يتطور الذكاء الاصطناعي بسرعة، لكن معظم أدوات الذكاء الاصطناعي لا تزال تتبع نمطًا مألوفًا: تُعطي نموذجًا موجهًا، فيُولّد استجابة.

لكن على مدار السنوات القليلة الماضية، بدأت فئة جديدة من أنظمة الذكاء الاصطناعي في جذب الانتباه وهي محاكاة العوامل المتعددة (multi-agent simulations)، حيث تتفاعل العديد من عوامل الذكاء الاصطناعي مع بعضها البعض داخل بيئة رقمية مشتركة.

وبدلاً من أن يحاول نموذج واحد التنبؤ أو توليد إجابة، تقوم هذه الأنظمة بمحاكاة مجموعات كاملة من العوامل المستقلة التي تتبادل المعلومات، وتكوّن الآراء، وتؤثر على بعضها البعض.

من أبرز المشاريع التي حظيت بالحديث مؤخرًا في هذا المجال هو MiroFish، وهو محرك مفتوح المصدر للذكاء السربي مصمم لمحاكاة سيناريوهات العالم الحقيقي باستخدام آلاف عوامل الذكاء الاصطناعي. اكتسب المشروع زخمًا سريعًا بين المطورين وعشاق الذكاء الاصطناعي بسبب هدفه الطموح: إنشاء بيئة رقمية تجريبية (digital sandbox) حيث يمكن محاكاة الأحداث المعقدة - مثل الأسواق المالية، وتحولات الرأي العام، واستجابات السياسات، وحتى الروايات الخيالية - قبل حدوثها في العالم الحقيقي.

على عكس أدوات الذكاء الاصطناعي التقليدية التي تُولّد الإجابات مباشرة، يُنشئ MiroFish مجتمعًا رقميًا كاملاً من عوامل الذكاء الاصطناعي. يتمتع كل عامل بذاكرته الخاصة، وسماته الشخصية، ومنطق اتخاذ القرار. عندما يتم إدخال حدث جديد - مثل أخبار عاجلة، أو اقتراح سياسي، أو إشارة مالية - تبدأ العوامل في التفاعل مع بعضها البعض، وتتفاعل مع المعلومات وتؤثر على سلوك بعضها البعض.

مع مرور الوقت، تُنشئ تفاعلاتهم أنماطًا تشبه كيفية تفاعل مجموعات حقيقية من الناس مع الأحداث. يمكن لهذه الأنماط أن تكشف عن نتائج محتملة، أو روايات ناشئة، أو تحولات في المشاعر، مما يجعل النظام بيئة قوية للتجريب والتنبؤ.

المصدر: X

ما هو MiroFish؟

في جوهره، MiroFish هو محرك محاكاة للذكاء السربي مبني حول الذكاء الاصطناعي متعدد العوامل.

بدلاً من الاعتماد على نموذج ذكاء اصطناعي واحد، تُولّد المنصة عددًا كبيرًا من العوامل المستقلة التي توجد داخل بيئة رقمية محاكاة. يمثل كل من هذه العوامل مشاركًا فرديًا في مجتمع افتراضي.

كل عامل لديه:

• سمات شخصية خاصة به
• قواعد سلوكية
• ذاكرة طويلة الأمد
• علاقات اجتماعية
• عمليات اتخاذ القرار

عندما تتفاعل العوامل مع بعضها البعض، فإنها تتبادل المعلومات، وتُكوّن الآراء، وتتجاوب مع الأحداث. يُنشئ هذا سلوكًا ناشئًا (emergent behavior)، مما يعني أن النتائج واسعة النطاق تنشأ بشكل طبيعي من العديد من التفاعلات الفردية.

يعكس هذا المفهوم المجتمعات البشرية الحقيقية. ففي العالم الحقيقي، غالبًا ما ينبع الرأي العام وحركات السوق والاتجاهات الاجتماعية من ملايين القرارات الفردية. من خلال محاكاة هذه التفاعلات رقميًا، يحاول MiroFish نمذجة كيفية تطور الأحداث قبل حدوثها.

ببساطة، تعمل المنصة كـ بيئة رقمية تجريبية لاستكشاف سيناريوهات "ماذا لو".

الرؤية: مرآة للذكاء الجماعي

الرؤية وراء MiroFish هي إنشاء ما يصفه المطورون بأنه مرآة ذكاء جماعي للعالم الحقيقي.

تعتمد أنظمة التنبؤ التقليدية غالبًا بشكل كبير على البيانات التاريخية والنماذج الإحصائية. وفي حين أن هذه الأساليب يمكن أن تعمل بشكل جيد في البيئات المستقرة، إلا أنها غالبًا ما تواجه صعوبة عندما يصبح سلوك الإنسان غير متوقع.

تتشكل العديد من أحداث العالم الحقيقي من خلال التفاعلات الاجتماعية بدلاً من الأنماط العددية وحدها.

على سبيل المثال:

• يمكن للأسواق المالية أن تتأرجح بسبب معنويات المستثمرين
• يمكن لاتجاهات وسائل التواصل الاجتماعي أن تنتشر بشكل غير متوقع
• يمكن لردود الفعل العامة على السياسات أن تتغير بسرعة

يتعامل MiroFish مع التنبؤ بشكل مختلف. فبدلاً من محاولة حساب المستقبل مباشرة من البيانات، يعيد النظام إنشاء بيئة رقمية حيث يتفاعل الأفراد ويؤثرون على بعضهم البعض.

الفكرة هي أن النتائج المعقدة يمكن أن تنشأ بشكل طبيعي من هذه التفاعلات.

من خلال مراقبة كيفية استجابة العوامل المحاكاة للأحداث، يمكن للمنصة توليد رؤى حول النتائج المحتملة في العالم الحقيقي.

من البيانات الأولية إلى عالم رقمي

يبدأ تشغيل المحاكاة في MiroFish بما يسميه النظام المادة الأولية (seed material).

المادة الأولية هي المعلومات التي تُحدد السيناريو المراد محاكاته. يمكن أن تشمل هذه المعلومات:

• مقالات إخبارية عاجلة
• تقارير مالية
• مسودات سياسات
• أوراق بحثية
• مناقشات وسائل التواصل الاجتماعي
• أو حتى قصص خيالية

يقوم المستخدمون بتحميل المادة ووصف هدف التنبؤ الخاص بهم باستخدام اللغة الطبيعية.

على سبيل المثال، قد يطلب شخص ما من النظام محاكاة:

• كيف ستتفاعل الأسواق مع إعلان سياسة جديدة
• كيف سيستجيب الجمهور لبيان مثير للجدل
• كيف يمكن أن تتطور قصة إذا تم استكمال الفصول المفقودة

باستخدام هذه المعلومات، يقوم MiroFish ببناء بيئة رقمية حيث يمكن للعوامل أن تبدأ في التفاعل.

يقوم النظام أساسًا بإنشاء عالم رقمي موازٍ حيث يمكن للسيناريو أن يتكشف.

سير عمل MiroFish: كيف تعمل خطة المحاكاة

خلف الكواليس، يتبع MiroFish خطة عمل منظمة تحول بيانات العالم الحقيقي إلى بيئة محاكاة ديناميكية. تُجهز كل مرحلة المعلومات اللازمة لتفاعل العوامل وإنتاج نتائج ذات معنى.

1. بناء الرسم البياني المعرفي

تستخرج المرحلة الأولى المعلومات الأولية من مصادر بيانات العالم الحقيقي.

قد تشمل هذه المصادر:

• الأحداث الإخبارية العاجلة
• التقارير المالية
• مسودات السياسات
• وثائق البحث
• المناقشات الاجتماعية

ثم يبني النظام رسمًا بيانيًا معرفيًا (knowledge graph) باستخدام بنية GraphRAG. ينظم هذا الرسم البياني الكيانات والعلاقات والمعلومات السياقية التي ستستخدمها العوامل أثناء المحاكاة.

بالإضافة إلى البيانات المنظمة، يتم إدخال هياكل الذاكرة الفردية والجماعية في المحاكاة حتى تتمكن العوامل من الاحتفاظ بالسياق التاريخي.

2. إنشاء البيئة

بمجرد بناء الرسم البياني المعرفي، تقوم المنصة بإنشاء بيئة المحاكاة.

خلال هذه المرحلة، يقوم النظام بعدة مهام:

• استخراج الكيانات والعلاقات
• توليد شخصيات العوامل
• بناء الشبكات الاجتماعية
• تكوين معلمات المحاكاة

تُعيَّن للعوامل هويات وخلفيات وقواعد سلوكية. يضمن ذلك أن التفاعلات بين العوامل تشبه الديناميكيات الاجتماعية الحقيقية.

3. تنفيذ المحاكاة المتوازية

بعد أن تصبح البيئة جاهزة، تبدأ المحاكاة.

يعمل آلاف العوامل في وقت واحد عبر البيئة، وتستجيب للأحداث وتتفاعل مع بعضها البعض. تُجري المنصة المحاكاة عبر أنظمة متوازية، مما يسمح لأعداد كبيرة من العوامل بالعمل في نفس الوقت.

خلال هذه المرحلة، يقوم النظام تلقائيًا بما يلي:

• يفسر طلب التنبؤ
• يحاكي التفاعلات الاجتماعية
• يُحدّث الذاكرة المستندة إلى الوقت لكل عامل
• يُطوّر البيئة ديناميكيًا

النتيجة هي محاكاة حية تتطور فيها الروايات والآراء والسلوكيات بمرور الوقت.

4. توليد التقرير

بمجرد أن تتقدم المحاكاة عبر دورات متعددة، يقوم مكون ذكاء اصطناعي متخصص يُسمى ReportAgent بتحليل النتائج.

يتمتع ReportAgent بالوصول إلى مجموعة غنية من الأدوات التحليلية ويمكنه التفاعل بعمق مع بيئة المحاكاة. يُولد تقرير تنبؤ منظم يُلخص:

• النتائج الرئيسية
• الاتجاهات الناشئة
• الرؤى السلوكية
• المخاطر المحتملة

يساعد هذا التقرير المستخدمين على تفسير ما حدث خلال المحاكاة وفهم التداعيات المحتملة في العالم الحقيقي.

5. التفاعل العميق مع المحاكاة

إحدى الميزات الفريدة لـ MiroFish هي أنه يمكن للمستخدمين التفاعل مباشرة مع العالم المحاكى.

بدلاً من مجرد قراءة تقرير تنبؤ، يمكن للمستخدمين:

• التحدث مع العوامل الفردية
• طرح أسئلة حول قراراتهم
• استكشاف الديناميكيات الاجتماعية داخل المحاكاة

يمكن للمستخدمين أيضًا التواصل مع ReportAgent لطرح أسئلة متابعة أو طلب تحليل أعمق.

تجعل هذه الطبقة التفاعلية بيئة المحاكاة أكثر مرونة بكثير من أدوات التنبؤ التقليدية.

بدء سريع: تشغيل MiroFish محليًا

يمكن للمطورين الذين يرغبون في تجربة المنصة نشر MiroFish محليًا باستخدام إما النشر من المصدر أو نشر Docker.

متطلبات النظام

قبل تثبيت المنصة، يحتاج المطورون إلى الأدوات التالية المثبتة:

للتحقق من التثبيت:

node -v
python --version
uv --version

الخطوة 1: تهيئة متغيرات البيئة

أولاً، انسخ ملف التهيئة النموذجي.

cp .env.example .env

ثم، قم بتحرير ملف .env وأضف مفاتيح API المطلوبة.

تهيئة واجهة برمجة تطبيقات نماذج اللغة الكبيرة (LLM API)

يدعم MiroFish أي واجهة برمجة تطبيقات LLM متوافقة مع تنسيق OpenAI SDK.

مثال على التهيئة:

LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

توصي الوثائق باستخدام نموذج Qwen من منصة بايليان (Bailian) التابعة لـعلي بابا.

نظرًا لأن المحاكاة الكبيرة يمكن أن تستهلك موارد حاسوبية كبيرة، يُوصى بالبدء بمحاكاة أقل من 40 جولة.

تهيئة نظام الذاكرة

يستخدم MiroFish خدمة Zep Cloud لإدارة الذاكرة طويلة الأمد للعوامل.

مثال على التهيئة:

ZEP_API_KEY=your_zep_api_key

الطبقة المجانية من Zep Cloud عادة ما تكون كافية للتجارب الأصغر.

الخطوة 2: تثبيت التبعيات

يمكن للمطورين تثبيت جميع التبعيات المطلوبة بأمر واحد:

npm run setup:all

بدلاً من ذلك، يمكن إجراء التثبيت خطوة بخطوة.

تثبيت تبعيات Node:

npm run setup

تثبيت تبعيات الواجهة الخلفية لـ Python:

npm run setup:backend

ينشئ هذا الأمر تلقائيًا بيئة Python الافتراضية المطلوبة.

الخطوة 3: تشغيل المنصة

بعد التثبيت، يمكن للمطورين تشغيل خدمات الواجهة الأمامية والخلفية بأمر واحد.

npm run dev

بمجرد التشغيل، ستكون الخدمات متاحة على:

واجهة الواجهة الأمامية:

<http://localhost:3000>

واجهة برمجة تطبيقات الواجهة الخلفية:

<http://localhost:5001>

يمكن للمطورين أيضًا تشغيل الخدمات بشكل منفصل إذا لزم الأمر.

تشغيل الواجهة الخلفية فقط:

npm run backend

تشغيل الواجهة الأمامية فقط:

npm run frontend

نشر Docker

بالنسبة للفرق التي تفضل البيئات المعبأة (containerized)، يدعم MiroFish أيضًا نشر Docker.

أولاً قم بتهيئة متغيرات البيئة كما هو موضح سابقًا.

cp .env.example .env

ثم ابدأ الحاويات باستخدام Docker Compose.

docker compose up -d

افتراضيًا، تُعيِّن المنصة المنافذ التالية:

• 3000 لواجهة الواجهة الأمامية
• 5001 لواجهة برمجة تطبيقات الواجهة الخلفية

يتضمن ملف تهيئة Docker أيضًا مصادر مرآة معلقة يمكن استخدامها لتسريع تنزيلات صور الحاويات إذا لزم الأمر.

خواطر ختامية

في حين أنها لا تزال في مراحلها المبكرة من التطور، تُلمح منصات الذكاء السربي إلى مستقبل حيث يمكن لأنظمة الذكاء الاصطناعي محاكاة البيئات الاجتماعية المعقدة. تخيل أن تكون قادرًا على اختبار السياسات قبل تنفيذها، واستكشاف ردود فعل السوق قبل الإعلانات المالية، أو فحص كيفية انتشار المعلومات عبر الشبكات الاجتماعية. يمكن أن تصبح مثل هذه الأدوات أنظمة قوية لدعم القرار للشركات والحكومات والباحثين. بالطبع، لا توجد محاكاة يمكن أن تلتقط تمامًا تعقيد السلوك البشري الحقيقي. يمكن للأحداث غير المتوقعة والفروق الثقافية الدقيقة دائمًا أن تؤثر على النتائج.

لكن منصات مثل MiroFish تُظهر كيف يمكن للذكاء الاصطناعي في النهاية أن يتطور إلى ما هو أبعد من الإجابة على الأسئلة ويبدأ في نمذجة مجتمعات بأكملها. ما بدأ كمشروع مفتوح المصدر تجريبي أثار بالفعل نقاشًا كبيرًا بين المطورين والباحثين. وإذا استمرت محاكاة العوامل المتعددة في التقدم، فقد تمثل أدوات مثل MiroFish خطوة مبكرة نحو جيل جديد من تقنيات التنبؤ - تلك القادرة على استكشاف المستقبل داخل عالم رقمي قبل أن يتكشف في الواقع.