خمسة آلاف ساعة لعب ومليون استدعاء: معيار جديد يختبر تخطيط الذكاء الاصطناعي في بيئات تفاعلية

تكشف ورقة بحثية جديدة عن تطوير منظومة «جيم هورايزون» (GameHorizon Suite)، وهي منصة موحدة للبيانات والتقييم تهدف إلى قياس قدرات نماذج الذكاء الاصطناعي على خوض ألعاب الفيديو عبر آفاق زمنية متعددة. تأتي هذه الخطوة لمعالجة أوجه القصور الهيكلية في معايير التقييم الحالية، التي ظلت إما مقتصرة على ألعاب محدودة النطاق، أو مجردة من التعليمات اللغوية الموجهة، أو معتمدة على جولات لعب تفاعلية ذات تشتت إحصائي واسع يعيق التكرار العلمي المنضبط.

تنطلق المنظومة من حقيقة أن ألعاب الفيديو الحديثة باتت تشكل بيئة تجريبية نموذجية وقابلة للقياس لاختبار قدرات النماذج التوليدية والوكيلة، إذ تدمج في آن واحد بين الفهم البصري للمشاهد، وتفكيك التعليمات المعقدة إلى خطوات فرعية، والتخطيط الاستراتيجي للأهداف، فضلًا عن دقة التحكم الحركي عبر مسارات زمنية متباينة الطول. تؤسس المنظومة لبنية ثلاثية متكاملة تجمع بين أدوات التعليق التوضيحي المؤتمتة وقواعد البيانات ومنصات الاختبار المقارن، بهدف توفير مسطرة قياس معيارية تتجاوز التقييمات الجزئية المعتادة.

تعتمد المنظومة في بنيتها على ثلاثة مسارات مترابطة: المسار الأول هو «جيم هورايزون أنوتيتور»، وهو خط عمل مؤتمت وقابل للتوسع لإنتاج التعليقات التوضيحية للتعليمات متعددة الآفاق. والمسار الثاني يمثله «جيم هورايزون داتا»، بوصفه أول قاعدة بيانات واسعة النطاق مخصصة لألعاب الإنتاج الضخم، حيث تضم خمسة آلاف ساعة من التسجيلات المأخوذة من إحدى وعشرين لعبة شهيرة، تولى جمعها مئة لاعب بشري من المحترفين، مع ربط دقيق ومتزامن بين مقاطع الفيديو وإجراءات اللاعبين الحركية والأوامر اللغوية. أما المسار الثالث، «جيم هورايزون بنش»، فيتيح تقييمًا مزدوجًا عبر مسار غير متصل بالإنترنت يستخدم آلاف الأسئلة المعيارية المصنفة ضمن ثلاث مهام رئيسية واختبارات تشخيصية بديلة، ومسار مباشر يختبر مطابقة النتائج النظرية للأداء الواقعي ويحدد بدقة الخطوات التي تفشل فيها النماذج أثناء اللعب طويل المدى.

تكشف نتائج اختبار سبعة وأربعين نموذجًا عبر أكثر من مليون استدعاء عن تباين جذري في قدرات الاستجابة والتخطيط المستمر. فقد أظهر التقييم تدرجًا واضحًا في صعوبة المهام وفروقًا جوهرية بين العائلات البرمجية للنماذج، مع التزام الباحثين بإتاحة قاعدة البيانات وأدوات التقييم كاملة للمجتمع العلمي لدفع الأبحاث المستقبلية إلى الأمام.

يرسم هذا العمل تحولًا حاسمًا في طريقة اختبار الوكلاء الرقميين، وينقل التركيز من اختبارات المحادثة والاستنتاج النصي الساكن إلى قدرات الفعل والتحكم في بيئات ديناميكية معقدة. وبالنسبة للمطورين وفرق هندسة الذكاء الاصطناعي في المنطقة، ولا سيما في السعودية والإمارات مع تنامي الاستثمارات الإقليمية في صناعة الألعاب الرقمية وتطوير الوكلاء الذاتيين، فإن توفر بيئات تقييم معيارية ومفتوحة يوفر على الشركات الناشئة ومختبرات الأبحاث تكاليف باهظة كانت تُنفق على بناء أدوات تقييم داخلية معزولة. كما يفرض هذا النهج تدريب الكفاءات التقنية المحلية على آليات حصر الأعطال المرحلية، وتطوير نماذج قادرة على التخطيط عبر آفاق ممتدة زمنيًا بدل الاكتفاء بالردود اللحظية، وهو ما يحدد الفارق الحقيقي بين نموذج تجريبي ووكيل رقمي موثوق وقابل للتطبيق التجاري في بيئات العمل الحقيقية.