الحوسبة الاستدلالية
ليس للعديد من المسائل حلول خوارزمية. فعند تعليم أحد الأبوين الطفلَ ركوبَ الدراجة، فإنه لا يستطيع أن يقدِّم له خوارزمية يمكنه أن يتعلمها ويطبِّقها مثلما يفعل حينما يتعلم طريقةَ ضرب عددين. كذلك لا يستطيع معلِّم الكتابة الإبداعية أو الرسم أن يقدِّم للطلاب خوارزميات لكتابة قصة واقعية جذابة أو رسم لوحة قماشية تعبيرية تجريدية.
يعود السبب في ذلك جزئيًّا إلى جهل المرء (وحتى لو كان أستاذًا متخصصًا في الكتابة الإبداعية) أو عدم فهمه للطبيعة الدقيقة لتلك المهام. يريد الرسام أن يصوِّر على سبيل المثال ملمسَ رداءٍ مُخملي، وصلابة تفاحة، وسر ابتسامة. لكن الشيء الذي يشكِّل ذلك الملمس المُخملي وتلك الصلابة وتلك الابتسامة الغامضة من منظور الرسامين ربما يكون مجهولًا أو غير معروف بالتحديد، ومن ثَم لا يمكن ابتكار خوارزمية لتصويرها في لوحة. بل إن البعض قد يقول إن الإبداع الفني أو الأدبي أو الموسيقي لا يمكن أبدًا شرحُه باستخدام الخوارزميات.
ثانيًا، تحدِّد الخوارزمية كلَّ الخطوات التي يجب اتباعها. إذ لا يمكننا بناءُ خوارزمية إلا إذا كنا مدركين على نحوٍ واعٍ لخطواتها التي تمثِّل قِوامها. لكن العديد من الإجراءات التي ننفِّذها عند ركوب الدراجة أو التقاط الفروق الدقيقة في المشهد الذي نريد رسمه تحدُث فيما يسميه علماء العلوم المعرفية «اللاوعي المعرفي». ومن ثَم، هناك حدود للمدى الذي يمكن أن ترتقي فيه هذه الأفعال اللاواعية إلى سطح الوعي.
ثالثًا، حتى إنْ فهمْنا طبيعة المهمة فهمًا جيدًا (إلى حدٍّ ما)، فقد تتضمن المهمة متغيرات أو معاملات متعددة تتفاعل بعضها مع بعض بطرق غير بسيطة. وقد تكون معرفتنا بهذه التفاعلات أو فهمنا لها مشوَّشة أو منقوصة أو غير ملائمة بشدة. على سبيل المثال، مسألة تصميم معمارية الكمبيوتر الخارجية (ارجع إلى الفصل الخامس) تُوضح هذه النقطة. قد يفهم اختصاصي معمارية الكمبيوتر الأجزاء الفعلية التي تكوِّن المعمارية الخارجية (أنواع البيانات، والعمليات، ونظام الذاكرة، وأنماط عنونة المعاملات، وتنسيقات التعليمات، وطول الكلمة) فهمًا جيدًا، لكن نطاق التباينات لكل جزء من هذه الأجزاء وتأثيرات هذه التباينات بعضها على بعض قد يكون مفهومًا فهمًا غيرَ دقيق أو غير واضح. في الواقع، إن فهْم الطبيعة الكاملة لهذه التفاعلات قد يتجاوز القدرات المعرفية لدى هذا الاختصاصي.
رابعًا، حتى إذا كان المرء يفهم المسألة جيدًا بالقدْر الكافي ويمتلك المعرفة بشأن مجال المسألة ويمكنه ابتكار خوارزمية لحلها، فقد لا يمكن توفير مقدار الموارد الحوسبية (الوقت أو المساحة) اللازم لتنفيذ الخوارزمية. ومن الأمثلة على ذلك الخوارزميات ذات تعقيد الوقت الأسي (ارجع إلى الفصل الثالث).
لعِبُ الشطرنج مثال على ذلك. طبيعة المسألة مفهومة فهمًا جيدًا. فاللعبة لها قواعد محدَّدة للحركات المسموح بها، كما أنها لعبة «تامة المعلومات» من حيث إن كل لاعب يستطيع أن يرى كل قِطع الشطرنج على الرقعة على الدوام. كذلك النتائج المحتملة معروفة بدقة: إما أن يفوز اللاعب الأبيض أو يفوز اللاعب الأسود أو يتعادلان.
يفكر اللاعب الذي حلَّ دوره في اللعب في كل الحركات الممكنة لصالحه. ومع كل حركة يفكِّر فيها من تلك الحركات يفكِّر أيضًا في كل الحركات التي يُحتمل أن يقوم بها الخَصم؛ ومع كل حركة محتملة من خَصمه، يفكِّر مرة أخرى في كل حركاته هو المحتملة؛ وهكذا حتى بلوغ الحالة النهائية وهي: إما الفوز أو الخسارة أو التعادل. وبالعمل بطريقة عكسية، يقرر اللاعب إن كان الموقف الحالي سيعزز من الفوز أم لا، ويختار الحركة بناءً على ذلك، وذلك بافتراض أن الخصم يأتي بالحركات الأفضل لصالحه.
في نهاية المطاف، إذا وجب صياغة خوارزمية لحل مسألةٍ ما، فإن أي معرفة ضرورية بشأن المسألة كي تنجح الخوارزمية «لا بد أن تُدرج بالكامل في الخوارزمية». وكما أشرنا في الفصل الثالث، فإن الخوارزمية جزء قائم بذاته من المعرفة الإجرائية. فلكي نُجريَ اختبار ورقة دَوَّار الشمس، أو نحلَّ مسألة ضرب بالورقة والقلم، أو نقدِّر مضروبَ عددٍ ما، أو ننتج تعبيرات بولندية عكسية من تعبيرات حسابية مرتبة وسطيًّا (ارجع إلى الفصل الرابع)، فكلُّ ما يحتاج المرء إلى معرفته هو الخوارزمية ذاتها. وإن تعذَّر إدراج كل المعلومات الضرورية في الخوارزمية، فلن تكون ثمة خوارزمية.
إن العالم مليء بالمهام أو المسائل التي تتجلى فيها أنواع السمات المذكورة آنفًا. وهي لا تتضمن الأعمال الفكرية أو الإبداعية وحسب — مثل البحث العلمي، والاختراعات، والتصميم، والكتابة الإبداعية، والأعمال الرياضية، والتحليل الأدبي، والبحوث التاريخية — بل تتضمَّن كذلك أنواع المهام التي يقوم بها الممارسون المهنيون — مثل الأطباء، والمهندسين، والمهندسين المعماريين، والمصمِّمين الصناعيين، والمخطِّطين، والمدرسين، والحرفيين. حتى الأنشطة العادية الرتيبة — مثل القيادة وسط زحام مروري، واتخاذ قرار بشأن عرض وظيفي، والتخطيط لرحلة في عطلة — لا تؤدي إلى حلول خوارزمية، أو على الأقل حلول خوارزمية فعالة.
وعلى الرغم من ذلك، يشرع الناس في تنفيذ هذه المهام وحل هذه المسائل. فهم لا ينتظرون الخوارزميات، سواء كانت فعالة أو غير ذلك. في الواقع، لو كان علينا انتظار الخوارزميات كي نحل كل مسائل حياتنا، لانقرض نوعنا منذ زمن بعيد. ومن منظور تطوري، فإن سبل تفكيرنا لا تنطوي على الخوارزميات وحسب. وهذا يطرح السؤال التالي: ما الوسائل «الحوسبية» الأخرى المتاحة لنا كي ننفِّذ هذه المهام؟ الإجابة هي اللجوء إلى نمط حوسبة يستخدم «الاستدلال».
الاستدلال عبارة عن قواعدَ وضوابط ومبادئ وافتراضات قائمة على المنطق السليم والتجربة والحكم على الأشياء والمقارنات والتخمينات المبنية على علم وغير ذلك، والتي تبشِّر بحل المسائل من دون ضمان نجاح حلها. وقد أتينا على ذكر الاستدلال في الفصل السابق عندما تناولنا معمارية الكمبيوتر. لكن الحديث عن معمارية الكمبيوتر باعتبارها علمًا اصطناعيًّا قائمًا على الاستدلال شيء، واستخدام الاستدلال في الحوسبة التلقائية شيء آخر. وهذا الأمر الأخير، «الحوسبة الاستدلالية»، هو ما سنتناوله الآن.
ابحث «وقد» تجد
الحوسبة الاستدلالية تجسِّد روح المغامرة! فهي لا تخلو من عدم اليقين والغموض. فمن يبحث عن حل استدلالي (سواء كان إنسانًا أو كمبيوتر) ليحل مسألةً ما هو فعليًّا كمن يستكشف «أرضًا مجهولة». ومثلما ينخرط الإنسان المتواجد في أرض مجهولة في استكشاف هذه الأرض والبحث فيها، يبحث مَن يقوم بالبحث الاستدلالي عن حل للمسألة — فيما يسميه علماء الكمبيوتر «فضاء المسألة» — وهو ليس على يقين من أنه سيصل إلى الحل. وبذلك يُطلق على أحد أنواع الحوسبة الاستدلالية اسم «البحث الاستدلالي».
لننظر، على سبيل المثال، إلى السيناريو التالي. أنت داخل إلى ساحة كبيرة جدًّا لركن السيارات ملحقة بصالة عرض كبيرة تريد أن تشاهد حدثًا فيها. والمسألة هي العثور على مكان لركن سيارتك. السيارات مصفوفة في أماكنها بالفعل، ولكن يبدو أنك ليس لديك معرفة بتوزيع الأماكن الفارغة أو موقعها. ما الذي يفعله المرء في هذه الحالة؟
في هذه الحالة، تصبح ساحة الركن هي فضاء المسألة حرفيًّا. وكلُّ ما يمكنك فِعله حرفيًّا هو البحث عن مكان فارغ. لكن بدلًا من البحث من دون هدف أو عشوائيًّا، قد تقرر اتباع سياسة «الملاءمة الأولى»؛ بحيث تركن سيارتك في أول مكان تراه فارغًا ومتاحًا. أو يمكنك اتباع سياسة «الملاءمة المثلى»؛ وهي البحث عن مكان فارغ ويكون هو الأقرب إلى صالة العرض.
هاتان السياستان استدلاليتان تساعدان في «توجيه» البحث عبْر فضاء المسألة. بالطبع لا يخلو الأمر من التنازلات: فاستراتيجية الملاءمة الأولى قد توفِّر وقتَ البحث، ولكن قد تضطر إلى أن تسير مسافةً طويلة حتى تصل إلى صالة العرض، أما استراتيجية الملاءمة المثلى فقد تحتاج إلى وقتٍ أطول للبحث لكنها ستختصر وقت السير نسبيًّا إن نجحت. لكنْ بالطبع «السياستان الاستدلاليتان لا تضمنان النجاح»: كلتاهما ليستا خوارزمية بهذا المعنى. وفي كلتا الحالتين، قد لا يوجد مكان فارغ، وفي هذه الحالة إما أن تظلَّ تبحث وتبحث أو تنهيَ البحث باتباع معيار مختلف مثل «الخروج إن تجاوز وقت البحث الحد المعقول».
لكن العديد من الاستراتيجيات التي تستخدم الاستدلال تتضمن كلَّ سمات الخوارزمية (كما ذكرنا في الفصل الثالث) — لكن هناك فرقٌ واحد ملحوظ وهو أنها لا تعطي سوى إجابات «تكاد تكون صحيحة» للمسألة، أو أنها لا تعطي إجابات صحيحة إلا لبعض صور المسألة. ومن ثَم يشير علماء الكمبيوتر إلى بعض الأساليب الاستدلالية في حل المسائل باسم الخوارزميات «الاستدلالية» أو «التقريبية»، وقد نحتاج في هذه الحالة إلى أن نفرِّق بينها وبين الخوارزميات «الدقيقة». ويشمل المصطلح «الحوسبة الاستدلالية» كلًّا من البحث الاستدلالي والخوارزميات الاستدلالية. وسنعرض مثالًا على الخوارزميات الاستدلالية بعد قليل.
هناك أسلوب استدلالي ذو مستوًى أعلى يسمَّى «القبول بما هو مُرضٍ»
في أي مسألة تحسين، عادةً ما يكون الهدف هو البحث عن أفضل حل ممكن للمسألة. والعديد من مسائل التحسين لها حلول خوارزمية دقيقة. ولسوء الحظ كثيرًا ما تكون هذه الخوارزميات ذات تعقيد وقت أسي، ومن ثَم فمن غير العملي — وحتى من المتعذر — استخدامها في صور كبيرة من المسألة. ومن الأمثلة على ذلك مسألةُ لعبة الشطرنج التي تناولناها من قبل. إذن، ما الذي يجب أن يفعله المكلَّف بحل المسألة إذا كانت الخوارزميات المثلى يتعذر تطبيقها حوسبيًّا؟
هذا المبدأ أسلوبٌ استدلالي عام وعالي المستوى للغاية، ويمكن أن يكون بمثابة نقطة انطلاق لتحديد المزيد من الأساليب الاستدلالية الخاصة بالمجال. وبذلك يمكننا أن نطلق عليه «الأسلوب الاستدلالي العالي المستوى».
دعنا نتأمَّل «الأساليب الاستدلالية المُرضية التي لها علاقة بمسألة الشطرنج». لنفكرْ في مأزق لاعب الشطرنج. وكما رأينا، فقد استبعدنا حلَّ البحث الأمثل. ويلزم توافر استراتيجيات عملية أكثر، وهذا يتطلب استخدام مبادئ استدلالية متعلقة بالشطرنج (أي، مرتبطة بالمجال). والاستراتيجية التالية من أبسطها.
لاحظ أننا حاولنا تحقيقَ نوع من الأمثلية هنا. لكنها محاولة تحسين «موضعية» أو «قصيرة الأجل»؛ حيث إنها تتعلق بحركة تالية واحدة فقط. وليس هذا باستدلال بالغ التعقيد، ولكنه نوع يمكن أن يتحلَّى به اللاعب العادي. لكنه يتطلب بالفعل مستوًى من المعرفة العميقة لدى اللاعب (سواء أكان إنسانًا أم كمبيوترًا) بشأن الجودة النسبية لأنساق الرقعة.
إنَّ لعب الشطرنج يجسِّد صورًا من البحث الاستدلالي المُرضي. أما الآن فلننتقل إلى مثال على الخوارزميات الاستدلالية المُرضية.
الخوارزمية الاستدلالية
لندرس الآن تدفقًا تسلسليًّا لتعليمات آلة يولدها برنامج مترجِم لكمبيوتر مادي مستهدف من برنامج تسلسلي مكتوب بلغة عالية المستوى (ارجع إلى الفصل الرابع). لكن إذا كان الكمبيوتر المستهدف ينفِّذ التعليمات بصورة متزامنة، فسيكون للبرنامج المترجِم مهمةٌ أخرى إضافية وهي: تحديد التوازي بين التعليمات في تدفُّق التعليمات وإنتاج «تدفُّق تعليمات متوازٍ»؛ حيث يتكوَّن كل عنصر من هذا التدفق من مجموعة تعليمات يمكن تنفيذها بالتوازي (لنطلق على ذلك «مجموعة متوازية»).
في واقع الأمر، هذه مسألة تحسين إذا كان الهدف هو تقليل عدد المجموعات المتوازية في تدفُّق التعليمات المتوازي. وكما هو الحال مع مسألة الشطرنج، ستنطوي خوارزمية التحسين على استراتيجية بحث مستفيض، ومن ثَم لن تكون عملية حوسبيًّا.
عمليًّا، ستطبَّق أساليبُ استدلالية مُرضية أكثر. لنضرب مثالًا بخوارزمية أُطلق عليها هنا خوارزمية «الخدمة بأسبقية الوصول».
ستكون خوارزمية الخدمة بأسبقية الوصول كما يلي:
إن خوارزمية الخدمة بأسبقية الوصول استراتيجية مُرضية. فهي تضع كلَّ تعليمة في أقرب مجموعة متوازية ممكنة بحيث تظهر أيضًا التعليمات اللاحقة المعتمدة على البيانات في أبكر مرحلة ممكنة في التدفق المتوازي. ويكون معيار الإرضاء: «افحص كلَّ تعليمة بالنسبة إلى سابقاتها وتجاهل ما يليها». وفي هذا المثال بالتحديد، تُخرِج خوارزمية الخدمة بأسبقية الوصول نتيجةً مثلى (أقصر تسلسل ممكن من المجموعات المتوازية). لكن قد يكون هناك تدفقات مدخلات أخرى تُنتج لها خوارزمية الخدمة بأسبقية الوصول مجموعات متوازية لا ترقى إلى المستوى الأمثل.
ومدى الاختلاف بينهما مسألة تجريبية. فلا بد من تنفيذ الخوارزميات في صورة برامج قابلة للتنفيذ، وإجراء التجارب على بيانات اختبارية متنوعة، ودراسة المخرجات، والتحقق من نقاط القوة ونقاط الضعف بناءً على التجارب. إذن، تنطوي الحوسبة الاستدلالية على إجراء التجارب.
الاستدلال والذكاء الاصطناعي
مجال الذكاء الاصطناعي مجال شاسع، ويوجد في واقع الأمر أكثرُ من «نموذج فكري» يفضِّله باحثو الذكاء الاصطناعي. (أستخدم كلمة «نموذج» بالمعنى الذي يستخدمه فيلسوف العلم توماس كون.) ولكن كي نزيد من إيضاح نطاق الحوسبة الاستدلالية وقدراتها في هذا المقام، فلن أتناول غير «نموذج البحث الاستدلالي» في الذكاء الاصطناعي.
يقصد نيويل وسايمون ﺑ «نظام الرموز المادية» الأنظمةَ التي تعالج البنيات الرمزية وترتكز رغم ذلك على أساسٍ مادي — ما أسميته الأدوات الحوسبية المادية والحدية، غير أنها تتضمن الكائنات الطبيعية والاصطناعية تحت مظلتها على حد سواء.
لكن وبما أن فضاء المسألة يمكن أن يكون كبيرًا للغاية، فإن البحث فيه لا يكون عشوائيًّا. بل يستخدم الكيان الأساليبَ الاستدلالية للتحكم في مقدار البحث، واستبعاد أجزاء من فضاء البحث على أنها غير ضرورية، ومن ثَم الوصول إلى الحل في أسرع وقت ممكن.
الطرق الضعيفة والطرق القوية
إذن يكون صميم نموذج البحث الاستدلالي هو الأساليب الاستدلالية المتضمَّنة في فضاء المعرفة. قد تتراوح هذه الأساليب ما بين العامة جدًّا — بمعنى قابليتها لأن تنطبق على مجموعة كبيرة من مجالات المسائل — إلى الخاصة جدًّا — بمعنى أنها ذات صلة بمجالات مسائل معينة. يطلق على النوع الأول «الطرق الضعيفة»، ويطلق على النوع الثاني «الطرق القوية». وبوجه عام، عندما يكون مجال المسألة مفهومًا فهمًا رديئًا، تكون الطرق الضعيفة واعدة أكثر؛ وعندما يكون مجال المسألة معروفًا أو مفهومًا بمزيد من التفصيل، تكون الطرق القوية مناسبة أكثر.
بفرض وجود مسألة لها حالة حالية وحالة هدف، حدِّد الفرق بينهما. بعد ذلك اختزل الفرق عن طريق تطبيق «عامل» ذي صلة. لكن إذا لم يُستوفَ الشرط المسبق الضروري لتطبيق العامل، اختزل الفرق بين الحالة الحالية والشرط المسبق عن طريق تطبيق تحليل الوسائل والغايات على الحالة الحالية والشرط المسبق على نحو ذاتي الاستدعاء.
يرجى العلم أن استراتيجية تحليل الوسائل والغايات استراتيجيةٌ ذاتية الاستدعاء (ارجع إلى الفصل الثالث). إذن، ما وجه «الاستدلال» فيها؟ النقطة هنا هي أنه لا يوجد ما يضمن أن تنتهيَ استراتيجيةُ تحليل الوسائل والغايات بنجاح في مجال مسائل معين. على سبيل المثال، في ضوء حالة حالية وحالة هدف معينين، يمكن تطبيق عدة إجراءات لتقليص الفرق. وربما يحدد الإجراء الذي يقع عليه الاختيار الفرق بين النجاح والفشل.
في هذا الموقف، ربما يجب توجيه اختيار الإجراء المراد بأسلوب استدلالي ذي مستوًى أعلى (مثل اختيار أول قاعدة مطابقة). قد يتبيَّن أن هذا الاختيار كان خاطئًا كما سندرك لاحقًا في العملية الحوسبية، وفي هذه الحالة يجب أن «يرجع» النظام إلى حالة سابقة ويستكشف قاعدة أخرى.
ترجمة قواعد الاستدلال
بعيدًا عن عدم اليقين المصاحب لنموذج البحث الاستدلالي، فإن الفارق الكبير الآخر بين الخوارزميات (الدقيقة أو الاستدلالية) هو (كما ذكرنا من قبل) أن كل المعرفة اللازمة لتنفيذ الخوارزميات مدمجة في الخوارزمية نفسها. لكن في المقابل في نموذج البحث الاستدلالي، تقع المعرفة كلها تقريبًا في فضاء المعرفة (أو الذاكرة الطويلة الأجل). ويكمُن معظم تعقيد نموذج البحث الاستدلالي فيما يتمتع به فضاء المعرفة من ثراء.
