في عالم الذكاء الاصطناعي، تعد أبحاث نظرية التعلم الآلي تسليط الضوء على الإجراءات التعليمية من خلال إعدادات رياضية محددة. حيث تشكل البيانات، بروتوكولات التدريب، الوصول إلى الأوركل، الخسارة، والمعايير، بالإضافة إلى العشوائية، كل هذه العناصر تحدد الظاهرة التي يهدف البحث إلى تفسيرها. لذا، يتطلب حل أي مشكلة مفتوحة تطوير كل من صياغة المشكلة، هدف النظرية، وآلية الإثبات بشكل متعاون.

في هذا السياق، قام الباحثون بتقديم VALG، وهو نظام مبتكر يُعد كمنصة مستقلة منظمة لأبحاث نظرية التعلم الآلي. يجمع VALG بين التحقق المتعدد المستويات، صياغة تكيفية لمشاكل نظرية التعلم، وتطوير الإثباتات الهيكلية الرسومية. من خلال هذا النظام، يتم الحفاظ على مواصفات رياضية ثابتة لكل فرع من فروع النظرية المعنية، حيث يتحقق من تركيب نظرية إثبات معتمدة ويقوم ببناء ومراجعة الإثباتات وفقاً لترتيب الاعتماد.

عند فشل محاولة الإثبات، يمكن لـ VALG تحديد ما إذا كانت العقبة تكمن في الاشتقاق، هيكل الإثبات، أو صياغة النظرية، ومن ثم يتخذ الإجراء المناسب. كما تٌتيح العقبات على مستوى الصياغة البدء بمسار بديل أو استرخاء محدد، مما يحافظ على العلاقة الرياضية بين النظرية الناتجة ومشكلة المصدر.

لقد تم تقييم VALG على تسعة مشاكل فرعية من خمس مشاكل مفتوحة لمؤتمر COLT 2026. اثنان من المحاولات أدت إلى نظريات لا نهائية تتطابق مع نطاق مشاكلها المصدر، بينما نتجت النتائج السبع المتبقية عن طرق مقيدة أو حالات خاصة أو نظريات شرطية. تُظهر هذه الدراسات الحالة كيف يمكن لـ VALG الحفاظ على تمييز رياضي بين التوافق مع نطاق المصدر، الاسترخاءات، النتائج الشرطية، والمحاولات المحجوبة.

ويُعد VALG نظاماً مفتوح المصدر يمكن الوصول إليه عبر https://github.com/DechenZhang/[VALG-ML-Theory-Agent].

ما رأيكم في إمكانية اعتماد الأنظمة الذاتية في أبحاث الذكاء الاصطناعي؟ شاركونا تجاربكم وأفكاركم في التعليقات!