مقدمة: لماذا تحتاج محاكاة المدن إلى سلوك بشري
تخيل أنك تستطيع "إعادة تمثيل" مستقبل مدينة: كيف سيتغير الازدحام المروري إذا أُغلقت улиعة مركزية، أو كيف سيتصرف الناس عند إخلاء حي بأكمله. لهذا تحديدًا تُستخدم محاكاة المدن — فهي تساعد في اتخاذ القرارات في سياسات النقل، وتقييم المخاطر، ودراسة العمليات الاجتماعية دون المساس بالحياة الواقعية. لكن لفترة طويلة، كانت هذه النماذج إما بسيطة جدًا بحيث لا تلتقط التعقيد الكامل للسلوك البشري، أو كانت تعتمد على سيناريوهات جامدة سرعان ما تصبح قديمة.
مع تطور النماذج اللغوية الكبيرة (LLM)، ظهرت إمكانية إنشاء وكلاء يخططون ليومهم: يذهبون إلى العمل، إلى المتاجر، إلى الاجتماعات — ويفعلون ذلك على نطاق مدينة بأكملها. تبدو هذه المحاكاة واقعية، لكنها تحمل عيبًا خفيًا. النهج القياسي يعتمد على التنبيه بعدة أمثلة (few-shot prompting): تُعرض على النموذج عدة أمثلة ويُطلب منه التصرف بطريقة مشابهة. ونتيجة لذلك، يعيد الوكلاء إنتاج ليس العادات الحقيقية للسكان، بل تمثيلًا "متوسطًا" للسلوك مدمجًا في النموذج اللغوي نفسه. هذا أشبه بسؤال شخص لم يزر مدينتك يومًا عن كيف يعيش السكان المحليون — سيجيب بعبارات عامة، في أفضل الأحوال من كتاب علم اجتماع.
كيف يعمل CityReal
لتجاوز هذه الفجوة بين السلوك "النمطي" و"الحقيقي"، اقترحت مجموعة من الباحثين — Nicolas Bougie وXiaotong Ye وNarimasa Watanabe — إطار عمل CityReal. فكرته الأساسية هي أن الوكلاء المُحاكين لا يتصرفون وفق قالب جاهز، بل يتخذون قرارات مثل البشر الحقيقيين، مسترشدين بالنوايا.
بدلًا من الإجراءات المتدرجة التي تُنسّق ببساطة فوق بعضها البعض، يبني وكيل CityReal خطة متماسكة لنشاطه وتنقله. فهو لا يقوم بإجراء منفصل "الذهاب إلى المقهى" في فراغ: هذه الزيارة مدمجة في جدوله الأوسع لليوم والأسبوع وحتى أهدافه الشهرية. هذا النهج أقرب بكثير إلى السلوك البشري الحقيقي، حيث يخطط الشخص لأموره ويبحث عن حلول وسط بين الوقت والمسارات والأولويات.
البنية المعيارية والنوايا
يتكون كل وكيل في CityReal من عدة وحدات مسؤولة عن جوانب مختلفة من السلوك: لوجستيات المسارات، اختيار الأنشطة، إدارة الوقت، والتفاعل مع الوكلاء الآخرين. كل هذه الوحدات تخضع لكتلة نوايا مركزية تنسق القرارات. بفضل هذا، لا يعمل الوكيل كمجموعة وظائف متفرقة، بل كشخصية متكاملة بعاداتها وتفضيلاتها.
بمرور الوقت، يتعلم الوكلاء. يتكيفون مع القيود — مثل ساعات عمل المتاجر أو جداول النقل العام — ويشكلون تدريجيًا مسارات وروتينات ثابتة. هذا يجعل سلوكهم ليس مجرد سلوك معقول، بل سلوكًا ناشئًا حقًا: من قواعد بسيطة وتعلم، تنشأ أنماط معقدة لم يضعها المطورون مباشرة.
المحولات النصية والإحصاءات السكانية
لكن الأكثر إثارة للاهتمام هو الآلية التي تربط سلوك الوكلاء بالإحصاءات السكانية الحقيقية. لهذا الغرض، يستخدم CityReal محولات نصية. وهي مكونات قابلة للتعلم بشكل خاص "تضبط" الوحدات السلوكية وفقًا للبيانات المرصودة. على سبيل المثال، إذا كانت الإحصاءات تشير إلى أن سكان المدينة يقضون عادة حوالي 40 دقيقة في الطريق إلى العمل، فستصحح المحولات اختيار المسارات وأوقات الخروج بحيث يتوافق ذلك مع التوزيع الفعلي.
بهذه الطريقة، لا يقلد الوكلاء سلوك "الشخص العادي" فحسب، بل يعيدون إنتاج الأنماط الإحصائية لمجموعة سكانية محددة: شخص ما يركب الدراجة، وآخر يفضل النقل العام، وآخر لديه جدول عمل غير تقليدي. بفضل المحولات تحديدًا، يصبح المحاكاة متسقة مع البيانات على مستوى المدينة بأكملها، وليس فقط الأفراد المنفردين.
التجارب والنتائج
أجرى الباحثون تجارب مع CityReal، موسّعين المحاكاة إلى عشرات الآلاف من الوكلاء. هذا كافٍ لتحليل ليس فقط المسارات الفردية، بل أيضًا الظواهر الحضرية: كثافة الحشود، شعبية الأماكن، التدفقات الحركية، وحتى مستوى رفاهية الوكلاء في سيناريوهات مختلفة. على سبيل المثال، يمكن محاكاة ساعة الذروة الصباحية أو حدث جماهيري ومعرفة كيف يتغير الضغط على البنية التحتية.
أظهرت النتائج أن CityReal يحسّن بشكل كبير الاتساق مع السلوك البشري الحقيقي مقارنة بالوكلاء الكلاسيكيين القائمين على LLM. على المستوى الجزئي — دقة القرارات الفردية: إلى أين تذهب، بأي طريق، في أي وقت. على المستوى الكلي — تطابق الأنماط العامة: في أي ساعات تمتلئ وسط المدينة، إلى أين تتجه التدفقات الرئيسية، أي الأحياء تصبح "نقاط اختناق".
علاوة على ذلك، التحسن ملحوظ ليس فقط بصريًا، بل أيضًا في المقاييس الكمية التي استخدمها المؤلفون. هذا يعني أن المحاكاة يمكن استخدامها للتنبؤ — على سبيل المثال، لتقييم عواقب تغيير مخطط النقل أو تخطيط الأحداث. كلما كان النموذج أدق في عكس السلوك الحقيقي، كلما كانت الاستنتاجات المبنية عليه أكثر موثوقية.
ما الفائدة العملية من ذلك
يؤكد مبتكرو الإطار أن CityReal ليس مجرد محاكاة أخرى، بل منصة اختبار قابلة للتوسع للتخطيط الحضري والتنبؤ. يمكن أن يكون مفيدًا لمخططي المدن، ومخططي النقل، ومتخصصي السلامة المرورية، والباحثين في العلوم الاجتماعية.
تخيل: تريد أن تفهم كيف سيؤثر بناء جسر جديد على وقت تنقل السكان. بدلًا من الاعتماد على تقديرات تقريبية، تشغّل محاكاة بعشرات الآلاف من الوكلاء الذين يتصرفون مثل البشر الحقيقيين — بعاداتهم وتفضيلاتهم وردود أفعالهم تجاه التغييرات. أو تحتاج إلى تخطيط إخلاء في حالة طوارئ: يتيح لك CityReal محاكاة تدفقات الأشخاص ونقاط الاختناق والوقت اللازم للإخلاء الآمن للسكان.
المهم أن العمل مع CityReal لا يتطلب كتابة قواعد يدويًا لكل وكيل. يكفي تحديد البنية وتحميل إحصاءات السكان الحقيقية — ثم يتعلم الوكلاء أنفسهم التصرف وفقًا لذلك. هذا يبسط بشكل كبير تكييف النموذج مع مدينة أو سيناريو جديد.
تجدر الإشارة إلى أن العمل نُشر على arXiv في 8 يوليو 2026، ويقع ضمن عدة فئات في وقت واحد: physics.soc-ph وcs.AI وcs.MA. هذا المزيج يبرز الطابع متعدد التخصصات للبحث — عند تقاطع فيزياء النظم الاجتماعية، والذكاء الاصطناعي، والنمذجة متعددة الوكلاء.
CityReal هو خطوة نحو محاكاة تعكس حقًا حياة المدينة، وليس الأفكار النمطية عنها. ربما قريبًا ستصبح هذه النماذج أداة قياسية لأولئك الذين يتخذون قرارات بشأن مستقبل مدننا.
