الهندسة التحليلية — حجر العثرة غير المعلن للذكاء الاصطناعي
تمكنت النماذج الحديثة بشكل جيد من حل المسائل الهندسية التي تظهر فيها الأشكال مرسومة بالفعل في المخطط. لكن الوضع أكثر تعقيدًا مع الهندسة التحليلية: هنا تُعرَّف الأجسام من خلال المعادلات والإحداثيات وشروط التماس أو التقاطع. لتدريب مثل هذه الأنظمة، نحتاج إلى أمثلة موسومة — مسألة، نص، رسم دقيق، وإجابة. وهنا تكمن المشكلة الكبرى: المجموعات الجاهزة شبه معدومة، والحصول عليها تلقائيًا أمر بالغ الصعوبة.
لماذا لا يمكن ببساطة توليد الصور من قالب؟ يتبيّن أن منشئات المسائل التقليدية تعمل فقط مع سيناريوهات محددة بدقة. بمجرد ظهور قيد مثل «دائرة تمسّ قطعًا مكافئًا عند نقطة ذات إحداثيات صحيحة»، ينهار القالب. أما الشبكات العصبية التوليدية، فهي قادرة على رسم مخططات معقولة، لكنها لا تضمن الدقة الرياضية: فقد تتقاطع المنحنيات في غير الموضع المطلوب، وقد يكون التماس مجرد تماس بصري.
نحن بحاجة إلى نهج يبني المخطط من البداية وفق قواعد شكلية، وليس وفق «صورة نمطية» من الإنترنت.
كيف يعمل الإطار: من الشرط إلى رسم دقيق
اقترح الباحثون FormalAnalyticGeo — خط أنابيب آلي بالكامل يدمج الشبكات العصبية مع التحقق الرمزي. بدلًا من الوثوق بالنماذج التوليدية في بناء الرسم، يترجم النظام المسألة إلى وصف شكلي وسيط ثم يعرض المخطط بعد ذلك فقط. هذا يسمح بإبقاء الدقة الهندسية تحت السيطرة طوال مسار العمل.
CDL وSDF: جسر بين النص والرسم
الفكرة المركزية هي لغة وصف الشروط CDL (Condition Description Language). إنها تمثيل وسيط يضطلع بدورين: فهو ينظّم شروط المسألة المعاد صياغتها كنص حر، وفي الوقت نفسه يحتوي على جميع البيانات اللازمة للرسم. هذا الصيغة أكثر مرونة بكثير من القوالب البارامترية التقليدية: يمكن التعبير فيها عن تركيبات عشوائية من النقاط والخطوط والمقاطع المخروطية.
يتم الرسم بواسطة محرك يعمل بتقنية حقل المسافة المُشار إليه (Signed Distance Field). يوصف كل جسم بدالة للمسافة إلى حدوده — منطقة موجبة من الخارج، وسالبة من الداخل. بفضل هذا، يسهل حساب المواضع النسبية للأجسام: التقاطعات، التماسات، انتماء نقطة إلى منحنى. إن SDF هو ما يمنح تلك الدقة الرياضية التي تفتقر إليها الأساليب التوليدية التقليدية.
أربعة مكونات: التوليد، الصياغة، القياس، والتحكم
داخل الإطار تعمل أربعة مكونات LLM متخصصة، لكل منها وظيفته:
- المولّد (Generator) — يبتكر شرط المسألة، مختارًا البارامترات والحبكة الهندسية.
- المُصيغ (Formalizer) — يترجم النص إلى CDL، أي يحوّل الصياغة الحرة إلى بنية شكلية يفهمها المحرك.
- القائم بالقياس (Measurer) — يحلل المخطط المحسوب بالفعل و«يقيس» منه الإجابة المرجعية، محاكيًا تصرف الإنسان.
- المدقق الجودي (Quality Verifier) — يتحقق من الجودة في كل خطوة من الخطوات الثلاث السابقة: صحة النص، والصلاحية الشكلية لـCDL، واتساق الإجابة مع الرسم.
المدقق الجودي لا يكتفي برفض الأمثلة الرديئة. فهو يشكّل تغذية راجعة منظمة ويعيد توجيه خط الأنابيب لإعادة تنفيذ الخطوة المطلوبة. هكذا تُنشأ حلقة مغلقة لا يشارك فيها أي إنسان: تُصحح الأخطاء تلقائيًا حتى يجتاز النتيجة جميع الفحوصات.
AnalyticGeo7K: اختبار على بيانات حقيقية
للتحقق من الإطار عمليًا، جمع المؤلفون ونقّوا مجموعة بيانات AnalyticGeo7K. ضمّت أكثر من سبعة آلاف مسألة، في كل منها أربعة عناصر متسقة: الشرط، المخطط، التعليق الشكلي، والإجابة. هذا التعقيد كان مفقودًا في مجموعات البيانات السابقة.
النتائج تبدو واعدة. متوسط الخطأ النسبي للإجابات المرجعية التي حُصل عليها بالقياس البصري للمخططات بلغ حوالي 0.7%. وإذا سمحنا بهامش خطأ يصل إلى خمسة بالمئة من الحل الرمزي الدقيق، فإن 82.3% من جميع الإجابات المولّدة تقع ضمن هذا النطاق. هذا يعني أن خط الأنابيب الآلي قادر على إنتاج مسائل صحيحة فعلًا بمخططات دقيقة، وليس مجرد مسائل معقولة.
الخطوات القادمة
يخطط المؤلفون لإتاحة الإطار نفسه ومجموعة البيانات للاستخدام العام. هذا يفتح آفاقًا مثيرة: سيتمكن المدرسون من الحصول بسرعة على عدد غير محدود من المسائل الجديدة برسوم توضيحية دقيقة، وسيتمكن الباحثون من استخدام بيانات جديدة لتدريب النماذج على التفكير الرياضي. علاوة على ذلك، من المرجح أن تُنقل البنية إلى أقسام أخرى من الهندسة أو حتى تخصصات مجاورة حيث تكون العلاقة الصارمة بين النص والصيغة والصورة مهمة.
في الوقت الحالي، يُظهر FormalAnalyticGeo الأمر الجوهري: الجمع بين التوليد العصبي والتحقق الشكلي يتيح الحصول على بيانات متعددة الوسائط عالية الجودة دون عمل يدوي، ومن المرجح أن يصبح هذا المبدأ معيارًا لمولّدي المواد التعليمية في المستقبل.
