في عالم الذكاء الاصطناعي، تبرز دراسة جديدة كعلامة فارقة في حل ألغاز Sokoban، حيث تركز على نموذج معتمد على تقنية الانشار (Diffusion Model). إن قرار ما إذا كانت لعبة Sokoban قابلة للحل يُعتبر مسألة معقدة للغاية تم تصنيفها على أنها PSPACE-complete، مما يعني أن الحلول يمكن أن تتطلب وقتًا طويلاً للغاية للتحقق منها. لكن، ماذا لو كان هناك نموذج يمكنه التنبؤ بإمكانية الحل دون أي مساعدة من حلول مسبقة أو مؤشرات على القابلية؟

تشير النتائج إلى أن النموذج، والذي يعتمد على بنية محولات (Transformers) مُدرب فقط على ملء البلاطات المفقودة، استطاع تحقيق معدل قابلية حل بلغ 77.4%. والأكثر إثارة هو أن 94.5% من الألغاز الأخرى التي لم تحل يمكن تعديلها لجعلها قابلة للحل عن طريق إزالة جدار واحد فقط.

هذا الإنجاز يشير إلى أن خصائص عالمية يمكن أن تنشأ من أهداف تدريب محلية. فبدلاً من الاعتماد على نموذج تقليدي يتبع ترتيبًا ثابتًا أثناء التنبؤ، فإن نموذج الانشار المخفي (Masked Diffusion) يتعامل مع مجموعة عشوائية من الخلايا ويتعلم كيفية التنبؤ بالنتائج بناءً على كافة الخلايا الموجودة.

يتبين أن صعوبة الألغاز تأتي من هذا النوع من التفاعل غير المحلي، حيث يمكن أن تؤثر قرارات في جزء من اللغز على الأجزاء الأخرى. نموذج التعلم العميق الذي لا يتقيد بترتيب ثابت، يمثل تطابقًا هيكليًا أفضل لمثل هذه الألغاز.

الجدير بالذكر أن نموذج التدريب المُعتمد هو من MD4 (شي وآخرون، 2024)، والبيانات المستخدمة تأتي من مجموعة بيانات Boxoban التي قدمتها DeepMind (غويز وآخرون، 2019). هذه التقنية تعكس كيف يمكن لتطويرات جديدة في الذكاء الاصطناعي أن تُعيد تعريف كيفية معالجة المسائل المعقدة.

هل يمكنك تخيل المستقبل الذي قد تسهم فيه هذه الابتكارات في حل تحديات جديدة؟ شاركونا آراءكم حول هذا التطور المثير!