عندما تحل صيغة من 1967 أكبر مشكلة في الذكاء الاصطناعي الحديث
إصلاح Sutton الأنيق
التعلم المعزز لديه سر قذر: تدريب النماذج في بيئات التدفق معطل بشكل أساسي. الخوارزميات التي تعمل بشكل جميل في المختبرات النظيفة تنهار عند نشرها في العالم الحقيقي حيث تصل البيانات باستمرار وتتغير التوزيعات.
Richard Sutton، عرّاب التعلم المعزز، أصلحها للتو. وحله أنيق بشكل محرج: صيغة من 1967.
“خوارزمية تحديث النية” تقيد مقدار تحول مخرج النموذج مع كل قطعة بيانات جديدة. بدلاً من التمايل بين إشارات متناقضة، النموذج يتحرك بتعمد — مثل سفينة تضبط دفتها بدلاً من الانقلاب.
النتيجة؟ الحوسبة تنخفض إلى 1/140 من الخوارزميات السائدة. هذا ليس تحسناً هامشياً — إنه الفرق بين “يحتاج مركز بيانات” و“يعمل على كمبيوتر محمول.”
لماذا هذا مهم
اختراق Sutton يفتح الباب لـ التعلم المعزز على الأجهزة الطرفية. تخيل روبوتات تتعلم باستمرار من بيئتها دون الاتصال بمزرعة خوادم.
صيغة 1967 في قلب هذا ليست فضولاً رياضياً غامضاً — إنها أداة إحصائية تتحكم في التباين في التحديثات المتسلسلة. كانت جالسة في العلن لمدة 57 سنة، تنتظر شخصاً ليدرك أهميتها لعصر الذكاء الاصطناعي.
رقم قياسي في الرياضيات صدم Google
بينما كان Sutton يصلح RL، Wang Yiping — خريج جامعة Zhejiang — كان يستخدم أدوات ذكاء اصطناعي ذاتية البناء لفعل شيء لم يستطع فريق Google فعله: كسر الحد الأدنى لعدد Ramsey، مسألة قاومت التحسين لـ 30 عاماً.
باستخدام خادم واحد وأدواته الرياضية بالذكاء الاصطناعي المخصصة، حقق Wang ما لم يستطع فريق Google فعله — بكميات حوسبة هائلة. المشروع الآن مفتوح المصدر بالكامل.
الطريقة العلمية الجديدة
هاتان القصتان تشتركان في خيط مشترك: الذكاء الاصطناعي لم يعد مجرد أداة لبناء المنتجات. إنه يصبح أداة علمية — أساسية مثل المجهر أو التلسكوب.
الآثار عميقة:
- اختيار المسائل يتغير — عنق الزجاجة ينتقل من “هل يمكننا حلها؟” إلى “أي المسائل تستحق الحل؟”
- الباحثون المنفردون يكتسبون نفوذاً — شخص واحد مع أدوات الذكاء الاصطناعي الصحيحة يمكنه منافسة المختبرات المؤسسية
- المعرفة القديمة تجد حياة جديدة — صيغة Sutton 1967 تذكرنا أن ثورة الذكاء الاصطناعي ليست فقط عن اختراع أشياء جديدة