نظرية اللعبة العكسية تنطلق كمسار واعد لتوجيه الذكاء الاصطناعي

تظهر الآن إطار عمل جديد يُعرف بـ “نظرية اللعبة العكسية” (reverse game theory) أو ما يُسمّى أيضاً تصميم الآلية (mechanism design) كإحدى السبل الواعدة لتوجيه نماذج الذكاء الاصطناعي القوية للالتزام بالقواعد التي يحددها البشر. يختلف هذا النهج عن نظرية اللعبة التقليدية التي تحاول توقع سلوك الفاعلين العقلانيين تحت مجموعة ثابتة من القواعد؛ بل يركز على صياغة القواعد نفسها بحيث يصبح السلوك المرغوب هو الأكثر ربحية للوكيل. يكتسب هذا التحول أهمية بالغة الآن مع تزايد قدرات النماذج المتقدمة التي تجعل أساليب التوجيه التقليدية—مثل فحص “دماغ” النموذج أو تعلّم القيم—أقل فاعلية. تم توضيح الفكرة الأساسية في ورقة ما قبل النشر التي شارك فيها الاقتصادي ستيفن موريس (Stephen Morris) من معهد ماساتشوستس للتكنولوجيا (MIT) وزملاؤه من جامعات ييل وكولومبيا. يقترح الباحثون آلية مكافأة لا تقيم أداء النموذج فقط على أساس نتائجه في الاختبار، بل تأخذ أيضاً في الاعتبار مدى قدرة إجاباته على توقع ما سيقوله نموذج مستقل ثانٍ. بهذه الطريقة يتحول “التقليل من الأداء” (sandbagging) – أي إظهار ضعف متعمد لتفادي آليات السلامة – إلى مخاطرة خاسرة، ما يدفع النموذج إلى تقديم إجابات صادقة وعالية الجودة. كما تستعرض الورقة سيناريوهات تنافسية حيث تُقابل نماذج ذات تحيّزات متعارضة وتُكافأ على تقارب مخرجاتها، ما يحفّز كل منها على الوصول إلى الحل الأمثل. في مسار موازٍ، يستلهم الأستاذ إيلاد هازان (Elad Hazan) من علوم الحاسوب بجامعة برنستون (Princeton) فكرة مستوحاة من مؤسسات المجتمع البشري. يطرح هازان نظاماً يتناوب فيه نماذج الذكاء الاصطناعي بين دور “الحلال” (solver) الذي يحل المشكلات ودور “المُدقق” (auditor) الذي يراجع عمل الزملاء. خلال مرحلة التدريب، يُعاقب الحلال إذا تم اكتشاف غشٍ، ويُعاقب المدقق إذا فشل في كشف الغش. وفي حال وجود خلاف بينهما، يمكن رفع القضية إلى “محاكمة” يقررها خبير بشري، ما يشبه الإجراءات القضائية. يعترف هازان بوجود خطر تواطؤ بين الوكلاء—كما يحدث أحياناً بين المدققين والشركات في الواقع—لكنّه يعتقد أن مكافآت كافية للمدققين، إلى جانب تدقيقات متكررة على المدققين (ما يُشبه “المتسوقين السريين”) يمكن أن تُقوّي النظام. إن نجاح نظرية اللعبة العكسية قد يُعيد تشكيل صناعة الذكاء الاصطناعي عبر توفير طبقة أمان قابلة للتوسع لا تعتمد على فحص البنى الداخلية للنماذج الغامضة. فهي تعد بحدٍّ من السلوكيات الخطرة مثل استخراج البيانات غير المصرح به، أو تسليح الأنظمة ذاتيًا، أو نشر محتوى ضار، دون أن تعيق الابتكار. غير أن الفرضية الأساسية—أن الوكلاء الذكائيين يتصرفون بعقلانية استجابةً للحوافز—ما زالت موضع نقاش، خاصةً بعد أن أظهر تصميم الآلية نتائج مختلطة مع البشر. لذا سيتطلب الأمر بحوثاً إضافية لاختبار هذه الحوافز عبر مجموعات نماذج متنوعة وسيناريوهات تطبيقية. الخطوة القادمة، بحسب المؤلفين، هي تجربة هذه الآليات على نماذج لغوية ضخمة وأنظمة متعددة الوسائط، مع قياس ليس فقط مدى الالتزام بل أيضاً القدرة على الصمود أمام محاولات التلاعب الاستراتيجي. إذا أكدت التجارب صحة التوقعات، قد تصبح نظرية اللعبة العكسية ركيزة أساسية لحوكمة الذكاء الاصطناعي، جسرًا عمليًا بين النظرية الاقتصادية والحاجة الملحة إلى ذكاء اصطناعي موثوق.