مهندسو MIT يكشفون عن خوارزمية HardFlow لفرض قواعد أمان صارمة في الذكاء الاصطناعي التوليدي

كشف باحثون في Massachusetts Institute of Technology عن خوارزمية رياضية صُممت لمنع نماذج الذكاء الاصطناعي التوليدي من انتهاك القوانين الفيزيائية وحدود الأمان الإلزامية. وتتيح هذه التقنية، التي أُطلق عليها اسم HardFlow وأُعلن عنها في 14 September 2026، لأطر الذكاء الاصطناعي التوليدي الحالية والمدربة مسبقًا فرض قيود مطلقة دون الحاجة إلى إعادة تدريب حاسوبي أو ضبط دقيق. ومن خلال تعديل مسار العينات الأساسي أثناء مرحلة الاستدلال، توفر الخوارزمية ضمانات رياضية صارمة مطلوبة للتطبيقات الحيوية للأمان عبر الروبوتات المستقلة، وأنظمة التحكم الفيزيائي المعقدة، والرؤية الحاسوبية عالية الدقة.

## حقائق رئيسية - طور باحثون في Massachusetts Institute of Technology إطارًا خوارزميًا جديدًا يُدعى HardFlow لفرض قيود صارمة على نماذج الذكاء الاصطناعي التوليدي المدربة مسبقًا. - تعمل التقنية بالكامل خلال مرحلة الاستدلال، مما يلغي الحاجة إلى إعادة تدريب الشبكات العصبية أو ضبطها دقيقًا من الصفر. - تستهدف HardFlow المجالات الحيوية للأمان حيث تكون الأخطاء الاحتمالية غير مقبولة، بما في ذلك تخطيط مسار الروبوتات، والتحكم في الأنظمة الفيزيائية، والرؤية الحاسوبية. - وبخلاف الطرق التقليدية القائمة على العقوبات والتي تتعامل مع القواعد كإرشادات مرنة، تضمن الخوارزمية الامتثال بنسبة 100 بالمائة للحدود الرياضية والفيزيائية الصارمة. - وفقًا لتقرير نشرته MIT News في 14 September 2026، تحسّن هذه طريقة الجودة الإجمالية لحلول النموذج مع الحفاظ على الإنفاذ الصارم للقواعد.

## ماذا حدث توسع الذكاء الاصطناعي التوليدي بسرعة من التخليق النصي والبصري إلى التطبيقات الهندسية والفيزيائية. ومع ذلك، تعتمد البنى التوليدية القياسية — مثل نماذج الانتشار وأطر مطابقة التدفق — على أخذ العينات الاحتمالية. ورغم فعاليتها العالية في تحديد توزيعات الأنماط داخل مجموعات البيانات الكبيرة، فإن هذه النماذج تنطوي بطبيعتها على خطر توليد مخرجات تنحرف عن القيود الفيزيائية، مثل حدود الأحمال الهيكلية، أو الحدود الهندسة، أو الحد الأقصى للسرعة.

ولمعالجة فجوة الموثوقية هذه، طور الباحثون في MIT آلية حاسوبية باسم HardFlow تعترض مسار النماذج التوليدية وتوجهه أثناء تخليق الحلول. وبدلاً من محاولة تعليم النموذج حدود الأمان من خلال مجموعات بيانات تدريبية ضخمة، تعمل HardFlow كمرشح رياضي في الوقت الفعلي أثناء عملية التوليد.

وعندما يرسم نموذج توليدي مسار حل من الضوضاء العشوائية نحو حالة نهائية، تحسب HardFlow الإسقاط الهندسي الدقيق اللازم لإبقاء ذلك المسار ضمن حدود القيود المحددة. وإذا بدأ المسار في الانحراف نحو حالة غير صالحة — مثل تقاطع ذراع روبوت مع جدار صلب أو تجاوز محاكاة شبكة الكهرباء لعتبات الجهد الأقصى — تقوم الخوارزمية بإسقاط متجه السرعة للنموذج مرة أخرى على المنشعب الآمن.

والأهم من ذلك، أفادت MIT News أن HardFlow تحقق هذا الالتزام الصارم دون تقليل كفاءة النموذج الأساسي أو دقة مخرجاته. وفي اختبارات المقارنة المعيارية عبر سيناريوهات التحكم الفيزيائي، ومهمات الملاحة الروبوتية، ومهمات الرؤية الحاسوبية، لم تكتفِ الخوارزمية بفرض جميع الحدود الصارمة المحددة فحسب، بل حسّنت أيضًا بشكل منهجي متوسط جودة الحلول الناتجة مقارنة بالنماذج الأساسية غير المقيدة.

## أهمية هذا التطور يعالج تقديم HardFlow أحد العقبات الرئيسية التي تحول دون الاعتماد الواسع النطاق للذكاء الاصطناعي التوليدي المتقدم في البنية التحتية الصناعية والفضائية والطبية: وهي الاحتمالية غير الصفرية للفشل الكارثي.

في البرمجيات الاستهلاكية، تؤدي هلوسة الذكاء الاصطناعي أو عدم الدقة الطفيفة إلى ملخص نصي معيب أو خلل غير واقعي في الصورة. وعلى النقيض من ذلك، عندما تُنشر النماذج التوليدية لإدارة الأنظمة الفيزيائية الديناميكية — مثل التحكم في توجيه المركبات المستقلة، أو إدارة حلقات تبريد المفاعلات النووية، أو توليد مسارات الطيران للطائرات بدون طيار — فإن نسبة خطأ إحصائية حتى لو كانت 0.1 بالمائة يمكن أن تؤدي إلى دمار ميكانيكي، أو فقدان الأرواح، أو أضرار اقتصادية جسيمة.

وتاريخيًا، واجه المهندسون الذين حاولوا تكييف النماذج التوليدية للأنظمة الفيزيائية تسوية صعبة. فإما أن يستخدموا قيودًا لينة تضبط دالة الخسارة للنموذج أثناء التدريب لفرض عقوبات على انتهاك القواعد، أو يطبقوا مرشحات معالجة لاحقة تقطع المخرجات غير الصالحة بعد التوليد. وتفشل القيود اللينة في ضمان الامتثال المطلق، إذ يمكن للشبكات العصبية الاستمرار في إخراج حالات غير صالحة في السيناريوهات الاستثنائية. أما مرشحات المعالجة اللاحقة فغالبًا ما تفسد التماسك الرياضي لمخرجات النموذج، مما يجبر المهندسين على التخلي عن العينات غير الصالحة وإعادة التوليد مرارًا وتكرارًا، وهو ما يدخل تأخيرًا زمنيًا غير مقبول في حلقات التحكم في الوقت الفعلي.

تغير HardFlow هذه الديناميكية التشغيلية من خلال تقديم ضمانات أمان محددة ومدمجة مباشرة في عملية التوليد. ومن خلال ضمان عدم تجاوز المخرجات للحدود التشغيلية الصارمة، تسمح الخوارزمية للفرق الهندسية بنشر نماذج توليدية واسعة النطاق وجاهزة للاستخدام في بيئات خاضعة للتنظيم وحيوية للأمان دون إنفاق ملايين الدولارات على حملات إعادة تدريب مخصصة أو المخاطرة بفشل تشغيلي كارثي.

## الخلفية تعتمد الأسس الرياضية للذكاء الاصطناعي التوليدي الحديث بشكل كبير على النماذج التوليدية المستمرة في الزمن، وخاصة نماذج الانتشار الاحتمالية وأطر مطابقة التدفق. أُعدت صيغتها الرسمية الأولى في أدبيات تعلم الآلة خلال أواخر عقد 2010 وأوائل عقد 2020، وتعمل هذه النماذج عن طريق أخذ توزيع احتمالي بسيط، مثل الضوضاء غاوسية، وتحويله تدريجيًا إلى توزيع مستهدف معقد يمثل صورًا أو تحركات روبوتية أو مسارات فيزيائية.

وفي مطابقة التدفق القياسية، تتعلم الشبكة العصبية حقل متجهات يحدد كيفية تحرك جزيئات الضوضاء بمرور الوقت لإعادة بناء نقاط بيانات واقعية. ويحل النموذج معادلة تفاضلية عادية (ODE) لتتبع مسار من الزمن صفر إلى الزمن واحد. ولأن حقول المتجهات هذه تُكتسب تجريبيًا من بيانات التدريب، فإن المسارات المولدَة تتبع الاحتمالات الإحصائية بدلاً من معادلات الفيزياء الصارمة.

وفي مجالات مثل الرؤية الحاسوبية وتخطيط حركة الروبوتات، حاول الباحثون تقنيات مختلفة لتقييد هذه المسارات. وتشكل قيود المساواة وعدم المساواة — مثل ضمان عدم دوران مفاصل الروبوت لأكثر من 180 درجة أو ضمان بقاء ضغط السوائل موجبًا — جوهر نظرية التحكم الكلاسيكية. ولعقود من الزمن، اعتمد خبراء الروبوتات على خوارزميات محددة مثل البرمجة التربيعية والتحكم التنبؤي بالنموذج (MPC) لضمان الأمان. ورغم أن MPC يضمن الأمان، إلا أنه يواجه صعوبة في التوسع إلى بيئات معقدة عالية الأبعاد حيث يتفوق الذكاء الاصطناعي التوليدي في اكتشاف مسارات إبداعية أو معقدة.

وعندما حاول باحثو تعلم الآلة دمج النماذج التوليدية مع التحكم الكلاسيكي، واجهوا بانتظام "لعنة الأبعاد" وانحراف القواعد. وتتطلب إعادة تدريب نموذج انتشار يضم 100 مليون معلمة للاحترام حد فيزيائي جديد آلاف الساعات من معالجة GPU ومجموعات بيانات متخصصة كبيرة. فضلاً عن ذلك، غالبًا ما تسبب الضبط الدقيق في "النسيان الكارثي"، حيث يفقد النموذج مرونته التوليدية الأساسية أثناء محاولته الانصياع للقيود الجديدة. وتعتمد HardFlow على التقدم في إسقاط المنشعب والمعادلات التفاضلية المقيدة لردم الفجوة بين النمذجة التوليدية العميقة المرنة ونظرية التحكم الكلاسيكية الصارمة.

## ردود الفعل عقب نشر البحث بواسطة MIT News، أشار خبراء في الأنظمة المستقلة وأبحاث الذكاء الاصطناعي إلى أن القدرة على فرض قيود صارمة دون إعادة التدريب تمثل خطوة حيوية نحو الامتثال التنظيمي للأنظمة الفيزيائية الموجهة بالذكاء الاصطناعي.

ويتوقع مراقبو القطاع اهتمامًا وتدقيقًا فوريين من القطاعات التي تخضع لمعايير أمان صارمة، مثل سلطات الطيران المدني، ومنظمي سلامة السيارات، وجهاز إجازة الأجهزة الطبية. وقد ترددت مؤسسات مثل Federal Aviation Administration في الولايات المتحدة وEuropean Union Aviation Safety Agency تاريخيًا في اعتماد أنظمة التعلم العميق التي تفتقر إلى حدود أمان قابلة للإثبات، لكون النماذج الاحتمالية لا يمكنها ضمان الامتثال الصارم للحدود تحت جميع ظروف التشغيل.

وبينما لا تزال مراجعات الأقران الخارجية والتقييمات الميدانية جارية، يتوقع مهندسو التحكم وممارسو تعلم الآلة أن مختبرات الأبحاث المتخصصة في التفاعل بين الإنسان والروبوت، وأتمتة المستودعات، والقيادة المستقلة ستكون من بين أول من يطبق إطار HardFlow ويتحقق منه بشكل مستقل في بيئات اختبار حية.

## ما لا نعرفه بعد على الرغم من مقاييس الأداء الواعدة التي أوردها فريق MIT، لا تزال العديد من التفاصيل التشغيلية والفنية بحاجة إلى توثيق كامل عبر تجارب صناعية موسعة.

أولاً، لم يجرِ بعد تفصيل العبء الحسابي الدقيق الذي تسببه HardFlow أثناء الاستدلال في الوقت الفعلي لحلقات التحكم فائقة التردد. ففي تطبيقات مثل تثبيت الطائرات بدون طيار أو منع اصطدام السيارات النشط، يجب إعادة حساب إشارات التحكم كل بضع أجزاء من الثانية. ويبقى من غير المؤكد ما إذا كانت الإسقاطات الرياضية التي تتطلبها HardFlow يمكنها تلبية قيود التأخير الزمني لأقل من ميلي ثانية على الأجهزة المدمجة دون الحاجة إلى مسرعات حاسوبية متخصصة.

ثانيًا، لا يحدد التقرير الحالي كيفية تعامل HardFlow مع مساحات القيود غير المحدبة أو المنفصلة للغاية، حيث تتجزأ مناطق التشغيل الآمنة إلى مناطق منفصلة متعددة. وفي البيئات الفيزيائية المعقدة، قد يؤدي إسقاط مسار على منشعب حدودي منفصل إلى صغرى محلية أو انقطاعات مفاجئة في المسار. وأخيرًا، لا يُعرف ما إذا كانت الخوارزمية تحافظ على مزايا أدائها عند تطبيقها على بنى توليدية متعددة الوسائط فائقة الضخامة تضم مليارات المعلمات.

## ما يجب مراقبته في الأشهر القادمة، ستوضح عدة نقاط تطوير رئيسية الأثر العلمي وقابلية التوسع لخوارزمية HardFlow عبر القطاعات الصناعية والبحثية الأكاديمية.

ستكون المحطة الفنية الرئيسية هي الإصدار العام للرمز المصدري مفتوح المصدر والمكتبات البرمجية المرتبطة به من قبل فريق أبحاث MIT. وسيتيح الوصول إلى الرمز البرمجي الأساسي لمختبرات تعلم الآلة المستقلة قياس أداء HardFlow مقارنة بأطر التوليد المقيدة المنافسة عبر مجموعات بيانات الروبوتات المعيارية، مثل تلك التي تحتفظ بها IEEE Robotics and Automation Society.

بالإضافة إلى ذلك، ينبغي للجهات المعنية في القطاع ترقب العروض الفنية القادمة المحكمة في المؤتمرات الرئيسية للذكاء الاصطناعي والروبوتات، بما في ذلك Conference on Neural Information Processing Systems (NeurIPS)، وInternational Conference on Learning Representations (ICLR)، وInternational Conference on Robotics and Automation (ICRA).

وأخيرًا، ستشكل الشراكات التجارية المحتملة بين المطورين الأكاديميين وشركات التكنولوجيا الصناعية — لا سيما في اللوجستيات المستقلة، والتصنيع الآلي، وتحسين شبكات الكهرباء — مؤشرًا رئيسيًا على ما إذا كانت HardFlow قادرة على الانتقال من المحاكاة الأكاديمية الخاضعة للرقابة إلى التطبيقات العتادية الحيوية للأمان في العالم الحقيقي.

يستند هذا التقرير إلى تغطية أصلية نشرتها MIT News في 14 September 2026.