تُعتبر أزمة التغير المناخي تهديداً وجودياً يمثل تحدياً عالمياً يتطلب تطوير سياسات مناخية فعالة لإحداث تغيير حقيقي. ومع تعقد القرارات المتعلقة بالمناخ، والتي تتضمن كيانات متعارضة وأدلة متناقضة، بدأ صانعو السياسات في الاعتماد بشكل متزايد على المحاكيات والأساليب الحاسوبية لتوجيه قراراتهم.

تُعد نماذج التقييم المتكاملة (Integrated Assessment Models - IAMs) واحدة من هذه الأساليب، حيث تدمج بين المحاكاة الاجتماعية والاقتصادية والبيئية لتوقع تأثيرات السياسات المحتملة. على سبيل المثال، تعتمد الأمم المتحدة على نتائج نماذج التقييم المتكاملة لتقاريرها الأخيرة في مجال تغير المناخ.

لكن الطرق التقليدية كانت تعتمد على حلول معادلات متكررة، مما أدى إلى العديد من العيوب، لا سيما في ظل اتخاذ القرارات تحت ظروف عدم اليقين. ولحسن الحظ، أظهرت الأبحاث الأخيرة التي استخدمت التعلم التعزيزي (Reinforcement Learning - RL) كبديل لهذه الحلول نتائج واعدة في تحسين اتخاذ القرار في السيناريوهات غير المؤكدة والصاخبة.

تقدم هذه الدراسة مراحل جديدة من البحث، حيث تعرّف بوجود عدة وكلاء متفاعلين يستخدمون التعلم التعزيزي كنوع من التحليل الأولي لنمذجة التفاعل الاجتماعي المعقد بين مختلف أصحاب المصلحة أو الدول التي تؤدي إلى تفاقم الأزمة المناخية الحالية.

تشير النتائج إلى أن الوكلاء المتعاونين في هذا الإطار يمكنهم رسم مسارات نحو مستقبلٍ أكثر جدوى من حيث تقليل انبعاثات الكربون وتحسين الاقتصاد. لكن عند إدخال المنافسة، كما يحدث عند استخدام دوال مكافآت متعارضة، نادراً ما يتم تحقيق مستقبل مناخي مرغوب.

يُعد نمذجة المنافسة أمراً أساسياً لزيادة الواقعية في هذه المحاكيات؛ لذا نقوم بتوظيف تفسير السياسات من خلال تصور الحالات التي تؤدي إلى سلوكيات أكثر عدم يقين لفهم أسباب فشل الخوارزميات. وأخيراً، نسلط الضوء على القيود الحالية وآفاق المزيد من العمل لضمان الاعتماد التكنولوجي المستقبلي لاستنباط السياسات.