لماذا تُخطئ وكلاء الذكاء الاصطناعي في وضع الطوب؟ حل ثلاثي الأبعاد جزئي يرفع الدقة الهيكلية إلى أكثر من 94%

اطلب من نموذج لغوي كبير (Large Language Model) أن يبني برجاً حجرياً بنافذة في الصف الثالث، وهناك احتمال كبير أن يُخطئ في الهندسة. المشكلة ليست في فهم الطلب، بل في صعوبة ترجمة اللغة الطبيعية إلى إحداثيات ثلاثية الأبعاد (3D Coordinates) دقيقة. هذه الثغرة بالضبط هي موضوع ورقة بحثية جديدة للباحث بول ويتن (Paul Whitten)، قُدّمت نسختها الأولى في 8 مايو 2026، وتحدد أخطاء الإحداثيات المنهجية كالعقبة الرئيسية أمام أنظمة البناء الذاتي القائمة على الذكاء الاصطناعي، مع طرح حل يغلق جزءاً كبيراً من هذه الثغرة.

تدور الورقة حول معيار "Build What I Mean"، وهو اختبار قياسي (Benchmark) صُمم لفحص قدرة وكيل ذكاء اصطناعي يعمل بدور "المهندس المعماري" على تحويل تعليمات بناء مكتوبة بلغة بسيطة إلى بنية دقيقة من الفوكسل (Voxel) أو الكتل. على هذا المعيار، توقف أفضل نظام منافس سابق عند دقة 76.3%. أما GPT-4o بمفرده، فحقق 90.3%، وهو أساس جيد لكنه بعيد عن الموثوقية الكاملة عندما تتطلب البنية استدلالاً مكانياً دقيقاً كالتماثل أو التصفيف الطبقي أو الأجزاء البارزة (Overhangs).

حيلة الأبعاد 2.5

الإضافة الجوهرية التي قدمها ويتن هي تقنية تفكيك (Decomposition) تحوّل عملية التموضع الثلاثي الأبعاد الكامل إلى تمثيل "2.5 بُعد"، بمعنى أن النموذج يفكر في خرائط الارتفاع (Height Maps) والمساحات الطبقية طبقة تلو الأخرى، بدلاً من إجباره على التفكير في إحداثيات x وy وz الخام دفعة واحدة. أظهرت دراسات الاستبعاد (Ablation Studies) أن هذا التفكيك وحده مسؤول عن قفزة بمقدار 28.7 نقطة نسبية في الدقة، وهو أكبر عامل منفرد ساهم في النتائج التي رصدتها الورقة.

عند دمج هذه المنهجية مع GPT-4o-mini، سجّل النموذج دقة هيكلية متوسطة بلغت 94.6% على مدى 160 جولة تقييم. والأكثر لفتاً للنظر أن استبدال النموذج بـ Nemotron-3 120B العامل على جهاز الحوسبة الطرفية (Edge Device) من نوع NVIDIA Jetson Thor AGX رفع الدقة أكثر إلى 96.0%، باستخدام نفس المنهجية تماماً. الرسالة هنا واضحة: نموذج أصغر وقابل للتشغيل على الحافة يقترب من أداء نموذج سحابي أكبر أو يتفوق عليه، بمجرد نقل عبء معالجة الإحداثيات خارج مسؤولية النموذج اللغوي نفسه.

كما تسجل الورقة سقفاً أعلى للدقة عند 97.6% على هذا المعيار، لكنها توضح أن هذا السقف لا يعود إلى قصور في منهجية البناء نفسها، بل إلى أخطاء يرتكبها وكيل "المهندس المعماري" ذاته، وهو المكون المسؤول عن تفسير التعليمة الأصلية. هذا يشير إلى أن أي تحسينات مستقبلية ستحتاج إلى تطوير آلية تحليل التعليمات، لا التنفيذ المكاني.

المفاضلة بين السرعة والدقة

مكاسب الدقة ليست بلا تكلفة على مستوى زمن الاستجابة (Latency)، والورقة تتعامل مع هذه المعادلة بشكل مباشر. توسيع موجّه النظام (System Prompt) بإضافة أربعة أمثلة توجيهية مستهدفة (Few-shot Examples) خفّض متوسط زمن الاستجابة لكل طلب إلى الثلث، ليصل إلى 19.7 ثانية، مع الحفاظ على دقة 95.6%. هذه مفاضلة عملية جداً للتطبيقات التفاعلية أو الفورية التي لا تحتمل انتظار دقائق لإنجاز بنية واحدة.

ولاختبار مدى قابلية هذه النتائج للتعميم خارج معيار قياسي واحد، أجرى ويتن تجربة نقل (Transfer Experiment) شملت 500 مهمة مأخوذة من IGLU، وهو مجموعة بيانات قائمة لاتباع التعليمات والبناء التشاركي. النتيجة تأكدت وثبتت، وهو ما يعزز فكرة أن تقنية تفكيك 2.5 بُعد لم تكن مجرد حل مُخصص بشكل مفرط (Overfit) لظروف اختبار "Build What I Mean" وحدها.

للفرق التي تبني وكلاء ذكاء اصطناعي مُجسّدين (Embodied AI Agents)، سواء في الألعاب أو المحاكاة أو مهام التخطيط القريبة من الروبوتات، الخلاصة مباشرة: الاستدلال الخام بالإحداثيات الثلاثية الأبعاد يبقى نقطة ضعف حتى في أحدث النماذج اللغوية الكبيرة المتقدمة، لكن إعادة صياغة تمثيل المشكلة نفسها، بدلاً من تكبير حجم النموذج، يمكن أن تغلق معظم هذه الثغرة.