Swarm Intelligence

يُعرّف الذكاء الاصطناعي السربي (SI) السلوك الجماعي للأنظمة اللامركزية ذاتية التنظيم، والتي تكون عادةً طبيعية أو اصطناعية. يستمد هذا المفهوم إلهامًا كبيرًا من النظُم البيولوجية الموجودة في الطبيعة، مثل مستعمرات النمل، وأسراب الطيور، وأسراب الأسماك، ونمو البكتيريا. في سياق الذكاء الاصطناعي (AI)، تتكون أنظمة الذكاء الاصطناعي السربي من مجموعة من الوكلاء البسطاء الذين يتفاعلون محلياً مع بعضهم البعض ومع بيئتهم. على الرغم من عدم وجود هيكل تحكم مركزي يملي على الوكلاء الأفراد كيفية التصرف، إلا أن التفاعلات المحلية بين هؤلاء الوكلاء تؤدي إلى ظهور سلوك عالمي "ذكي"، قادر على حل المهام المعقدة التي تتجاوز قدرات فرد واحد.

الآليات والخوارزميات الأساسية#

تكمن قوة الذكاء الاصطناعي السربي في قدرته على حل المشكلات غير الخطية من خلال التعاون. يتبع الوكلاء في هذه الأنظمة قواعد بسيطة — غالباً ما توصف بأنها "الفصل"، و"المحاذاة"، و"التماسك" — والتي تسمح للمجموعة بالتنقل في البيئات الديناميكية. يُعد هذا النهج فعالاً بشكل خاص في خوارزميات التحسين حيث يكون مساحة البحث واسعة ومعقدة.

تشمل اثنتان من أبرز التطبيقات الخوارزمية ما يلي:

• تحسين سرب الجسيمات (PSO): مستوحى من السلوك الاجتماعي لتجمع الطيور، يعمل PSO على تحسين مشكلة من خلال محاولة تحسين حل مرشح بشكل تكراري فيما يتعلق بمقياس معين للجودة. يُستخدم على نطاق واسع في تدريب الشبكات العصبية وإيجاد المعلمات الفائقة المثلى. يمكنك قراءة المزيد حول آليات تحسين سرب الجسيمات لفهم أسسها الرياضية.
• تحسين مستعمرة النمل (ACO): مستند إلى سلوك البحث عن الطعام لدى النمل، وتحديداً كيف يجدون أقصر مسار بين مستعمرتهم ومصدر الغذاء باستخدام آثار الفيرمون. يُطبق ACO بشكل متكرر على مشكلات التوجيه في الاتصالات السلكية واللاسلكية وعمليات الخدمات اللوجستية.

ذكاء السرب في الرؤية الحاسوبية#

في مجال رؤية الحاسوب (CV)، يحدث الذكاء الاصطناعي السربي ثورة في طريقة إدراك الآلات وتفسيرها للعالم. بدلاً من الاعتماد على نموذج واحد ضخم، تستخدم النهج القائمة على السرب وكلاء متعددين خفيفي الوزن — وغالباً ما يتم نشرهم على أجهزة الحوسبة الطرفية — لجمع البيانات وإجراء الاستدلال بشكل تعاوني.

تطبيقات العالم الحقيقي#

1. البحث والإنقاذ الذاتي بواسطة الطائرات بدون طيار: في سيناريوهات الكوارث، تمتلك طائرة بدون طيار واحدة عمراً محدوداً للبطارية ومجال رؤية محدوداً. ومع ذلك، يمكن لـ سرب من الطائرات الذاتية بدون طيار تغطية مناطق واسعة بكفاءة. مجهزة بنماذج الكشف عن الكائنات مثل YOLO26، تتبادل هذه الطائرات إحداثيات الكشف مع بعضها البعض. إذا اكتشفت طائرة واحدة علامة حياة، فيمكنها إرسال إشارة للآخرين للتجمع والتحقق، مما يحسن مسار البحث في الوقت الفعلي دون الحاجة إلى توجيه مستمر من طيار بشري.

2. إدارة حركة المرور في المدن الذكية: يستخدم التخطيط الحضري الحديث الذكاء الاصطناعي في المدن الذكية للتخفيف من الازدحام. يمكن لكاميرات المرور التي تعمل كسروب مراقبة التقاطعات في جميع أنحاء المدينة. بدلاً من معالجة الخلاصات مركزياً، مما يتسبب في تأخير، يستخدم هؤلاء الوكلاء الموزعون الذكاء الاصطناعي الطرفي لتعديل توقيتات إشارات المرور بشكل ديناميكي بناءً على التدفق المحلي وبيانات الجوار. يسمح هذا النهج اللامركزي بشبكة المرور بأكملها بتحسين نفسها تلقائياً، مما يقلل من أوقات الانتظار والانبعاثات.

تنفيذ وكلاء الرؤية#

لنشر سرب، يتطلب كل وكيل عادةً نموذجاً سريعاً وفعالاً قادراً على التشغيل على الأجهزة منخفضة الطاقة. يوضح المثال التالي كيفية تهيئة نموذج خفيف الوزن YOLO26n model باستخدام حزمة ultralytics، مما يمثل قدرة الرؤية لوكيل واحد في السرب.

from ultralytics import YOLO

# Load a lightweight YOLO26 nano model optimized for edge agents
# This simulates one agent in a swarm initializing its vision system
model = YOLO("yolo26n.pt")

# Perform inference on a local image (what the agent 'sees')
# The agent would then transmit these results to neighbors
results = model.predict("path/to/image.jpg")

# Print the number of objects detected by this agent
print(f"Agent detected {len(results[0].boxes)} objects.")

تمييز ذكاء السرب#

من المهم التمييز بين ذكاء السرب ومفاهيم الذكاء الاصطناعي ذات الصلة:

• مقابل التعلم المجموعي (Ensemble Learning): بينما يتضمن كلاهما مكونات متعددة، فإن التعلم المجموعي يدمج عادةً توقعات النماذج الثابتة المختلفة (مثل الغابات العشوائية) لتحسين الدقة. وعلى العكس من ذلك، يتضمن الذكاء الاصطناعي السربي وكلاء نشطين يتحركون عبر مساحة الحلول أو البيئة الفيزيائية، متفاعلين ومغيرين سلوكهم بمرور الوقت.
• مقابل الخوارزميات التطورية: تستخدم الخوارزميات التطورية آليات مثل الطفرة والتقاطع لتطوير السكان عبر الأجيال. وبينما يستخدم الذكاء الاصطناعي السربي أيضاً مجتمعاً، فإن الأفراد في السرب لا يموتون ولا يتكاثرون عادةً؛ بل يتعلمون ويعدلون مواقفهم بناءً على معلومات الأقران، وهي عملية تعرف باسم الوصم (stigmergy).

مستقبل الذكاء الاصطناعي التعاوني#

مع صغر حجم الأجهزة واستمرار توسع إنترنت الأشياء (IoT)، سيلعب الذكاء الاصطناعي السربي دوراً محوريًا في الأتمتة اللامركزية. تسهل أدوات مثل منصة Ultralytics هذا المستقبل من خلال السماح للفرق بإدارة مجموعات البيانات وتدريب النماذج التي يمكن نشرها بسهولة على أساطيل الأجهزة، مما يتيح "العقل الخلية" المتزامن المطلوب لعوبطيات السرب المتقدمة والمركبات ذاتية القيادة.