Monte Carlo Tree Search (MCTS)

بحث شجرة مونت كارلو (MCTS) هو خوارزمية بحث استدلالية تُستخدم في عمليات اتخاذ القرارات المعقدة، ولا سيما في التعلم الآلي والذكاء الاصطناعي. وكما يوضح تعريف ويكيبيديا، يجمع MCTS بين دقة خوارزميات البحث الشجري وقوة أخذ العينات العشوائية (محاكاة مونت كارلو) لتقييم الحركات الواعدة في فضاء حالات معين. وقد ذاع استخدام الخوارزمية أولًا بفضل نجاحها في ألعاب الطاولة المعقدة، وأصبحت الآن مكوّنًا أساسيًا في وكلاء الذكاء الاصطناعي وأنظمة الاستدلال المتقدمة الحديثة، بما فيها نماذج اللغة الكبيرة (LLMs) المتطورة.

آلية عمل بحث شجرة مونت كارلو#

تنشئ MCTS شجرة بحث تدريجيًا باستكشاف الإجراءات الواعدة. وتعمل الخوارزمية وفق عملية اتخاذ القرار الماركوفي، وتكرر أربع مراحل متواصلة إلى أن تبلغ ميزانية الحساب أو المهلة الزمنية حدها:

1. الاختيار: انطلاقًا من العقدة الجذرية، تنتقل الخوارزمية نزولًا في الشجرة باختيار العقد الفرعية التي توازن بين الاستكشاف (تجربة مسارات جديدة) والاستغلال (تفضيل المسارات ذات المكافآت السابقة المرتفعة). وتُعد صيغة الحد الأعلى للثقة المطبقة على الأشجار (UCT) طريقة معيارية لإدارة هذه المفاضلة.

2. التوسيع: ما لم تُنهِ العقدة المحددة المحاكاة، تُضاف عقدة فرعية واحدة أو أكثر لتوسيع شجرة البحث إلى حالات لم تُستكشف بعد.

3. المحاكاة (التمرير): تُنفّذ محاكاة سريعة، وغالبًا ما تكون عشوائية، انطلاقًا من العقدة الموسّعة حديثًا وحتى نهاية السيناريو للتنبؤ بالنتيجة.

4. الانتشار العكسي: تُمرر نتيجة المحاكاة صعودًا عبر الشجرة، مع تحديث إحصاءات النجاح وقيم جميع العقد التي جرى اجتيازها لإرشاد الاختيارات المستقبلية.

تطبيقات الذكاء الاصطناعي في العالم الواقعي#

تسلط دراسة استقصائية شاملة لأساليب بحث شجرة مونت كارلو الضوء على تعدد استخداماتها في حل المشكلات ذات فضاءات البحث الهائلة التي يتعذر التعامل معها حسابيًا.

• لعب الألعاب: اكتسبت MCTS شهرة عالمية عندما استخدمتها Google DeepMind لتشغيل AlphaGo، فأنشأت أول ذكاء اصطناعي يهزم بطل العالم البشري في لعبة Go. ومن خلال الجمع بين MCTS والشبكات العصبية، استطاع النظام تقييم حالات لوحية يتعذر على أساليب البحث الشامل التقليدية التعامل معها بفاعلية.
• استدلال LLM والذكاء الاصطناعي الوكيلي: في عامي 2024 و2025، تزايد دمج الباحثين MCTS مع نماذج LLM لتعزيز التفكير المنطقي وقدرات «النظام 2». فعلى سبيل المثال، يوضح بحث حديث حول تصميم الاستدلالات الآلية كيف تساعد MCTS نماذج LLM على اجتياز مسائل التحسين المعقدة. وبالمثل، يؤدي دمج MCTS مع نماذج LLM إلى تحسين الأداء بدرجة كبيرة في الإجابة عن أسئلة قواعد المعرفة والاستدلال الرياضي، من خلال تقييم عدة مسارات منطقية محتملة قبل اعتماد إجابة. وتستفيد مؤسسات مثل OpenAI من آليات الاستدلال القائمة على البحث في نماذجها المتقدمة، مثل o1 من OpenAI، لتحسين دقة حل المشكلات بدرجة كبيرة.
• الروبوتات والتخطيط الذاتي: تُستخدم MCTS في تحسين الخدمات اللوجستية والمسارات، والمركبات ذاتية القيادة، وتجزئة الأفعال في الروبوتات، لمحاكاة الحالات المستقبلية والتنقل بأمان في البيئات المادية المعقدة.

MCTS والمفاهيم ذات الصلة#

لفهم MCTS فهمًا كاملًا، من المفيد تمييزها عن تقنيات الذكاء الاصطناعي ذات الصلة:

• التعلم المعزز (RL): بينما يدرّب RL النماذج بمرور الوقت لتعلّم سياسة عامة، تكون MCTS عادةً خوارزمية تخطيط تُستخدم أثناء الاستدلال الآني للعثور على أفضل إجراء فوري انطلاقًا من حالة محددة. ومع ذلك، كثيرًا ما تُستخدم التقنيتان معًا؛ إذ يمكن لنماذج RL توفير القيمة الاستدلالية لعقد MCTS.
• شجرة الأفكار (ToT): يُعد ToT إطار عمل للمطالبات صُمم خصيصًا لنماذج LLM. وهو مستوحى إلى حد كبير من MCTS، وينظم توليد اللغة على هيئة شجرة، بحيث تمثل كل عقدة فيها «فكرة». أما MCTS فهو الأساس الخوارزمي الأوسع الذي تستند إليه ToT وأطر العمل المماثلة.

دمج ذكاء الرؤية الاصطناعي في MCTS#

في الذكاء الاصطناعي المتجسد أو الأنظمة ذاتية التشغيل، غالبًا ما يعمل الإدراك البصري مقيّمًا للحالة في عقدة MCTS. ومن خلال الاستفادة من Ultralytics YOLO26، يستطيع الوكيل تقييم البيئة بسرعة لحساب درجة استدلالية أثناء مرحلة المحاكاة.

فيما يلي مثال تصوري يوضح كيفية استخدام نموذج Ultralytics YOLO لحساب مكافأة بسيطة لعقدة أثناء تمرير MCTS.

from ultralytics import YOLO

# Load an Ultralytics YOLO26 model for state evaluation
model = YOLO("yolo26n.pt")


def evaluate_mcts_state(image_state):
    # Run inference to evaluate the visual environment
    results = model(image_state, verbose=False)

    # Example heuristic: Reward the MCTS path if an 'obstacle' is successfully avoided
    # Assume class 0 is 'obstacle'. Reward is 1 if path is clear, 0 if blocked.
    obstacle_detected = any(box.cls == 0 for box in results[0].boxes)
    return 0 if obstacle_detected else 1


# Simulate a rollout step
reward = evaluate_mcts_state("path_simulation_view.jpg")
print(f"MCTS Rollout Reward: {reward}")

بالنسبة إلى المطورين الراغبين في توسيع نطاق هؤلاء الوكلاء الأذكياء، توفر منصة Ultralytics أدوات فعّالة لـتدريب نماذج الرؤية الأساسية ونشرها. وهذا يسهّل كثيرًا دمج الإدراك السريع والموثوق في بنى البحث المعقدة التي تُنشأ باستخدام المكتبات الرياضية القياسية أو أطر التعلم الآلي مثل PyTorch وTensorFlow.