الإجاباتمنشور19 المصادر
دليل ألعاب يكتبه الذكاء الاصطناعي لنفسه: سرّ إنجاز Memento 3
وفق النتائج المنشورة، أكمل Memento 3 الألعاب العامة الـ25 ومستوياتها الـ183 في 7,518 خطوة، مقارنةً بـ17,135 خطوة للبشر، وحقق درجة RHAE بلغت 100.[8][27] بدل تعديل أوزان نموذج اللغة، أنشأ النظام دفتر قواعد قابلًا للمراجعة وبرنامجًا يحاكي آليات اللعبة، ثم استخدم المحاكاة للتخطيط.[1][5][6] تعني «التحسين الذاتي» هنا تحدي...
نشر بواسطةتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث
الوجبات السريعة الرئيسية
- وفق النتائج المنشورة، أكمل Memento 3 الألعاب العامة الـ25 ومستوياتها الـ183 في 7,518 خطوة، مقارنةً بـ17,135 خطوة للبشر، وحقق درجة RHAE بلغت 100.[8][27]
- بدل تعديل أوزان نموذج اللغة، أنشأ النظام دفتر قواعد قابلًا للمراجعة وبرنامجًا يحاكي آليات اللعبة، ثم استخدم المحاكاة للتخطيط.[1][5][6]
- تعني «التحسين الذاتي» هنا تحديث الذاكرة والبرامج الخارجية، لا إعادة تدريب النموذج الأساسي.[1][6]
- النتيجة تخص مجموعة الألعاب العامة؛ ولا تثبت وحدها الأداء نفسه في ألعاب مخفية أو بيئات واقعية متغيرة.[7][27]
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Memento 3, developed by Huawei Noah’s Ark Lab, University College London and partners, clear all 25 games and 183 levels of the ARC. Article summary: Memento 3’s reported gain came from changing the agent’s external memory and planning machinery—not the language model’s weights: it repeatedly wrote, tested and revised a rulebook and executable simulator, then used tha. Topic tags: general web, llm, ai, workflow, productivity. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts
إنجاز في عدد الخطوات، لا في تدريب النموذج
تضع مجموعة ARC-AGI-3 العامة الوكيل أمام ألعاب تفاعلية غير مألوفة، من دون شرح مسبق لقواعدها أو أهدافها أو طريقة التحكم فيها. ووفق النتائج المنشورة، اجتاز Memento 3 الألعاب الـ25 ومستوياتها الـ183 في 7,518 خطوة، مقابل 17,135 خطوة للبشر. أي إنه استخدم نحو 44% من عدد خطواتهم، وحقق الحد الأعلى المسجل، وهو 100 في مقياس الكفاءة النسبية للخطوات البشرية (RHAE).7
8
27
طوّر النظام باحثون من مختبر هواوي نوح وجامعة كوليدج لندن (UCL) وشركاء. لكن الإنجاز لا يعني أن النموذج اللغوي نفسه تعلّم من جديد أثناء اللعب: إذ شغّل النظام Claude Opus 5 من دون تحديث أوزانه أو ضبطه خصيصًا لكل لعبة.8
10
13
وتشير تقارير إلى أن Claude Opus 5 سجّل نحو 40.7 في RHAE ضمن إطار التقييم الرسمي نفسه، مقابل 100 مع بنية Memento 3.10
14 لكن هذا لا يعزل أثر كل جزء من أجزاء النظام، ولا يكفي وحده لإثبات أن التحسن ناتج عن عامل واحد دون سواه.
«الشفرة بوصفها نموذجًا»
جوهر النهج، الذي تصفه الورقة بأنه «الشفرة بوصفها نموذجًا»، هو أن يبني الوكيل تمثيلًا واضحًا لما يجري داخل اللعبة، بدل أن يعتمد على التخمين من صورة إلى أخرى فقط.1
5
6
يتكوّن هذا التمثيل من أداتين:
- دفتر قواعد: ملف نصي بصيغة Markdown يسجّل ما توصل إليه النظام عن الأجسام، ومعاني الأفعال، وآليات اللعبة. ويمكنه أن يترك القواعد التي لم يفهمها معلّقة بدل التعامل معها كحقائق مؤكدة.
1
7
- نموذج عالم قابل للتنفيذ: يحوّل الوكيل القواعد إلى شيفرة Python تمثل نسخة مبسطة من اللعبة، ليستخدمها في توقّع النتائج والتخطيط للخطوات.
5
14
بعد ذلك يتبع النظام حلقة متكررة: يلاحظ ما يحدث، ويراجع فرضياته، ويعدّل القواعد، ثم يحدّث الشيفرة ويتحقق منها.1
5 فإذا اختلفت نتيجة المحاكاة عما حدث فعلًا، أصبحت هذه الفجوة إشارة إلى أن فهمه للعبة يحتاج إلى تصحيح.
في أحد الأمثلة، تعلّم النظام أن المرور فوق منصة يدير الشارة التي يحملها 90 درجة باتجاه عقارب الساعة.5 وتُظهر الفكرة كيف تتحول ملاحظة صغيرة إلى قاعدة مكتوبة ثم إلى تنبؤ يمكن للبرنامج استخدامه قبل تنفيذ الحركة.
كما تتيح إدارة التغييرات عبر Git الرجوع إلى سجل تعديل القواعد والشيفرة واستعادة نسخة سابقة إذا اتضح أن تعديلًا ما كان خاطئًا.14 لذا فـ«التحسين الذاتي» هنا يعني مراجعة المعرفة والبرامج خارج النموذج، بينما تظل أوزان نموذج اللغة ثابتة.
1
6
ماذا عن تجارب Pong؟
بحسب مقتطف الورقة البحثية، تعلّم النظام متحكمًا للعبة Pong، ثم فاز في كل واحدة من ثلاث جولات جرى تقييمها بنتيجة 21–0، مع بدايات مختلفة ومن دون استدعاءات إضافية لنموذج اللغة أثناء اللعب.1 وهذا يدعم فكرة أن المعرفة التي جُمعت يمكن تحويلها إلى متحكم تنفيذي يعمل بعد انتهاء مرحلة الاستكشاف.
لكن هذه النتيجة تخص التجارب المذكورة، ولا تكفي وحدها لإثبات أن المتحكم سينجح في ألعاب أخرى أو في ظروف مختلفة.
ما الذي تثبته النتيجة، وما الذي لا تثبته؟
النتيجة اللافتة هي إتمام مجموعة ARC-AGI-3 العامة بكفاءة عالية باستخدام نموذج لغة ثابت وأدوات خارجية لتسجيل القواعد والتخطيط. لكنها لا تثبت أن النظام سيحقق أداءً مماثلًا على ألعاب التقييم المخفية؛ فالمتاح هنا يوثق اجتياز المجموعة العامة فقط.7
27
كذلك، لا يعني انخفاض عدد خطوات اللعبة بالضرورة انخفاض التكلفة الإجمالية أو زمن التنفيذ أو عدد الرموز المستخدمة. ولا تكفي المعلومات المتاحة هنا لتحديد هذه الجوانب أو قياسها.
باختصار، يقدّم Memento 3 أسلوبًا واعدًا للتعلم الصريح لآليات العالم والتخطيط عبر محاكاة قابلة للتنفيذ. أما تعميمه على بيئات واقعية صاخبة أو متغيرة، فما زال سؤالًا مفتوحًا.1
7
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "دليل ألعاب يكتبه الذكاء الاصطناعي لنفسه: سرّ إنجاز Memento 3"؟
وفق النتائج المنشورة، أكمل Memento 3 الألعاب العامة الـ25 ومستوياتها الـ183 في 7,518 خطوة، مقارنةً بـ17,135 خطوة للبشر، وحقق درجة RHAE بلغت 100.[8][27]
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
وفق النتائج المنشورة، أكمل Memento 3 الألعاب العامة الـ25 ومستوياتها الـ183 في 7,518 خطوة، مقارنةً بـ17,135 خطوة للبشر، وحقق درجة RHAE بلغت 100.[8][27] بدل تعديل أوزان نموذج اللغة، أنشأ النظام دفتر قواعد قابلًا للمراجعة وبرنامجًا يحاكي آليات اللعبة، ثم استخدم المحاكاة للتخطيط.[1][5][6]
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
تعني «التحسين الذاتي» هنا تحديث الذاكرة والبرامج الخارجية، لا إعادة تدريب النموذج الأساسي.[1][6]
المصادر
cctest.aiHow Memento 3 Used World Models to Beat 25 Games - CCTest
x.comHuawei Noah's Ark Lab's Memento 3 Agent Clears All 25 ARC-AGI-3 Public Games With a Frozen Model
aiweekly.coMemento 3 Posts 100.0 RHAE on ARC-AGI-3 With Frozen LLM Rulebook
qbitai.com