Swarm Intelligence

يعرّف ذكاء السرب (SI) السلوك الجماعي للأنظمة اللامركزية ذاتية التنظيم، سواء أكانت طبيعية أم اصطناعية. ويستمد هذا المفهوم إلهامًا كبيرًا من الأنظمة البيولوجية الموجودة في الطبيعة، مثل مستعمرات النمل، وأسراب الطيور، وأسراب الأسماك، ونمو البكتيريا. وفي سياق الذكاء الاصطناعي (AI)، تتكوّن أنظمة ذكاء السرب من مجموعة من الوكلاء البسيطين الذين يتفاعلون محليًا بعضهم مع بعض ومع بيئتهم. وعلى الرغم من عدم وجود بنية تحكم مركزية تملي كيفية تصرف الوكلاء الأفراد، فإن التفاعلات المحلية بينهم تؤدي إلى ظهور سلوك عالمي «ذكي» قادر على حل مهام معقدة تتجاوز قدرات الفرد الواحد.

الآليات والخوارزميات الأساسية#

تكمن قوة ذكاء السرب في قدرته على حل المشكلات غير الخطية من خلال التعاون. يتبع الوكلاء في هذه الأنظمة قواعد بسيطة، غالبًا ما توصف بأنها «التباعد» و«المحاذاة» و«التماسك»، ما يتيح للمجموعة التنقل في البيئات الديناميكية. ويُعد هذا النهج فعالًا بوجه خاص في خوارزميات التحسين حيث يكون فضاء البحث واسعًا ومعقدًا.

تشمل أبرز التطبيقات الخوارزمية تطبيقين:

• تحسين سرب الجسيمات (PSO): مستوحًى من السلوك الاجتماعي لأسراب الطيور، يعمل PSO على تحسين مشكلة ما من خلال المحاولة التكرارية لتحسين حل مرشح وفقًا لمقياس جودة محدد. ويُستخدم على نطاق واسع في تدريب الشبكات العصبية والعثور على المعلمات الفائقة المثلى. يمكنك قراءة المزيد عن آليات تحسين سرب الجسيمات لفهم أسسه الرياضية.
• تحسين مستعمرة النمل (ACO): يستند إلى سلوك النمل في البحث عن الغذاء، وتحديدًا كيفية عثوره على أقصر مسار بين مستعمرته ومصدر الغذاء باستخدام مسارات الفيرومونات. ويُطبّق ACO كثيرًا على مسائل التوجيه في الاتصالات وعمليات الخدمات اللوجستية.

ذكاء السرب في الرؤية الحاسوبية#

في مجال الرؤية الحاسوبية (CV)، يُحدث ذكاء السرب تحولًا في طريقة إدراك الآلات للعالم وتفسيره. وبدلًا من الاعتماد على نموذج واحد ضخم، تستخدم الأساليب القائمة على الأسراب وكلاء متعددين خفيفي الوزن، غالبًا ما يُنشرون على أجهزة الحوسبة الطرفية، لجمع البيانات وتنفيذ الاستدلال بصورة تعاونية.

التطبيقات الواقعية#

1. البحث والإنقاذ باستخدام الطائرات المسيّرة ذاتية التشغيل: في حالات الكوارث، تتمتع الطائرة المسيّرة الواحدة بعمر بطارية ومجال رؤية محدودين. غير أن سربًا من الطائرات المسيّرة ذاتية التشغيل يمكنه تغطية مساحات واسعة بكفاءة. وبفضل تزويدها بنماذج كشف الأجسام مثل YOLO26، تتبادل هذه الطائرات إحداثيات عمليات الكشف فيما بينها. فإذا اكتشفت إحدى الطائرات علامة تدل على وجود شخص حي، يمكنها إرسال إشارة إلى الطائرات الأخرى للتجمع والتحقق، ما يحسّن مسار البحث في الوقت الفعلي من دون الحاجة إلى توجيه مستمر من طيار بشري.

2. إدارة حركة المرور في المدن الذكية: يستفيد التخطيط الحضري الحديث من الذكاء الاصطناعي في المدن الذكية للحد من الازدحام. ويمكن لكاميرات المرور، عند عملها كسرب، مراقبة التقاطعات في أنحاء المدينة. وبدلًا من معالجة التدفقات مركزيًا، الأمر الذي يسبب زمن استجابة، تستخدم هذه الوكلاء الموزعة الذكاء الاصطناعي الطرفي لضبط توقيتات إشارات المرور ديناميكيًا استنادًا إلى التدفق المحلي وبيانات الوكلاء المجاورة. ويتيح هذا النهج اللامركزي لشبكة المرور بأكملها تحسين أداءها ذاتيًا، ما يقلل أوقات الانتظار والانبعاثات.

تنفيذ وكلاء الرؤية#

لنشر سرب، يحتاج كل وكيل عادةً إلى نموذج سريع وفعّال قادر على العمل على أجهزة منخفضة الاستهلاك للطاقة. يوضح المثال التالي كيفية تهيئة نموذج YOLO26n خفيف الوزن باستخدام الحزمة ultralytics، بما يمثّل قدرة الرؤية لوكيل واحد في سرب.

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 تمييز ذكاء السرب عن مفاهيم الذكاء الاصطناعي ذات الصلة:

• مقابل التعلّم التجميعي: على الرغم من أن كليهما يتضمن مكونات متعددة، فإن التعلّم التجميعي يجمع عادةً تنبؤات نماذج ثابتة مختلفة، مثل الغابات العشوائية، لتحسين الدقة. أما ذكاء السرب، فعلى العكس، فيتضمن وكلاء نشطين يتحركون عبر فضاء الحلول أو البيئة المادية، ويتفاعلون ويغيّرون سلوكهم بمرور الوقت.
• مقابل الخوارزميات التطورية: تستخدم الخوارزميات التطورية آليات مثل الطفرة والعبور لتطوير مجموعة سكانية عبر أجيال. وعلى الرغم من أن SI يستخدم مجموعة سكانية أيضًا، فإن الأفراد في السرب لا يموتون أو يتكاثرون عادةً؛ بل يتعلمون ويتكيفون مع مواقعهم استنادًا إلى معلومات الأقران، وهي عملية تُعرف باسم التنظيم الوصمي.

مستقبل الذكاء الاصطناعي التعاوني#

مع ازدياد صغر حجم الأجهزة واستمرار توسع إنترنت الأشياء (IoT)، سيؤدي ذكاء السرب دورًا محوريًا في الأتمتة اللامركزية. وتسهّل أدوات مثل منصة Ultralytics هذا المستقبل من خلال إتاحة إدارة مجموعات البيانات وتدريب النماذج التي يمكن نشرها بسهولة على أساطيل من الأجهزة، ما يتيح «العقل الجمعي» المتزامن المطلوب للروبوتات السربية المتقدمة والمركبات ذاتية التشغيل.