الحاجز النظري للوكلاء العصبيين-الرمزيين
الوكلاء الحديثون في مجال الذكاء الاصطناعي، المبنيون على مبادئ عصبية-رمزية، يستخدمون بشكل متزايد البنية التحتية للبحث كذاكرة خارجية. سلسلة الاستدلال في هذه الحالة لا تُجمَّع في مجموعة بسيطة من الكلمات المفتاحية، بل في استعلامات منطقية (بولينية) متداخلة بعمق مع نفي وتفرعات. تبدو هذه الاستعلامات طبيعية للمبرمج، لكنها بالنسبة لفهرس مقلوب تقليدي تمثل تحدياً كبيراً.
تُظهر نسخة أولية حديثة من أمير أفاني على arXiv (2601.18747، آخر إصدار بتاريخ 17 أغسطس 2026) أن المشكلة ليست في كسل مطوري محركات البحث. يقوم المؤلف بصياغة لغة الاستعلامات L_R، الممثلة كرسم بياني موجّه غير دائري، ويثبت بدقة: أن تقييم مثل هذا الاستعلام على الفهرس هو مسألة P-كاملة. بعبارة أخرى، في الحالة العامة، من غير المرجح أن تتمكن من موازاة هذه العملية بكفاءة عبر نوى متعددة — إلا إذا تبين أن الصفين P و NC متساويان، وهو ما يعتبره معظم المنظرين أمراً بالغ الاستبعاد.
ينتمي العمل إلى عدة مجالات في آن واحد — استرجاع المعلومات، الذكاء الاصطناعي، نظرية التعقيد، معالجة اللغة الطبيعية، وقواعد البيانات. هذا ليس مصادفة: فالمشكلة تقع عند تقاطع الذكاء الاصطناعي وتقنيات البحث الكلاسيكية.
نهجان تقليديان ونقاط ضعفهما
عند تنفيذ استعلام على فهرس مقلوب، تُستخدم عادةً واحدة من استراتيجيتين: المعالجة التكرارية حسب المستندات (Document-at-a-Time) أو إضفاء الطابع المادي على القوائم الوسيطة حسب المصطلحات (Term-at-a-Time). لكل منهما "هيكل في الخزانة".
- Document-at-a-Time يعتمد على مكررات ذات حالة تتقدم عبر قوائم المستندات المرتبة. يتبين أن هذه المكررات محدودة هيكلياً بفئة المخططات NC¹. إذا وُجدت في منطق الاستعلام فروع متقاربة — أي عدة مسارات في الرسم البياني تلتقي عند عقدة واحدة — فإن التفكيك الساذج لهذه الفروع إلى شجرة يؤدي إلى انفجار أسي: يصل التعقيد في أسوأ الحالات إلى O(2^{|Q|})، حيث |Q| هو حجم الاستعلام.
- Term-at-a-Time يحاول حل المشكلة بطريقة مختلفة: كل عقدة استعلام تُضفى عليها الصفة المادية كقائمة مستندات. لكن لحساب النفي المنطقي، يضطر هذا النهج إلى معرفة كامل عالم المستندات |U| ليفهم أي المستندات ليست ضمن النتيجة. ينشأ عن ذلك تكلفة إضافية Ω(|U|) — ما يسمى بالمسح الشامل. مع المجموعات الكبيرة،这意味着 عملياً فحص قاعدة البيانات بأكملها من أجل "لا" واحدة.
وهكذا، يتعامل كل من الأسلوبين الكلاسيكيين مع دوره المحدود، لكنهما على استعلامات DAG غير الرتيبة يصطدمان إما بالوقت أو بالمساحة. حتى وقت قريب، كان يُعتقد أن هذا ثمن حتمي للتعبيرية.
خوارزمية ComputePN
يقترح أمير أفاني مناورة التفافية — خوارزمية حتمية باسم ComputePN، مصممة خصيصاً للبيانات المتناثرة. الفكرة الأساسية هي فصل النفي المنطقي عن إضفاء الصفة المادية على كامل العالم. بدلاً من بناء قائمة كاملة بـ"جميع المستندات غير الموجودة"، يستخدم ComputePN تمثيلاً مزدوجاً لكل عقدة: زوج "إيجابي-سلبي" يخزن ما هو ضمن النتيجة وما هو مضمون عدم وجوده فيها.
يسمح هذا النهج بمراعاة المستندات النشطة فقط — تلك التي تشارك فعلياً في العمليات الحسابية. يتم حفظ النتائج الوسيطة (memoization) مباشرة على رسم الاستعلام البياني، لذلك لا تُعاد حسابات نفس التعبيرات الفرعية عدة مرات. يُقدَّر التعقيد النهائي بـ O(|Q| · |U_active|)، حيث U_active هي مجموعة المستندات المتأثرة، وليس كامل العالم.
عملياً، هذا يعني أن الحالات الثقيلة التي تتضمن نفياً وفروعاً متقاربة تتوقف عن كونها قاتلة. إذا كانت المجموعة الحقيقية كبيرة، لكن الاستعلام يمس جزءاً صغيراً منها فقط، يبقى ComputePN فعالاً.
ماذا يعني هذا لمحركات البحث والذكاء الاصطناعي
الاستنتاج الرئيسي للعمل ليس أن تسريع اجتياز الفهرس المقلوب مستحيل جوهرياً. بل على العكس: يوضح المؤلف كيف يمكن حساب الاستعلامات P-الكاملة بشكل أصلي، متجنباً المأزقين الرئيسيين — التفكيك التوافقي للشجرة ومسح جميع المستندات من أجل النفي.
بالنسبة للأنظمة الهجينة العصبية-الرمزية، هذه إشارة مهمة. وكلاء LLM يولّدون استعلامات متزايدة التعقيد، ويجب أن يكون الخلفي للبحث قادراً على خدمتها دون تدهور كارثي. تبقى P-الاكتمال النظري تحذيراً لمطوري البنى المتوازية، لكن ComputePN يُظهر أن تنفيذاً هندسياً مدروساً يمكنه تجاوز السيناريوهات الأسوأ.
ومع ذلك، قبل ظهور الخوارزمية في أنظمة الإنتاج، لا يزال هناك الكثير من العمل. يتطلب المخطط المقترح معالجة دقيقة للتمثيلات المزدوجة والحفظ الوسيط (memoization) على مستوى محرك بحث حقيقي. لكن حقيقة أن المسألة حصلت أخيراً على أساس نظري صارم — أمر مهم بحد ذاته: الآن يعرف المطورون على الأقل أي تعقيد يتعاملون معه وما هي التقنيات التي تساعد فعلاً.
