معمارية سوار المعرفية – ألين نيويل وجون ليرد

تُمثّل دراسة العقل البشري ومحاولة نمذجته حوسبياً أحد أعظم التحديات العلمية والفلسفية في العصر الحديث. فمنذ انطلاق شرارة الثورة المعرفية في منتصف القرن العشرين، سعى العلماء إلى تجاوز النماذج السلوكية البسيطة التي تعاملت مع الدماغ كـ “صندوق أسود”، متوجهين نحو صياغة نظريات بنيوية وتفسيرية تفكك العمليات الإدراكية المعقدة. وفي قلب هذا التحول الإبستمولوجي، برزت فكرة بناء معماريات معرفية متكاملة قادرة على محاكاة التفكير البشري ليس فقط في مهام معزولة، بل كنظام شامل وموحد لمعالجة المعلومات، وهو المسعى الذي تكلل بواحدة من أهم الإنجازات في تاريخ الذكاء الاصطناعي وعلوم الإدراك: معمارية سوار المعرفية (SOAR Cognitive Architecture).

تأسست معمارية سوار على يد رواد الذكاء الاصطناعي المعرفي ألين نيويل (Allen Newell) وتلميذه جون ليرد (John Laird) بالتعاون مع بول روزنبلوم (Paul Rosenbloom). لم يكن الهدف من تصميم سوار مجرد ابتكار برنامج شطرنج أو نظام خبير لمعالجة مشكلة ضيقة، بل تجسيداً حياً لمشروع نيويل الفكري الطموح المعروف بـ النظريات الموحدة للإدراك (Unified Theories of Cognition). سعت هذه المعمارية إلى دمج آليات اتخاذ القرار، وحل المشكلات، والتعلم المستمر، والتخطيط الاستراتيجي، والتحكم الحركي، في منظومة برمجية ورمزية واحدة تستند إلى فرضية علمية رصينة مفادها أن الفعل الذكي ينبثق من التلاعب بالرموز المادية عبر فضاءات المشكلات المعرفية.

على مدار أكثر من أربعة عقود من البحث والتطوير المستمر بين جامعة كارنيغي ميلون (Carnegie Mellon University) وجامعة ميشيغان (University of Michigan)، تطورت سوار من محرك بحث واستدلال رمزي قائم على قواعد الإنتاج إلى منصة حوسبية هجينة متطورة تضم ذواكر متعددة (عاملة، إجرائية، دلالية، وعرضية)، ونظم تعلم تعزيزي، وتقييمات وجدانية، وروابط حسية حركية تجعلها إحدى الركائز الأساسية نحو فهم العقل البشري وبناء أنظمة الذكاء الاصطناعي العام (AGI). يستكشف هذا المقال الموسوعي الشامل البنية النظرية والتنفيذية لمعمارية سوار، ويحلل آلياتها الدقيقة، ويقارنها بالنماذج الأخرى، ويستعرض أثرها المستدام في العلوم المعرفية المعاصرة.

1. المدخل التاريخي والنظري لنشأة معمارية سوار المعرفية

1.1 السياق التاريخي لولادة المعماريات المعرفية الحاسوبية

شهدت خمسينيات وستينيات القرن العشرين تحولاً جذرياً في دراسة السلوك البشري؛ إذ تراجعت الهيمنة السلوكية التي قادها علماء مثل جون واطسون وبي إف سكينر، والتي كانت ترفض الخوض في الحالات العقلية الداخلية وتكتفي بدراسة المثير والاستجابة. جاءت الثورة المعرفية (Cognitive Revolution) مدفوعة بتطورات علوم اللغويات والحاسوب ونظرية المعلومات، لتطرح مفهوماً ثورياً: العقل كنظام معالجة معلومات رمزي يشبه في مبادئه التجريدية برامج الحاسوب الرقمية. في هذا المناخ الفكري الخصب، قاد ألين نيويل وهربرت سيمون (Herbert Simon) أبحاثاً رائدة في جامعة كارنيغي ميلون، مبرهنين من خلال برامج مثل “منظّر المنطق” (Logic Theorist) و”حلال المشكلات العام” (General Problem Solver – GPS) على أن العمليات العقلية العليا كالتفكير والاستدلال يمكن نمذجتها بدقة خوارزمية صارمة.

مع بداية سبعينيات القرن العشرين، واجه الذكاء الاصطناعي مأزق التجزيء؛ حيث تركزت الجهود على بناء “أنظمة خبراء” (Expert Systems) مخصصة لنطاقات ضيقة جداً، مثل تشخيص الأمراض أو التنقيب عن المعادن. ورغم النجاح التجاري المحدود لتلك الأنظمة، إلا أنها كانت تفتقر إلى المرونة، والقدرة على التعلم الذاتي، والبديهة العامة التي يتميز بها العقل البشري. أدرك نيويل أن تجميع مئات النماذج المصغرة المنفصلة لن يفضي أبداً إلى فهم الطبيعة الكلية للإدراك، ونشر مقالته النقدية الشهيرة عام 1973 بعنوان “أنت لا تستطيع أن تلعب عشرين سؤالاً مع الطبيعة وتفوز” (You Can’t Play 20 Questions with Nature and Win)، داعياً فيها مجتمع العلوم المعرفية إلى التخلي عن دراسة الظواهر المعزولة وبناء نماذج معمارية موحدة تتسم بالشمولية والتكامل الوظيفي.

في أواخر السبعينيات وأوائل الثمانينيات، وداخل أروقة مختبرات بارك (Xerox PARC) الشهيرة وجامعة كارنيغي ميلون، تلاقت الرؤى بين ألين نيويل والباحثين الشابين جون ليرد وبول روزنبلوم. تمثل الهدف في الانتقال الجذري من برامج الذكاء الاصطناعي الضيقة إلى صياغة “معمارية معرفية” (Cognitive Architecture) متكاملة؛ وهي بنية برمجية تحتية تحدد الآليات الحسابية الثابتة غير المتغيرة للعقل (مثل أنواع الذاكرة، وآليات اتخاذ القرار، وقوانين التعلم)، والتي يمكنها استضافة معارف متغيرة ومتجددة تمكن الوكيل الذكي من التفاعل مع شتى بيئات المهام والتكيف معها بكفاءة تحاكي الكفاءة البشرية.

1.2 الهدف الأساسي وراء تصميم معمارية سوار (SOAR)

تمحور الهدف الأساسي وراء تصميم معمارية سوار—التي اشتُق اسمها أصلاً كاختصار رمزي لمفاهيم الحالة، والعامل، والنتيجة (State, Operator, And Result)—حول تحقيق حلم نيويل في صياغة نظرية موحدة للإدراك البشري (Unified Theory of Cognition). كانت الغاية تتمثل في إنشاء بنية حوسبية قادرة على تفسير وتوليد الطيف الكامل للسلوك الذكي عبر منصة برمجية موحدة، مما يلغي الحاجة إلى اختراع خوارزميات مخصصة لكل مهمة عقلية جديدة. وقد تطلب هذا الطموح الجمع العضوي بين آليات التفكير والاستدلال المنطقي الرمزي عالي الرتبة من جهة، والتعلم الذاتي المستمر واكتساب الخبرة التلقائي من جهة أخرى، وهو ما عجزت عنه معظم الأنظمة السابقة.

كذلك، استهدفت سوار تقديم تفسير متماسك للسلوك الذكي ضمن نطاق زمني فيزيائي وإدراكي واسع ومتدرج. فوفقاً للتحليل المعرفي، يجب أن تكون المعمارية قادرة على العمل في النطاق الزمني للمللي ثانية لمعالجة العمليات العصبية والإدراكية التحتية (مثل استرجاع الذاكرة ومطابقة الأنماط)، وفي نطاق الثواني لاتخاذ القرارات الواعية واختيار الأفعال، وفي نطاق الساعات والأيام والشهور لإنجاز المهام الاستراتيجية المعقدة، وحل المشكلات المفتوحة، وتراكم الخبرة الطويلة. كانت هذه المطابقة الزمنية الصارمة شرطاً لازماً لكي تكتسب المعمارية مصداقية سيكولوجية وتطابق القياسات المعملية لزمن رد الفعل البشري.

علاوة على ذلك، صُممت سوار لتكون نظاماً مستقلاً ومرناً قادراً على مواجهة البيئات غير المحددة مسبقاً (Ill-structured Environments). في مثل هذه البيئات، لا يمتلك الوكيل معرفة كاملة بالخطوات المطلوبة للوصول إلى الهدف، بل يواجه باستمرار نقصاً في المعلومات أو تعارضاً في الخيارات. ومن ثم، كان لزاماً على سوار أن تحتوي على آليات ذاتية مدمجة لرصد ومواجهة “المآزق المعرفية”، وتوليد أهداف فرعية تلقائياً لتحليل المشكلة والتغلب عليها دون الحاجة إلى تدخل بشري أو برمجة مسبقة لكل الاحتمالات الممكنة.

1.3 التطور المعماري من سوار 1 إلى سوار 9

امتد المسار التطويري لمعمارية سوار عبر عقود من الاختبارات التجريبية والتحسينات الهيكلية، ويمكن تقسيمه إلى ثلاث حقب رئيسية تعكس نضج الفكر المعرفي والحوسبي لدى مطوريها:

• الحقبة الكلاسيكية (Soar 1 – Soar 5): انطلقت النسخة الأولى في مطلع الثمانينيات مستندة إلى لغة البرمجة Lisp ونظام قواعد الإنتاج OPS5. ركزت الإصدارات الأولى (Soar 1 و 2) على إثبات مفهوم فضاء المشكلة الموحد، حيث تُعالج جميع العمليات داخل فضاءات المشكلات عبر دورات متكررة من اقتراح المشغلات واختيارها وتطبيقها. في الإصدارين (Soar 4 و Soar 5)، أُعيدت كتابة المعمارية بلغة C لتحقيق السرعة والكفاءة، وأُدمجت آلية “التقطيع” (Chunking) كآلية وحيدة للتعلم التلقائي، واعتُمدت خوارزمية ريتي (Rete Algorithm) لتحقيق مطابقة متوازية فائقة السرعة لقواعد الإنتاج.
• حقبة النضج الرمزي والتفاعل الواقعي (Soar 6 – Soar 8): شهدت هذه المرحلة استقرار البنية الرمزية والتحول نحو بيئات المهام التكتيكية والمعقدة واسعة النطاق في التسعينيات. تميز الإصدار Soar 6 بالسرعة الحوسبية العالية، بينما شهد Soar 7 معالجة مشكلات التعلم المعقدة والحد من توليد القواعد البطيئة الناتجة عن التقطيع المفرط. في Soar 8، جرى تبسيط نظام فضاءات المشكلات ليصبح معتمداً على مستويات الحالات والتحكم المباشر بالمشغلات، مع تعزيز قدرات الربط الحسي الحركي للعمل في بيئات المحاكاة العسكرية والألعاب التفاعلية الفورية.
• التحول المعماري الهجين المعاصر (Soar 9): يُمثل سوار 9، الذي قاده جون ليرد في جامعة ميشيغان، النقلة النوعية الأكثر جذرية في تاريخ المعمارية. تحولت سوار من نظام رمزي نقي يعتمد حصراً على الذاكرة الإجرائية والتقطيع، إلى معمارية معرفية هجينة متكاملة. دمج Soar 9 ذواكر طويلة المدى إضافية؛ تشمل الذاكرة الدلالية (Semantic Memory) للحقائق المجردة، والذاكرة العرضية (Episodic Memory) للسير الذاتية والأحداث الزمنية المشفرة. كما أضافت المعمارية آليات التعلم المعزز الرمزي (Reinforcement Learning) لتحديث الأوزان التفضيلية، ونظاماً للمشاعر والحالات التقييمية العاطفية (Appraisal Theory) والإدراك البصري المكاني، مما جعلها واحدة من أقوى المنصات المعرفية المعاصرة لتحقيق الذكاء الاصطناعي العام.

2. الإسهامات الأكاديمية لألين نيويل وجون ليرد وبول روزنبلوم

2.1 ألين نيويل ودوره في صياغة النظريات الموحدة للإدراك

يُعد ألين نيويل (1927–1992)، الحائز على جائزة تورينغ (Turing Award) لعام 1975 رفقة هربرت سيمون، الأب الروحي لمعمارية سوار وصاحب الرؤية الفلسفية التأسيسية التي قامت عليها. في كتابه المرجعي البارز النظريات الموحدة للإدراك (Unified Theories of Cognition) الصادر عام 1990 عن جامعة هارفارد، قدّم نيويل بياناً علمياً صارماً يحدد كيف يجب على العلوم المعرفية أن تنتقل من التجارب المعزولة إلى نمذجة كلية للعقل. جادل نيويل بأن الإدراك ليس مجموعة من الآليات المنفصلة التي تعمل باستقلال، بل هو نسق منظم تحكمه قيود بيولوجية وبنيوية موحدة.

أرسى نيويل مفهوماً إبستمولوجياً محورياً يُعرف بـ “عصابات الزمن للعمل البشري” (Time Scales of Human Action)، مبيناً أن الظواهر العقلية تتوزع عبر أربعة نطاقات رئيسية: البيولوجي (أقل من 10 مللي ثانية)، والمعرفي (من 100 مللي ثانية إلى ثوانٍ)، والعقلاني (من دقائق إلى ساعات)، والاجتماعي (من أيام إلى سنوات). أكد نيويل أن المعمارية المعرفية يجب أن تكون الجسر الحوسبي الذي يربط بين البنية الفيزيائية الدماغية والقرارات العقلانية الواعية. تجسدت عبقرية نيويل في قدرته على دمج المناهج التجريبية لعلم النفس المعرفي مع النمذجة الرياضية والبرمجية، وظل حتى وفاته يعتبر سوار أفضل مرشح حوسبي لتحقيق نظريته الموحدة.

2.2 جون ليرد وتطوير الهيكلية الحوسبية المستقلة

تولى جون ليرد، أستاذ علوم وهندسة الحاسوب في جامعة ميشيغان، القيادة التنفيذية والتقنية لتطوير معمارية سوار منذ انطلاقتها الأولى وخلال العقود الأربعة اللاحقة، ليصبح المهندس الرئيسي للبنية التحتية البرمجية والمعرفية للمنظومة. قاد ليرد نقلة سوار من بيئة المختبرات التجريبية النظرية إلى التطبيقات الواقعية المعقدة، مثل التحكم في الوكلاء الأذكياء المستقلين في بيئات الطيران التكتيكي، والتحكم بالروبوتات الفيزيائية، وتطوير خصوم افتراضيين في ألعاب المحاكاة ثلاثية الأبعاد.

وثّق ليرد خلاصة مسيرته البحثية في كتابه المرجعي The Soar Cognitive Architecture الصادر عام 2012 عن دار نشر معهد ماساتشوستس للتكنولوجيا (MIT Press)، والذي يُعتبر المرجع القياسي والمعياري الأكثر تفصيلاً لمعمارية سوار 9. أسهم ليرد بشكل حاسم في ابتكار آليات دورة القرار، وتطوير البنية الهجينة غير الرمزية، وقيادة أحدث أبحاث سوار في مجال “التعلم التفاعلي للمهام” (Interactive Task Learning – ITL)، مبرهناً على قدرة المعمارية على اكتساب مفاهيم وسلوكيات جديدة كلياً عبر التفاعل اللغوي الطبيعي مع البشر.

2.3 إسهام بول روزنبلوم ونظرية فضاء المشكلة الموحد

قدّم بول روزنبلوم، الأستاذ في جامعة جنوب كاليفورنيا (USC)، إسهامات نظرية وتجريبية محورية شكلت الركائز الهيكلية لسوار، وكان أبرزها صياغة وتطوير “نموذج فضاء المشكلة الحوسبي الموحد” (Universal Problem Space Model) ومفهوم “توليد الأهداف الفرعية التلقائي” (Universal Subgoaling). ركز روزنبلوم في أطروحته للدكتوراه وأبحاثه اللاحقة على تفكيك آليات التعلم الإنساني، مبرهناً على أن آلية التقطيع (Chunking) في سوار قادرة على تفسير وتكرار أحد أعظم القوانين التجريبية رسوخاً في علم النفس المعرفي، وهو “قانون القوة للممارسة” (Power Law of Practice)، الذي يفسر كيف يتسارع زمن أداء المهام المعرفية مع الممارسة عبر منحنى لوغاريتمي متطابق بين البشر وسوار.

أشرف روزنبلوم على العديد من الدراسات التجريبية المقارنة التي أثبتت المصداقية السيكولوجية لسوار، كما ساهم لاحقاً في تأسيس الجيل التالي من المعماريات المعرفية المستلهمة من سوار والعلوم العصبية، مثل مشروع Sigma (Σ)، مواصلاً استكشاف كيفية توحيد التمثيلات الرمزية والاحتمالية في نسق حوسبي متسق ومتطور.

3. المرتكزات الفلسفية والنظرية لمعمارية سوار

3.1 فرضية منظومة الرموز المادية (Physical Symbol System Hypothesis)

تقوم معمارية سوار من الناحية الفلسفية والإبستمولوجية على فرضية منظومة الرموز المادية (Physical Symbol System Hypothesis – PSSH)، التي صاغها ألين نيويل وهربرت سيمون في ورقتهما العلمية التاريخية عام 1976. تنص هذه الفرضية على ما يلي: “تمتلك منظومة الرموز المادية الوسائل الضرورية والكافية للفعل الذكي العام”. تعني كلمة “المادية” أن هذه المنظومة يمكن تجسيدها فيزيائياً في العالم الواقعي (سواء كدماغ بيولوجي أو كحاسوب رقمي إلكتروني)، بينما تعني “منظومة الرموز” القدرة على إنشاء أنماط وتراكيب قابلة للتعيين والإحالة والتحوير.

تنظر سوار إلى المعرفة الإنسانية كبنية مكونة من رموز ترتبط بعلاقات بنيوية ودلالية تعكس كينونات العالم الحقيقي وخصائصه وعلاقاته. يتيح التلاعب الرمزي للمعمارية إجراء عمليات الاستدلال المنطقي، التجريد، التخطيط للمستقبل، وتكوين الفرضيات المجردة. اتخذت سوار، لاسيما في إصداراتها الكلاسيكية، موقفاً صارماً ضد الاتجاهات الاختزالية للمدرسة الاتصالية الخالصة (Connectionism)، مؤكدة أن التمثيلات الرمزية لا غنى عنها لتوليد السلوك الذكي القابل للتفسير والتعميم المنهجي، ومبرهنة على أن القدرة على المعالجة الرمزية المنهجية هي جوهر العقلانية والتفكير المنطقي.

3.2 مستويات المعالجة المعرفية وتدرج النطاقات الزمنية

استند تصميم سوار إلى التقسيم النظري الدقيق لنطاقات الفعل البشري الزمني الذي اقترحه نيويل، والذي يربط بين السرعة الفيزيائية للعمليات والمستوى التجريدي للوظيفة المعرفية:

• النطاق البيولوجي (Biological Band – $10^{-4}$ إلى $10^{-2}$ ثانية): يمثل مستوى العمليات العصبية والكيميائية الحيوية داخل الدماغ (100 ميكروثانية إلى 10 مللي ثانية). لا تحاكي سوار هذا المستوى عبر الخلايا العصبية المنفردة، بل تعتبره الأساس المادي المحقق لعمليات استرجاع الذاكرة ومطابقة الأنماط المتوازية الفائقة.
• النطاق المعرفي (Cognitive Band – $10^{-1}$ إلى $10^1$ ثانية): النطاق المحوري الذي تعمل فيه دورة القرار الأساسية لسوار (100 مللي ثانية إلى 10 ثوانٍ). هنا تحدث عمليات الإدراك، ومطابقة قواعد الإنتاج، واختيار المشغلات المعرفية، والوعي الأولي بالأفعال وحل المآزق البسيطة.
• النطاق العقلاني (Rational Band – $10^2$ إلى $10^4$ ثانية): يمتد من دقائق إلى ساعات، حيث يظهر السلوك الموجه بالأهداف المعقدة، والتخطيط التكتيكي، والتحليل المنطقي لحل المشكلات، واستخدام النماذج العقلية والبحث في فضاء المشكلة التجريدي.
• النطاق الاجتماعي (Social Band – $10^5$ إلى $10^7$ ثانية): يمتد لأيام وشهور وسنوات، ليشمل السلوك التعاوني، وتفاعل الوكلاء المتعددين، والتعلم الثقافي، وتراكم المعارف طويلة الأجل عبر التاريخ التفاعلي للوكيل.

3.3 مبدأ فضاء المشكلة كإطار وحيد للحوسبة والمعرفة

يُعد نموذج فضاء المشكلة (Problem Space Computational Model – PSCM) المبدأ التوحيدي المطلق في معمارية سوار؛ إذ تُعرّف سوار كل نشاط معرفي وسلوكي موجه نحو هدف بأنه بحث مستمر داخل “فضاء المشكلة”. يتكون فضاء المشكلة بنيوياً من:

• الحالة الراهنة (Current State): التمثيل الرمزي الحالي للبيئة الداخلية والخارجية للوكيل وما تحتويه من معطيات وحقائق.
• الحالة الهدفية (Goal State): التوصيف الرمزي للوضع المرغوب تحقيقه أو الشروط الواجب استيفاؤها لإنهاء المهمة.
• العوامل المحولة أو المشغلات (Operators): الإجراءات والأفعال المعرفية أو الفيزيائية التي تؤدي عند تطبيقها إلى تحويل الحالة الراهنة إلى حالة جديدة، مقربةً الوكيل خطوة نحو الحالة الهدفية.

يتيح هذا النموذج توحيد كافة الوظائف المعرفية؛ فالتخطيط، والاستدلال، والتعلم، والتحكم في المحركات، والتحليل اللغوي، لا تُعامل كوحدات منفصلة برمجياً، بل تُصاغ جميعها كعمليات اختيار وتطبيق للمشغلات داخل فضاءات مشكلات محددة. يضمن هذا التوحيد الصارم التماسك الإبستمولوجي للمعمارية، ويمنع تشتت النظام في معالجات غير متوافقة.

4. البنية الذاكرية في معمارية سوار: الذواكر قصيرة وطويلة المدى

4.1 الذاكرة العاملة (Working Memory): البنية والحالة الراهنة

تمثل الذاكرة العاملة (Working Memory – WM) في سوار المستودع الديناميكي اللحظي الذي يحتوي على كافة المعارف النشطة، بما في ذلك التصورات الحسية الواردة، والأهداف الحالية، والنتائج الوسيطة للتفكير، والأوامر الحركية الصادرة. تُهيكل البيانات في الذاكرة العاملة وفق شبكة موجهة من الكائنات الرمزية تسمى عناصر الذاكرة العاملة (Working Memory Elements – WMEs)، والتي تُمثل على هيئة ثلاثيات قياسية: (المعرف ^السمة القيمة) أو (Identifier ^Attribute Value).

تتميز الذاكرة العاملة في سوار بما يُعرف بـ “الشفافية المعرفية الكاملة”؛ حيث تتاح كافة محتوياتها لمطابقة القواعد دون أي تكلفة استرجاع حسابية داخلية. تُمثل الحالة الراهنة في سوار جذر هذه الشبكة الرسومية، وعندما يطرأ أي تغيير في البيئة أو يتم تطبيق مشغل ما، تُحدّث الروابط والقيم داخل الذاكرة العاملة فوراً. كما تحتوي الذاكرة العاملة على هياكل خاصة لتمثيل مستويات الأهداف الفرعية والروابط الدلالية اللحظية، مما يجعلها مسرح العمليات النشط الذي تتفاعل فيه الذواكر طويلة المدى مع العالم الخارجي.

4.2 الذاكرة الإجرائية (Procedural Memory) وقواعد الإنتاج

تُعد الذاكرة الإجرائية المحرك التنفيذي الأساسي في سوار، وتتولى تخزين المعرفة المتعلقة بـ “كيفية” أداء المهام (Knowing-How). تُمثل المعرفة الإجرائية حصرياً على هيئة قواعد إنتاجية شرطية (Production Rules) تأخذ صيغة: إذا (شروط معينة في الذاكرة العاملة) -> إذن (إجراءات أو تعديلات على التفضيلات والذاكرة) أو IF (Conditions) -> THEN (Actions).

تخضع الذاكرة الإجرائية في سوار لمبادئ حوسبية صارمة تمنحها كفاءة استثنائية:

• المطابقة المتوازية عبر شبكة ريتي (Rete Match Network): تُجمع كافة شروط قواعد الإنتاج (التي قد تبلغ عشرات الآلاف من القواعد) في شبكة تجميع وتحقق متوازية تُعرف بـ خوارزمية ريتي (Rete Algorithm). تضمن هذه الشبكة ألا تتأثر سرعة المطابقة خطياً بزيادة عدد القواعد، بل ترتبط فقط بحجم التغييرات الطارئة على الذاكرة العاملة في كل دورة.
• غياب التنافس المباشر أثناء الإطلاق: على عكس أنظمة الإنتاج التقليدية التي تطبق قاعدة واحدة فقط وتحتاج إلى آليات لفض الاشتباك (Conflict Resolution) في مرحلة التفكير، تطلق سوار جميع القواعد التي تحققت شروطها بشكل متوازٍ وفوري في مرحلة الاستنباط لتوليد “التفضيلات”، تاركة حسم القرار لمرحلة لاحقة ومستقلة.

4.3 الذواكر طويلة المدى المضافة حديثاً: الدلالية والعرضية

مع إطلاق معمارية سوار 9 (Soar 9)، أُدمجت فئات جديدة من الذواكر طويلة المدى لتجاوز قيود التمثيل الإجرائي المحض، مستندة إلى أحدث اكتشافات علم النفس العصبي:

• الذاكرة الدلالية (Semantic Memory): مخصصة لتخزين المعارف التقريرية والحقائق المجردة غير المرتبطة بسياق زماني أو مكاني محدد (مثل: “باريس عاصمة فرنسا”، أو الخصائص الهندسية للأشياء). تُخزن المعرفة الدلالية في بنية شبكية رمزية، وتُسترجع إلى الذاكرة العاملة عبر آليات الاسترجاع الموجه بالإشارات (Cue-Based Retrieval) متى دعت الحاجة المعرفية لذلك.
• الذاكرة العرضية (Episodic Memory): تُمثل سجلاً زمنياً متصلاً وذاتياً لكافة التجارب والحالات السابقة التي مر بها الوكيل. تسجل هذه الذاكرة لقطات (Snapshots) دورية لمحتويات الذاكرة العاملة المشفرة زمنياً. تتيح الذاكرة العرضية لسوار استرجاع الماضي، واسترجاع تسلسل الأحداث للتعلم من الأخطاء السابقة، والإجابة عن أسئلة السيرة الذاتية التقييمية، وتوقع نتائج الأفعال المستقبلية بناءً على السوابق التاريخية.

5. دورة القرار والعمليات المعرفية الدقيقة في سوار

5.1 مراحل دورة القرار (The Decision Cycle)

تُمثل دورة القرار (Decision Cycle) الوحدة الزمنية والوظيفية الأساسية لنبض المعالجة المعرفية في سوار، وتتكرر بشكل متواصل بمعدل يقارب 10 إلى 50 مللي ثانية لكل دورة في العمليات النموذجية. تتألف هذه الدورة من خمس مراحل متتابعة ودقيقة:

• مرحلة الإدخال (Input Phase): يستقبل النظام الإشارات والبيانات من البيئة الخارجية (أجهزة الاستشعار، الكاميرات، مدخلات المحاكاة) ويحولها فوراً إلى هياكل رمزية (WMEs) تُحقن في الذاكرة العاملة.
• مرحلة الاستنباط والاقتراح (Elaboration & Proposal Phase): تُطلق الذاكرة الإجرائية متوازياً كافة القواعد الإنتاجية التي تطابقت شروطها مع الحالة الراهنة. تقترح هذه القواعد المشغلات المحتملة (Candidate Operators) وتولد تقييمات وتفضيلات دلالية حولها. تستمر هذه المرحلة في موجات تكرارية حتى تصل الذاكرة العاملة إلى حالة الهدوء المعرفي (Quiescence)، حيث لا تعود هناك أي قواعد جديدة قابلة للإطلاق.
• مرحلة اتخاذ القرار (Decision Phase): يفحص الإجراء الحسابي الثابت للمعمارية كافة التفضيلات المجمعة حول المشغلات المقترحة. إذا أشارت التفضيلات بوضوح إلى مشغل واحد متفوق، يتم اختياره وتثبيته في الحالة الراهنة. أما إذا عجزت التفضيلات عن الحسم لوجود تعادل أو صراع أو غياب تام للخيارات، تُعلن المعمارية عن حدوث “مأزق معرفي” (Impasse).
• مرحلة التطبيق (Application Phase): تُطلق القواعد الإجرائية الخاصة بتطبيق المشغل المختار، مما يؤدي إلى تعديل الحالات الداخلية في الذاكرة العاملة أو استدعاء استرجاعات من الذواكر الدلالية والعرضية.
• مرحلة الإخراج (Output Phase): تُرسل الأوامر الحركية والإجرائية المحدثة إلى المشغلات الميكانيكية للروبوت أو محركات البيئة الافتراضية للتأثير في العالم الخارجي.

5.2 نظام التفضيلات (Preferences System) وحسم التعارضات

تعتمد سوار على منطق رمزي غير عددي فائق التطور يُسمى نظام التفضيلات (Preferences Framework) لتقييم واختيار المشغلات. لا تقتصر التفضيلات على إعطاء درجة رقمية للأفعال، بل تصيغ علاقات دلالية ومقارنات منطقية صريحة. تتضمن أنواع التفضيلات الأساسية:

• تفضيل المقبولية (Acceptable Preference +): يشير إلى أن المشغل مرشح صالح للدخول في حلبة المنافسة والاختيار.
• تفضيل الرفض (Reject Preference -): يستبعد مشغلاً معيناً من المنافسة تماماً مهما كانت إيجابياته.
• تفضيلات الأفضلية النسبية (Better > / Worse <): تقرر صراحة أن المشغل (أ) أفضل أو أسوأ من المشغل (ب) في السياق الراهن.
• تفضيل التساوي (Indifferent Preference =): يشير إلى تساوي قيمة المشغلين وعدم وجود فارق معرفي في اختيار أحدهما، وقد يكون متساوياً عددياً (Numeric Indifferent) لدعم التعلم المعزز.
• تفضيل الإلزام والحظر (Require ! / Prohibit ~): تفضيلات قطعية تفرض اختيار مشغل محدد دون غيره أو تمنع اختياره تحت طائلة إيقاف المعالجة.

يتيح هذا التنوع البنيوي للوكيل التعبير عن مستويات متباينة من اليقين المعرفي، ويمنحه مرونة كافية لدمج معارف تجريبية متعددة دون الوقوع في جمود الأنظمة الحتمية البسيطة.

5.3 التوازي في استرجاع المعرفة والتسلسل في اتخاذ القرار

تُجسد سوار حلاً هندسياً وبيولوجياً فائق الأناقة لأحد أعظم ألغاز العلوم المعرفية: كيف يجمع الدماغ بين المعالجة المتوازية الهائلة (التي تتم على مستوى مليارات المشابك العصبية اللاواعية) والمعالجة التسلسلية الصارمة (التي تميز الفكر الواعي والانتباه الاختياري)؟

في سوار، يتم استرجاع المعرفة ومطابقة الشروط في الذاكرة الإجرائية والدلالية والعرضية بشكل متوازٍ تماماً ولاواعٍ دون أن يشكل عبئاً على النظام؛ حيث تبحث شبكة ريتي عن الأنماط دفعة واحدة. ولكن، عندما يتعلق الأمر بـ اتخاذ القرار واختيار الفعل، تُجبر المعمارية نفسها على المرور عبر عنق زجاجة تسلسلي صارم (Serial Bottleneck)؛ حيث لا يمكن للمعمارية تطبيق سوى مشغل معرفي واحد في كل دورة قرار على مستوى الحالة المعينة. يتطابق هذا التصميم بدقة مذهلة مع البيانات التجريبية لعلم النفس العصبي، التي تثبت أن الإنسان يستطيع معالجة ملايين المدخلات الحسية متوازياً، لكنه لا يستطيع اتخاذ سوى قرار إرادي واحد في اللحظة الزمنية الواحدة.

6. حل المشكلات، المآزق المعرفية، وتوليد الأهداف الفرعية

6.1 مفهوم المأزق المعرفي (Impasse) وأنواعه في سوار

في الأنظمة البرمجية التقليدية، عندما يواجه البرنامج نقصاً في المعلومات أو تعارضاً في الأوامر، يتوقف عن العمل أو يصدر خطأ برمجياً (Exception). أما في سوار، فإن عدم القدرة على اتخاذ قرار لا يمثل فشلاً، بل هو المحرك الأساسي للتعلم وحل المشكلات والاستدلال العميق. يُطلق على هذه الحالة اسم المأزق المعرفي (Impasse). ترصد المعمارية المآزق تلقائياً وتنقسم إلى أربعة أنواع رئيسية:

• مأزق التعادل (Tie Impasse): يحدث عندما يتنافس اثنان أو أكثر من المشغلات المقبولة مع وجود تفضيلات تشير إلى تفوقهما دون وجود تفضيل حاسم يرجح أحدهما على الآخر.
• مأزق الصراع (Conflict Impasse): يحدث عندما تكون هناك تفضيلات متناقضة غير قابلة للحل، كأن تفيد قاعدة بأن المشغل (أ) أفضل من (ب)، بينما تفيد قاعدة أخرى متزامنة بأن المشغل (ب) أفضل من (أ).
• مأزق عدم التغيير للحالة أو المشغل (State / Operator No-Change Impasse): يحدث عندما يتم اختيار مشغل معين لكن الذاكرة الإجرائية لا تمتلك قواعد كافية لتطبيقه وإحداث تغيير في الحالة الراهنة، أو عندما لا يقترح النظام أي مشغل مقبول على الإطلاق.
• مأزق الرفض الشامل (Constraint Failure / Reject Impasse): يحدث عندما تُرفض جميع الخيارات المتاحة بسبب تفضيلات الرفض أو الحظر، مما يترك الحالة بلا أي مشغل ممكن.

6.2 توليد الأهداف الفرعية التلقائي (Universal Subgoaling)

بمجرد أن ترصد المعمارية وقوع أي مأزق معرفي، يتدخل المكون البنيوي التلقائي لسوار دون أي توجيه برمجي خارجي، منشئاً حالة فرعية جديدة (Substate) في الذاكرة العاملة. تُمثل هذه الحالة الفرعية هدفاً معرفياً جديداً يتمثل في: “البحث عن المعرفة اللازمة لحل سبب المأزق في المستوى الأعلى”. يُعرف هذا المبدأ بـ توليد الأهداف الفرعية التلقائي (Universal Subgoaling).

داخل هذه الحالة الفرعية، يتشكل فضاء مشكلة مستقل تماماً؛ حيث يمكن للوكيل استدعاء مشغلات جديدة، والبحث في الذاكرة الدلالية، ومحاكاة السيناريوهات، أو حتى التراجع التكتيكي. وإذا واجه الوكيل صعوبة جديدة داخل الحالة الفرعية، يمكن للمعمارية إنشاء حالات فرعية متداخلة بازدياد تعقيد الشجرة المعرفية (Recursive Substates). وبمجرد أن تنجح العمليات المعرفية في الحالة الفرعية في توليد التفضيل أو المعرفة الناقصة، يُحل المأزق فوراً، وتُحذف الحالة الفرعية وكافة تفاصيلها المؤقتة من الذاكرة العاملة، ليعود الوكيل إلى مساره الأصلي بسلاسة متناهية.

6.3 استراتيجيات البحث في فضاء المشكلة أثناء المآزق

عند إنشاء الحالة الفرعية، تلجأ سوار إلى توظيف طيف واسع من استراتيجيات الاستدلال والبحث الإرشادي لحل المأزق، وتتضمن هذه الاستراتيجيات:

• تحليل الغايات والوسائل (Means-Ends Analysis): مقارنة الفروق بين الحالة الراهنة والحالة المستهدفة واختيار المشغلات التي تقلل هذه الفروق خطوة بخطوة.
• البحث الإرشادي والتسلق التلي (Heuristic Search & Hill Climbing): استكشاف شجرة الحالات المستقبلية وتقييم مسارات العمل بناءً على دوال تقييمية ترجح الحالات الأكثر واعدية.
• المحاكاة الذهنية للأمام (Lookahead & Mental Simulation): إنشاء حالات افتراضية داخل الفضاء الفرعي وتجربة تطبيق مشغلات معينة لدراسة عواقبها المحتملة “تخيلياً” قبل الإقدام على تنفيذها فيزيائياً في البيئة الواقعية، وهو جوهر التخطيط المعرفي الواعي.

7. آلية التعلم بالتقطيع (Chunking) وتطور الكفاءة المعرفية

7.1 الأساس النظري لآلية التقطيع (Chunking Mechanism)

يُمثل التقطيع المعرفي (Chunking) آلية التعلم الرمزية التاريخية والأساسية في سوار. يستند التقطيع إلى مفهوم مستمد من علم النفس المعرفي، وهو قدرة العقل البشري على تجميع أشتات المعارف المتفرقة في “كتل” أو “قوالب” معرفية موحدة تُعامل كوحدة واحدة ذات كفاءة عالية. في سوار، يُعرّف التقطيع حوسبياً كآلية مستمرة وتلقائية تقوم على التعلم المعتمد على التفسير (Explanation-Based Learning – EBL).

عندما تُحل المشكلة داخل الحالة الفرعية وتُنتج النتيجة المرجوة (Result)، تقوم معمارية سوار بتحليل أثري استرجاعي لكافة عناصر الذاكرة العاملة التي تم الاعتماد عليها أثناء عملية حل المأزق. تستخلص المعمارية الشروط الأساسية التي كانت موجودة في الحالة الأصلية قبل المأزق وساهمت في الوصول للحل، وتتجاهل كافة التفاصيل العارضة والبحث التجريبي العشوائي الذي تم داخل الفضاء الفرعي. بعد ذلك، تقوم سوار بإنشاء قاعدة إنتاجية جديدة كلياً (Chunk Rule) وتخزنها فوراً في الذاكرة الإجرائية طويلة المدى.

في المرات القادمة، وعندما يواجه الوكيل موقفاً شبيهاً تتوفر فيه تلك الشروط، تُطلق القاعدة الجديدة المكتسبة في جزء من المللي ثانية خلال مرحلة الاستنباط، مقدمة الحل مباشرة دون الحاجة للوقوع في المأزق، ودون إنشاء حالة فرعية، ودون خوض غمار البحث المضني من جديد.

7.2 تفسير قانون القوة للتعلم المعرفي (Power Law of Practice)

تاريخياً، كان إثبات التطابق بين سلوك المعمارية الحوسبية والبيانات النفسية البشرية أحد أعظم إنجازات سوار. ينص قانون القوة للممارسة (Power Law of Practice)، الذي اكتشفه نيويل وسيمون وروزنبلوم تجريبياً عبر آلاف التجارب البشرية، على أن زمن إنجاز مهمة معرفية ($T$) يتناقص بتكرار الممارسة ($N$) وفق معادلة أسية لوغاريتمية تأخذ الشكل الرياضي التالي:

$$T = a \cdot N^{-b}$$

حيث يمثل $a$ الزمن الأولي للمحاولة الأولى، و $b$ معدل التعلم والتحسن. أثبتت الدراسات المعملية الصارمة التي أجراها بول روزنبلوم أن آلية التقطيع في سوار تولد منحنيات أداء تتطابق رياضياً مع هذا القانون النفسي. في البداية، يكون الوكيل بطيئاً جداً لوقوعه في مآزق متعددة واعتماده على استدلال بطيء في مساحات فرعية متكررة. لكن مع تراكم القواعد المقطعة (Chunks)، يتحول الوكيل تدريجياً من التفكير الاستدلالي البطيء (Declarative / Deliberative Thinking) إلى السلوك الخبير الآلي فائق السرعة (Procedural / Automatic Mastery)، وهو التفسير المعماري الدقيق لتحول الإنسان من مرحلة “المبتدئ” إلى مرحلة “الخبير”.

7.3 المشكلات التقنية والتحديات المعرفية المرتبطة بالتقطيع

رغم القوة الاستدلالية الفائقة لآلية التقطيع، إلا أن مسيرتها التطويرية واجهت تحديين حوسبيين ومعرفيين بالغي التعقيد:

• مشكلة القواعد المقطعة الباهظة (The Expensive Chunks Problem): في بعض البيئات المعقدة، كان التقطيع يولد قواعد إنتاجية تحتوي على العشرات من الشروط النمطية المعقدة والمتشابكة. عند إدخال هذه القواعد في شبكة ريتي، كانت تسبب بطئاً هائلاً في المعالجة الحوسبية، لدرجة أن النظام كان يستغرق وقتاً لمطابقة شروط القاعدة أطول من الوقت الذي كان يستغرقه في حل المشكلة عبر البحث الفرعي المباشر! عُولجت هذه المشكلة في الإصدارات اللاحقة عبر تحسين خوارزميات التجريد ومنع التقطيع في بعض الهياكل التكرارية غير الخطية.
• الإفراط في التعميم والتخصيص الخاطئ (Overgeneralization & Over-specialization): في حالات معينة، يقوم التقطيع بتجريد متغيرات حاسمة استند إليها الحل ضمنياً ولكنها لم تظهر بوضوح في شروط الأثر المعرفي، مما يؤدي إلى إنشاء قاعدة مفرطة في التعميم تُطلق في سياقات غير ملائمة وتولد قرارات خاطئة. تطلب حل هذه المشكلة إدخال آليات تحقق بنائية صارمة تضمن سلامة المنطق الاستدلالي للقواعد المولدة.

8. التعلم غير الرمزي والتعزيزي في سوار الحديثة (Soar 9)

8.1 التعلم المعزز التفاعلي (Reinforcement Learning in SOAR)

مع الانتقال إلى سوار 9، تم سد الفجوة بين المنطق الرمزي الصارم والحسابات الاحتمالية الديناميكية من خلال دمج خوارزميات التعلم المعزز (Reinforcement Learning – Soar-RL) مباشرة في بنية الذاكرة الإجرائية. في هذا النموذج الهجين، لا يقتصر دور القواعد الإجرائية على اقتراح المشغلات بصيغة رمزية بحتة، بل ترتبط تفضيلاتها الرقمية بأوزان وقيم عددية تمثل التوقعات لـ “دالة القيمة” $Q(s, a)$.

عندما يقترح النظام مشغلات متعددة في حالة تعادل متساوٍ (Numeric Indifferent Preferences)، يتدخل محرك التعلم المعزز لاختيار المشغل إما استكشافياً (Exploration) أو استغلالياً (Exploitation) عبر سياسات مثل $epsilon$-greedy أو Softmax. وعندما يستقبل الوكيل مكافأة بيئية (Reward) ناتجة عن أفعاله، تُحدّث أوزان القواعد التي اقترحت ذلك المشغل باستخدام خوارزميات الفروق الزمنية مثل SARSA و Q-Learning الرمزية. يتيح هذا التكامل لسوار التكيف مع البيئات الاحتمالية والضوضاء المستمرة دون التضحية بالقدرة على التفكير الرمزي التجريدي عالي الرتبة.

8.2 التعلم في الذاكرة الدلالية والعرضية

تتضمن سوار 9 آليات تعلم وتنشيط إحصائية مستقلة مدمجة داخل الذواكر التقريرية طويلة المدى:

• آلية التنشيط الأساسي في الذاكرة الدلالية (Base-Level Activation): تستند إلى خوارزميات شبيهة بنماذج أندرسون المعرفية؛ حيث تمتلك كل حقيقة دلالية مستوى تنشيط يتزايد مع تكرار استرجاعها وحداثة استخدامها، ويتضاءل مع مرور الوقت وفق دالة اضمحلال زمني لوغاريتمي. يضمن ذلك أن الحقائق الأكثر صلة وأهمية هي التي تطفو على السطح وتُسترجع أسرع عند استعلام الذاكرة.
• التعلم وإعادة الاسترجاع العرضي (Episodic Learning & Cue Matching): تسجل الذاكرة العرضية تلقائياً وبانتظام لقطات الذاكرة العاملة دون إبطاء الأداء العام. وعندما يواجه الوكيل موقفاً يتطلب استذكار الماضي، يُنشئ “استعلاماً جزئياً” (Episodic Cue)، لتقوم الذاكرة العرضية بحساب التشابه البياني والتوافقي بين الاستعلام وملايين اللقطات التاريخية، مسترجعة اللحظة الأكثر تطابقاً بما تحتويه من سياقات ونتائج سابقة، مما يتيح التعلم القائم على السوابق والأمثلة (Case-Based Reasoning).

8.3 النمذجة العاطفية وتقييم الدوافع الذاتية

من أحدث التطورات في سوار دمج نظرية التقييم المعرفي للمشاعر (Cognitive Appraisal Theory)، لاسيما نموذج شيرير وأورموني. لا تُعامل المشاعر في سوار كحالات وجدانية غامضة، بل كتقييمات حوسبية بنيوية مستمرة للحالة الراهنة قياساً بالأهداف الموضوعة؛ حيث يقيس النظام مؤشرات دقيقة مثل: مدى تحقيق الهدف (Goal Conduciveness)، وتوقع الحدث (Expectedness)، ومستوى السيطرة المتاح (Coping Potential).

تولد هذه التقييمات حالات وجدانية حوسبية (مثل الرضا، التوتر، الأمل، الإحباط) تترجم إلى إشارات مكافأة داخلية (Intrinsic Rewards). تؤثر هذه المشاعر الحوسبية تأثيراً مباشراً في ديناميكيات النظام: فالقلق والتوتر يؤديان إلى تضييق نطاق الانتباه المعرفي وتسريع دورات القرار لمواجهة الخطر المحدق، بينما يدفع الشعور بالأمان والفضول النظام إلى استكشاف فضاءات مشكلات جديدة وتوليد أهداف معرفية ذاتية، مما يعزز الاستقلالية الذاتية للوكيل.

9. مقارنة نقدية: معمارية سوار في مواجهة ACT-R والنماذج الاتصالية

9.1 المقارنة المعمارية والوظيفية بين SOAR و ACT-R

تُمثل معمارية ACT-R، التي طورها عالم النفس المعرفي البارز جون روبرت أندرسون (John R. Anderson) في جامعة كارنيغي ميلون، النظير والمنافس التاريخي الأبرز لمعمارية سوار. ورغم انبثاق المعماريتين من ذات البيئة الفكرية وتبنيهما لنظام الإنتاج الرمزي، إلا أن الفروق بينهما جوهرية وتعكس تمايزاً في الأهداف التأسيسية:

وجه المقارنة	معمارية سوار (SOAR)	معمارية أكت-آر (ACT-R)
الهدف الأساسي	تحقيق الذكاء الاصطناعي العام (AGI) وبناء وكلاء مستقلين للمهام المعقدة واسعة النطاق.	النمذجة السيكولوجية الدقيقة وتفسير التجارب المعملية ومطابقة بيانات الرنين المغناطيسي الوظيفي (fMRI).
البنية التحتية	فضاء المشكلة الموحد، دورة قرار محكمة، ومطابقة متوازية شاملة عبر خوارزمية Rete.	بنية معيارية (Modular) تتكون من وحدات مستقلة (بصرية، حركية، دلالية، أهداف) تتواصل عبر مخازن مؤقتة (Buffers).
آلية التعلم الأساسية	التقطيع المعرفي (Chunking) المستند إلى حل المآزق، مدعوماً بالتعلم المعزز في Soar 9.	تجميع الإنتاج (Production Compilation) والتنشيط الإحصائي المستمر للمعلومات التقريرية.
التعامل مع المآزق	توليد تلقائي لهياكل وحالات فرعية متداخلة (Universal Subgoaling).	يعتمد على التفضيلات الاحتمالية وحساب المنفعة العددية لقواعد الإنتاج دون توليد بنائي تلقائي لحالات فرعية.

9.2 سوار في مواجهة الشبكات العصبية العميقة والنمذجة الاتصالية

في الحقبة المعاصرة التي تهيمن عليها الشبكات العصبية العميقة (Deep Neural Networks) والتعلم الإحصائي المكثف، تقف سوار في موقع فكري مغاير يقدم حلولاً لنقاط الضعف الهيكلية التي تعاني منها النماذج الاتصالية:

• القابلية للتفسير والشفافية المنطقية (Explainability & Interpretability): تعاني الشبكات العصبية من معضلة “الصندوق الأسود”؛ حيث تصدر تنبؤاتها عبر مليارات المعاملات العددية الغامضة. في المقابل، تتمتع سوار بشفافية دلالية مطلقة؛ إذ يمكن تتبع كل قرار بدقة عبر سلسلة القواعد الإجرائية والمشغلات والتفضيلات التي أدت إلى اتخاذه، مما يجعلها مثالية للتطبيقات الحساسة كالدفاع والطب.
• كفاءة البيانات والتعلم من محاولة واحدة (Data Efficiency & One-Shot Learning): تحتاج الشبكات العصبية لملايين الأمثلة لتعلم نمط بسيط، بينما تستطيع سوار عبر آلية التقطيع وتوليد الأهداف الفرعية استخلاص قاعدة معرفية عامة وتطبيقها للأبد من خلال تجربة واحدة ناجحة في حل مأزق معرفي (One-Shot Learning).
• التعميم المنطقي المنهجي (Systematic Compositionality): تستطيع سوار تطبيق المفاهيم المجردة على كائنات جديدة كلياً عبر ربط الرموز، وهو ما تفشل فيه الشبكات العصبية في كثير من الأحيان عند خروج البيانات عن نطاق التوزيع التدريبي المعتاد (Out-of-Distribution Data).

9.3 نقاط القوة والضعف المتبادلة بين المعماريات

رغم التفوق الكاسح لمعمارية سوار في التخطيط الاستراتيجي طويل الأمد، وإدارة الأهداف المعقدة، والتحكم المنطقي الصارم، إلا أنها واجهت تاريخياً صعوبات بالغة في التعامل المباشر مع البيانات الحسية الخام عالية الضوضاء وغير المنتظمة، مثل تدفقات بكسلات الصور أو موجات الصوت الرقمية المعقدة، وهي المجالات التي تتفوق فيها الشبكات العصبية العميقة بلا منازع.

لهذا السبب، يتجه الإجماع العلمي المعاصر في الذكاء الاصطناعي نحو المعماريات المعرفية الهجينة (Neuro-Symbolic Cognitive Architectures)؛ حيث تُستخدم الشبكات العصبية في المستويات الدنيا كطبقة إدراك حسي تعالج الإشارات وتستخرج الأنماط الأولية من العالم الفيزيائي، ثم تُمرر هذه المعارف كمفاهيم ورموز مجردة إلى معمارية سوار لتقوم بالتفكير والاستدلال والتخطيط المنطقي عالي الرتبة.

10. التطبيقات النفسية والتجريبية لمعمارية سوار

10.1 نمذجة المهام الإدراكية والحركية المعقدة

أثبتت سوار كفاءتها الاستثنائية في محاكاة المهام المعرفية والحركية البشرية التي تتطلب سرعة فائقة ودقة متناهية تحت الضغط. ومن أشهر هذه التطبيقات مشروع TacAir-Soar، وهو نظام ذكاء اصطناعي تكتيكي متكامل طُور بالتعاون مع وزارة الدفاع الأمريكية والقوات الجوية والبحرية لمحاكاة مهام الطيارين المقاتلين في مناورات الطيران التكتيكي واسعة النطاق مثل تمرين (STOW-E).

احتوى نظام TacAir-Soar على آلاف القواعد الإجرائية التي مكنته من قيادة مقاتلات نفاثة افتراضية في سيناريوهات قتالية حية ضد طيارين بشريين ووكلاء آخرين. نجح النظام في محاكاة كافة مستويات السلوك الإنساني: من الرؤية الميدانية للرادار، والتعرف على التهديدات، والتواصل اللاسلكي المنظم مع أعضاء السرب، إلى اتخاذ قرارات مناورة سريعة في أجزاء من الثانية، والتخطيط التكتيكي للهجوم والانسحاب، مما أثبت قدرة المعمارية على العمل في بيئات عملياتية ديناميكية شديدة التعقيد.

كما استُخدمت سوار في نمذجة التفاعل بين الإنسان والحاسوب (HCI)، وتطوير نماذج تقييمية مثل GOMS و EPIC-Soar للتنبؤ بالأخطاء البشرية وزمن الاستجابة لمستخدمي الواجهات المعقدة في غرف التحكم بالمحطات النووية وقمرات قيادة الطائرات المدنية.

10.2 التطبيقات في علم النفس المعرفي والارتقائي

قدمت سوار مساهمات بالغة الأهمية في اختبار النظريات السيكولوجية التطورية، ومن أبرزها:

• تفسير تطور التفكير المنطقي عند الأطفال: استُخدمت المعمارية لمحاكاة تجارب عالم النفس السويسري الشهير جان بياجيه، لاسيما تجربة “حفظ الكتلة والمفاهيم الوزنية” (Balance Beam Task). استطاعت سوار الانتقال من مرحلة التفكير الطفولي البسيط (الاعتماد على الوزن فقط) إلى مراحل التفكير المتقدمة (دمج المسافة مع الوزن) عبر التعلم بالتقطيع وحل مآزق التنبؤ الخاطئ، محاكية مراحل النمو المعرفي الطبيعي لدى البشر بدقة متناهية.
• نمذجة اكتساب اللغة والقواعد النحوية: ساهمت سوار في تفسير كيفية انتقال الأطفال من مرحلة الحفظ العشوائي للأفعال الشاذة إلى تطبيق القواعد النحوية العامة والإفراط المؤقت في تعميمها (مثل إضافة علامة الماضي للأفعال الشاذة)، ثم تصحيح المسار المعرفي عبر المعارف الدلالية اللاحقة.
• دراسة التدهور المعرفي والفروق الفردية: استُخدمت المعمارية لمحاكاة تأثير انخفاض سعة الذاكرة العاملة أو تباطؤ سرعة إطلاق القواعد الإنتاجية، لتفسير التغيرات الإدراكية المصاحبة للشيخوخة أو الإصابات الدماغية الرضحية ومرض ألزهايمر.

10.3 البيئات الافتراضية والألعاب الإستراتيجية كمنصات اختبار

شكلت ألعاب الفيديو والبيئات الافتراضية ثلاثية الأبعاد منصة مثالية لاختبار قدرات سوار المعرفية في بيئات غنية بالمعلومات وغير مكتملة الرؤية. قاد جون ليرد وفريقه في مختبر الذكاء الاصطناعي بجامعة ميشيغان أبحاثاً رائدة لدمج سوار في محركات ألعاب شهيرة مثل Unreal Tournament و Quake و StarCraft.

أظهرت الوكلاء المبنيون عبر سوار في هذه الألعاب سلوكيات بشرية أصيلة؛ فلم تكن استجاباتهم تعتمد على “الغش البرمجي” والوصول الشامل لبيانات المحرك كما تفعل روبوتات الألعاب التقليدية، بل اعتمدت حصرياً على الرؤية الافتراضية المحدودة، وبناء خرائط ذهنية مكانية في الذاكرة العاملة، واستخدام الذاكرة العرضية لتوقع تحركات الخصوم ونصب الكمائن، والتراجع عند استشعار الخطر الحسابي، مما جعلها من أكثر الخصوم الافتراضيين واقعية وذكاءً في تاريخ صناعة الألعاب.

11. تطبيقات الروبوتات الذكية والذكاء الاصطناعي العام (AGI)

11.1 التحكم في الروبوتات المستقلة والربط الحسي الحركي

يُمثل تجسيد معمارية سوار في روبوتات فيزيائية (Physical Embodied Agents) الاختبار الأقصى لقدرة المعمارية على التفاعل مع الواقع المادي بكل ما يكتنفه من تشويش وعدم يقين. نجح الباحثون في دمج سوار مع روبوتات متحركة وأذرع مناولة روبوتية عبر بروتوكولات وسيطة مثل نظام تشغيل الروبوتات (Robot Operating System – ROS).

تتولى الطبقات الحسية السفلية في الروبوت مهام معالجة سحب النقاط ثلاثية الأبعاد (Point Clouds) والتعرف على الكائنات عبر خوارزميات الرؤية الحاسوبية، ثم تحولها إلى هياكل رمزية (مثل: (Block12 ^type cube ^color red ^on Table3)) تُغذى بها الذاكرة العاملة لسوار. تتولى سوار بعد ذلك التخطيط الحركي عالي الرتبة، وتنسيق الأهداف المكانية، واتخاذ قرارات تفادي العقبات وإعادة التموضع عند انزلاق الكائنات أثناء الإمساك بها، مما أثبت نجاح المعمارية في تطبيقات الروبوتات الخدمية وروبوتات البحث والإنقاذ في البيئات الخطرة.

11.2 التعلم التفاعلي للمهام (Interactive Task Learning – ITL)

يُمثل التعلم التفاعلي للمهام (Interactive Task Learning – ITL) الاتجاه الأكثر طليعية في أبحاث سوار الحديثة في جامعة ميشيغان تحت قيادة جون ليرد. يهدف هذا المشروع إلى تمكين الوكلاء والروبوتات من تعلم ألعاب وألغاز ومهام فيزيائية ومعرفية جديدة كلياً في غضون دقائق، ليس عبر إعادة البرمجة أو التدريب على ملايين البيانات، بل من خلال الحوار التفاعلي باللغة الطبيعية والتوجيه الإرشادي المباشر من مدرب بشري.

عندما يُكلف الوكيل بمهمة لم يسبق له برمجتها (مثل لعبة جديدة كلياً كالشطرنج أو ترتيب مكعبات بقواعد معقدة)، يقع النظام فوراً في “مأزق معرفي لغياب المشغلات”. بدلاً من الاستسلام، ينشئ النظام حالة فرعية تطلق حواراً لغوياً يسأل فيه المدرب البشري: “ماذا يجب أن أفعل الآن؟ وما هي شروط الفوز؟”. يستمع النظام للشرح اللفظي، ويحلل المفاهيم النحوية والدلالية، ويحول التعليمات البشرية إلى فضاءات مشكلات وقواعد تفضيل ومشغلات جديدة يتم تثبيتها للأبد عبر التقطيع والذاكرة الدلالية، محاكياً بدقة أسلوب تدريب الأطفال والعمال البشريين.

11.3 سوار كمنصة رائدة لأبحاث الذكاء الاصطناعي العام

تُعد سوار، باعتراف مجامع الذكاء الاصطناعي الدولية، واحدة من أقوى المنصات المرشحة تاريخياً ونظرياً لبناء منظومة الذكاء الاصطناعي العام (AGI). يعود ذلك إلى توفيرها لمجموعة متكاملة من المتطلبات المعرفية الأساسية للذكاء الشامل في هيكل واحد متسق:

• الاستقلالية وتوليد الأهداف الذاتية: القدرة على العمل المستمر دون انقطاع وتوجيه السلوك وفق منظومات دوافع وقيم داخلية.
• النقل المعرفي عبر النطاقات المتعددة (Cross-Domain Transfer): نقل القواعد والخبرات المكتسبة في نطاق معين (مثل حل الألغاز المكانية) وتوظيفها التجريدي في نطاق مختلف تماماً (مثل التخطيط اللوجستي والتكتيكي).
• التكامل الشامل للوظائف المعرفية: الجمع المتزامن في الزمن الحقيقي بين الإدراك الحسي، وتوليد اللغة الطبيعية، والاستدلال، وحل المشكلات، والتعلم المستمر دون نسيان كارثي (Catastrophic Forgetting).

12. التقييم النقدي، التحديات المعرفية، ومستقبل أبحاث سوار

12.1 الانتقادات والقيود الموجهة لمعمارية سوار

رغم السجل الحافل بالإنجازات التاريخية والنظرية، واجهت معمارية سوار انتقادات جوهرية من قِبل فلاسفة العقل وعلماء الذكاء الاصطناعي المعاصرين، وتتمثل أبرز هذه الانتقادات في:

• معضلة تجذير الرموز (The Symbol Grounding Problem): يجادل فلاسفة مثل ستيفان هارناد وجون سيرل بأن التلاعب الرمزي في سوار يظل حبيس العلاقات الاصطلاحية التجريدية بين الرموز دون أن ترتبط هذه الرموز جوهرياً بالمعنى الفيزيائي والحسي للواقع الخارجي، ما لم تكن هناك بنية إدراكية حيوية متجذرة في التفاعل البيولوجي المستمر مع البيئة.
• التعقيد الحسابي وانفجار فضاء الحالات (Computational Intractability): في المشكلات الواقعية المفتوحة بالغة التعقيد، يمكن أن تنفجر أشجار البحث في الفضاءات الفرعية هندسياً، مما قد يؤدي إلى استنزاف موارد الذاكرة والوقت في غياب إرشادات تجريبية حاسمة.
• صعوبة محاكاة العفوية والحدس غير المقنن: تواجه الأنظمة الرمزية صعوبة في التقاط الجوانب الإبداعية الحرة والحدس البشري الضمني الذي لا يستند إلى خطوات منطقية وقواعد استدلالية محددة.

12.2 التحديات المعاصرة في ظل هيمنة النماذج التوليدية الضخمة

فرض الصعود الصاروخي لـ النماذج اللغوية الكبيرة (Large Language Models – LLMs) ونماذج الذكاء الاصطناعي التوليدي مثل GPT-4 و Claude واقعاً تقنياً جديداً يتحدى النماذج المعرفية الكلاسيكية. ورغم قدرة النماذج اللغوية على توليد نصوص بالغة الفصاحة والطلاقة، إلا أنها تفتقر إلى الفهم المفاهيمي الراسخ، والاتساق المنطقي الصارم، والذاكرة الدائمة المحدثة ذاتياً، وتعاني باستمرار من ظاهرة “الهلوسة” (Hallucination) والانفصال عن المنطق الحسابي السليم.

في هذا السياق، برزت مبادرات بحثية طموحة داخل مجتمع سوار المعرفي تدعو إلى توظيف سوار كـ “حاكم معرفي ورقيب منطقي” (Cognitive Governor) للنماذج التوليدية. في هذا الإطار الهجين، يُستخدم النموذج اللغوي الضخم كمستودع هائل للمعرفة العامة ومترجم لغوي مرن، بينما تتولى سوار إدارة دورة القرار الصارمة، وضمان اتساق الأهداف، والتحقق من صحة الاستدلالات المنطقية، ومنع الخروج عن المحددات الأخلاقية والإجرائية، مما يمنح الذكاء الاصطناعي قوة الفصاحة العصبية مصحوبة بصرامة المنطق الرمزي.

12.3 الرؤى المستقبلية والأفق التطويري لمعمارية سوار

يتجه مستقبل أبحاث معمارية سوار نحو تعميق التحول نحو النماذج المعرفية الهجينة الموحدة التي تدمج بانسجام بين التمثيلات الرمزية، والمعالجة الاحتمالية، والشبكات العصبية العميقة. تشمل المحاور التطويرية الحالية والمستقبلية:

• تطوير خوارزميات ربط مباشر وفوري بين المعالجة النبضية المستوحاة من الدماغ (Spiking Neural Networks) والذاكرة العاملة الرمزية لسوار.
• توسيع نطاق التعلم التفاعلي للمهام لتمكين أسراب من الوكلاء الروبوتيين من التعلم التشاركي والتواصل اللغوي المنظم لإنجاز مهام صناعية وطبية معقدة.
• تعزيز المصداقية العصبية للمعمارية عبر مطابقة بنية الذواكر ودورات القرار مع تدفقات البيانات العصبية الصادرة من تقنيات التصوير الدماغي المتقدم وتخطيط أمواج الدماغ (EEG).

إن الإرث العلمي الخالد الذي أرساه ألين نيويل وجون ليرد وبول روزنبلوم يظل منارة هادية لمسيرة العلوم المعرفية؛ إذ أثبتت معمارية سوار عبر عقود من الاختبار الصارم أن السعي نحو فهم العقل البشري وبناء ذكاء اصطناعي حقيقي لا يمكن أن يكتمل بالحلول الإحصائية السطحية وحدها، بل يتطلب رؤية معمارية شاملة توحد الفكر، والتعلم، والعمل في نسق علمي متكامل ورصين.

خاتمة

تُمثل معمارية سوار المعرفية (SOAR) حجر الزاوية في مسيرة الذكاء الاصطناعي الرمزي والمعرفي، ونموذجاً استثنائياً للصمود العلمي والتطور المستمر عبر أكثر من أربعة عقود من البحث الدؤوب. فمن خلال الانطلاق من المبادئ الفلسفية لفرضية منظومة الرموز المادية ومفهوم فضاء المشكلة الموحد، نجحت سوار في صياغة لغة حوسبية قادرة على تفسير الظواهر الإدراكية المعقدة؛ بدءاً من دورات القرار بالغة الدقة في أجزاء من الثانية، ومروراً بحل المشكلات عبر استراتيجيات المآزق المعرفية وتوليد الأهداف الفرعية، وصولاً إلى التعلم الذاتي التراكمي وتفسير القوانين السيكولوجية للممارسة.

ومع التحولات الجذرية التي شهدها الإصدار Soar 9 بدمجه للذواكر المتعددة والتعلم المعزز والحالات الوجدانية، أثبتت المعمارية قدرتها على التجدد ومواكبة متطلبات العصر الرقمي، مقتربة أكثر من أي وقت مضى من المزاوجة الخصبة مع تقنيات التعلم العميق والنماذج اللغوية الحديثة. إن سوار ليست مجرد برنامج حاسوبي أو منصة روبوتية متقدمة، بل هي تجسيد حي لأحد أجرأ الأحلام العلمية في تاريخ البشرية: فك شفرة العقل الإنساني وصياغة نظريات موحدة للإدراك تضع الأساس الحقيقي للوصول إلى ذكاء اصطناعي عام، مستقل، وواعٍ بذاته وبالعالم من حوله.

المراجع (References)

• Anderson, J. R. (2007). How can the human mind occur in the physical universe? Oxford University Press. https://doi.org/10.1093/acprof:oso/9780195324259.001.0001
• Laird, J. E. (2012). The Soar cognitive architecture. MIT Press. https://mitpress.mit.edu/9780262122962/the-soar-cognitive-architecture/
• Laird, J. E., Newell, A., & Rosenbloom, P. S. (1987). SOAR: An architecture for general intelligence. Artificial Intelligence, 33(1), 1–64. https://doi.org/10.1016/0004-3702(87)90050-6
• Laird, J. E., Gluck, K., Anderson, J. R., Forbus, K. D., Jenkins, O. C., Lebiere, C., Salvucci, D., Scheutz, M., Thomaz, A., Trafton, J. G., & Wray, R. E. (2017). Interactive Task Learning: Humans, robots, and agents acquiring new tasks through collaborative interaction. IEEE Intelligent Systems, 32(4), 6–21. https://doi.org/10.1109/MIS.2017.3121547
• Newell, A. (1973). You can’t play 20 questions with nature and win: Projective comments on the papers of this symposium. In W. G. Chase (Ed.), Visual Information Processing (pp. 283–308). Academic Press.
• Newell, A. (1990). Unified theories of cognition. Harvard University Press. https://www.hup.harvard.edu/books/9780674921016
• Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113–126. https://doi.org/10.1145/360018.360022
• Rosenbloom, P. S., & Newell, A. (1986). The chunking of goal hierarchies: A generalized model of practice. In R. S. Michalski, J. G. Carbonell, & T. M. Mitchell (Eds.), Machine Learning: An Artificial Intelligence Approach (Vol. 2, pp. 247–288). Morgan Kaufmann. https://doi.org/10.1016/B978-0-934613-00-2.50012-7
• Rosenbloom, P. S., Laird, J. E., & Newell, A. (Eds.). (1993). The Soar papers: Research on integrated intelligence (Vols. 1–2). MIT Press.
• Tambe, M., Johnson, W. L., Jones, R. M., Koss, F., Laird, J. E., Rosenbloom, P. S., & Schwamb, K. (1995). Intelligent agents for interactive simulation environments. AI Magazine, 16(1), 15–39. https://doi.org/10.1609/aimag.v16i1.1121