي رسمها البشر فعلياً، وأخيراً نموذج هجين تم تدريبه أولاً على الحلول المثلى ثم ضُبط بدقة (Fine-tuning) عبر التعلم المعزز.

النموذج الهجين كان الفائز بوضوح. أفضل تطابق مع المسارات البشرية الحقيقية جاء من نموذج تم تدريبه مسبقاً (Pretrained) على الحلول المثلى، ثم صُقل بالتعلم المعزز، وأخيراً فُك ترميزه (Decoded) باستخدام أسلوب "أفضل من بين N" (Best-of-N Sampling)، وهي تقنية تولّد عدة حلول مرشحة وتختار الأقوى من بينها.

تشير الدراسة إلى أن حل المسائل بطريقة شبيهة بالبشر قد ينشأ من الجمع بين التعلم الخاضع للإشراف المُهيكل، والتعلم المعزز، والبحث وقت الاستدلال (Inference-time Search)، وليس من أي منهج تدريب منفرد.

بالنسبة لباحثي الذكاء الاصطناعي، تعيد هذه النتيجة تعريف ما يعنيه "التفكير الشبيه بالبشر" في مسائل التحسين: ليس خوارزمية مختلفة جذرياً، بل عملية متعددة الطبقات تتضافر فيها البنية المسبقة، والتعديل المتعلَّم، والبحث متعدد المحاولات، كل واحدة تسهم بجزء من الصورة الكاملة. كما توفر هذه النتيجة لعلماء الإدراك نموذجاً حاسوبياً يمكن اختباره مقابل بيانات سلوكية بشرية حقيقية في مهام الاستدلال المكاني (Spatial Reasoning)، بدل الاعتماد فقط على معايير الحل الأمثل.