فقدت Southwest Airlines تتبّع طيّاريها. حينها أدركت أن روبوتات الدردشة لن تُنقذ الخدمات اللوجستية.

المكالمة الهاتفية التي غيّرت طريقة تفكيري في الذكاء الاصطناعي لم تكن من عميل ولا من مستثمر. كانت من صديق — طيّار — أمضى عيد الميلاد عام 2022 نائماً على أرضية مطار دنفر الدولي.

لم يكن عالقاً بسبب الطقس. فقد انقشعت العاصفة. كان عالقاً لأن شركة Southwest Airlines فقدت حرفياً تتبّع مكان وجوده. فنظام جدولة أطقم الطيران لدى الشركة — وهو أداة تحسين قديمة تُدعى SkySolver — كان يحسب خطط التعافي بناءً على مواقع أطقم عفا عليها الزمن بساعات. كان يولّد جداول لشركة طيران وهمية. اتصل صديقي بالخط الساخن للجدولة وانتظر على الخط ثماني ساعات. وحين ردّ عليه أحدهم أخيراً، كان الجدول الذي حسبوه للتو قد أصبح خاطئاً من جديد.

في ذلك الأسبوع، ألغت Southwest أكثر من 16,900 رحلة. وعلق مليونا مسافر. وخسرت الشركة أكثر من مليار دولار. وإليكم الجزء الذي ظل يطاردني: كل شركة طيران أمريكية كبرى أخرى واجهت العاصفة نفسها، والمدارج المتجمدة نفسها، ونقص الموظفين نفسه. United وDelta وAmerican — تعافت جميعها خلال 48 ساعة. أما Southwest فتدهورت لأسبوع كامل.

ظللت أعود إلى سؤال واحد: لماذا انهار برنامج شركة طيران واحدة بينما انحنت البقية وتعافت؟ الإجابة، كما اكتشفت، لا علاقة لها بالطقس على الإطلاق، بل كل علاقتها بكيفية بنائنا للأدمغة الحاسوبية للعمليات المعقدة على مدى الثلاثين عاماً الماضية. هذا الإدراك هو ما قادني إلى تأسيس Veriprajna — وإلى كتابة هذه الورقة البحثية التي تعرض الحجة التقنية الكاملة.

لكن النسخة المختصرة هي كالتالي: لقد كنا نُحسّن الخدمات اللوجستية من أجل الكفاءة في عالم لم يعد يكافئ الكفاءة. كنا نبني أنظمة تجد أرخص إجابة لسؤال معروف، في حين أن ما نحتاجه فعلاً هو أنظمة تجد إجابة قابلة للنجاة لسؤال مجهول.

الطوبولوجيا التي قتلت عيد الميلاد

لكي تفهم لماذا انهارت Southwest، تحتاج إلى فهم مفهوم من نظرية الرسوم البيانية — وأعدك أنه أكثر إثارة للاهتمام مما يبدو.

تُشغّل Delta وUnited وAmerican شبكات محورية-شعاعية. فالرحلات تنطلق من محاور مركزية مثل أتلانتا أو نيوارك. فإذا ضربت عاصفة الشمال الشرقي، تستطيع شركة محورية-شعاعية أن "تعزل" الضرر — تُلغي كل الرحلات المتجهة إلى نيوارك لصباح واحد، وتعيد ضبط الرسم البياني الفرعي، ثم تستأنف. الأطقم والطائرات تعود دورياً عبر المحور بشكل متكرر، مما يخلق نقاط تعافٍ طبيعية.

أما Southwest فقد ابتكرت نموذجاً مختلفاً: من نقطة إلى نقطة. تطير الطائرة وطاقمها في سلسلة خطية — من بالتيمور إلى دنفر إلى سان دييغو إلى فينيكس إلى ساكرامنتو. بارع اقتصادياً. فأنت تعتصر ساعات طيران أكثر من كل طائرة. لكن رياضياً؟ إنه بيت من ورق. فتأخّر في المرحلة الأولى لا يؤثر فقط في رحلة العودة — بل يتتالى عبر السلسلة بأكملها. الطاقم المُخصص للطيران من سان دييغو إلى فينيكس عالق في دنفر. والطائرة التي تنتظرهم في سان دييغو عالقة.

بمصطلحات نظرية الرسوم البيانية، فإن قُطر الرسم البياني للتبعيّات في شبكة من نقطة إلى نقطة أكبر بكثير منه في الشبكة المحورية-الشعاعية. ونطاق انفجار اضطراب واحد غير مُحتوى.

أتذكّر الليلة التي رسمت فيها هذا لأول مرة على سبورة بيضاء في مكتبنا. كنت أنا وفريقي نتجادل حول ما إذا كان فشل Southwest مشكلة برمجية أم مشكلة في تصميم الشبكة. أحد مهندسيّ، وقد ضاق ذرعاً بإصراري على أنه كليهما، استدعى بيانات الرحلات الفعلية وبدأ يرسم سلاسل التبعيّات. شاهدنا التتالي يتكشف عبر الخريطة. تأخّر في بالتيمور تموّج إلى دنفر، مما كسر ارتباطاً بسان دييغو، مما ترك طاقماً كان من المفترض أن يطير إلى فينيكس عالقاً، مما…

"إنها ليست سلسلة"، قال. "إنها كسر."

كان محقاً. وكان الكسر غير مرئي للبرنامج الذي كان من المفترض أن يُصلحه.

لماذا اختنق SkySolver؟

SkySolver مبني على الأسس الرياضية نفسها التي تُشغّل معظم تحسين الخدمات اللوجستية: البرمجة الخطية بالأعداد الصحيحة المختلطة وتقنية تُدعى توليد الأعمدة. هذه هي أحصنة العمل في بحوث العمليات، ذلك المجال الذي حكم كيفية تحريكنا للذرات حول العالم منذ خمسينيات القرن الماضي.

وإليك كيف يعمل بلغة بسيطة: يلتقط النظام لقطة للعالم — أين يوجد كل فرد من الطاقم، وما حالة كل طائرة — يُجمّد الزمن، ثم يحسب أرخص طريقة رياضياً لتغطية كل الرحلات. بالنسبة لشركة طيران كبرى لديها 4,000 رحلة يومياً، فإن عدد التركيبات الممكنة بين الطاقم والرحلات لا نهائي فعلياً. يتعامل توليد الأعمدة مع هذا عبر توليد تركيبات "واعدة" بشكل تكراري وتضييق نطاق البحث.

إنه أنيق. إنه قوي. ولديه افتراض قاتل مطبوع في حمضه النووي: العالم يظل ساكناً بينما يفكّر.

أثناء العمليات العادية، تكون دورة الحلّال التي تستغرق 30 إلى 60 دقيقة كافية. لكن أثناء الانهيار، كانت حالة شبكة Southwest تتغير كل بضع دقائق. لم يتمكن الطاقم من الإبلاغ عن مواقعه لأن خطوط الهاتف كانت مُثقلة. والبيانات التي تُغذّي SkySolver كانت قديمة بساعات. كان النظام يُحسّن عالماً لم يعد موجوداً.

عندما يتجاوز معدل الاضطراب سرعة المعلومات، لا يتدهور التحسين بلطف. بل ينهار.

هذا ما أسميه فجوة التحسين-التنفيذ — عدم التطابق المميت بين سرعة حساب الحلّال وسرعة تحرّك الواقع. وهو ليس حكراً على شركات الطيران. لقد رأيت نمط الفشل نفسه في الخدمات اللوجستية للموانئ، وتوزيع القطارات، وسلاسل التوريد الصناعية. الرياضيات واحدة. والهشاشة واحدة.

اللحظة التي توقفت فيها عن الإيمان بروبوتات الدردشة للخدمات اللوجستية

بعد نحو ستة أشهر من أزمة Southwest، جلست في اجتماع مع مستثمر أخبرني بثقة تامة: "فقط استخدم GPT. اضبطه بدقة على بيانات الجدولة. حُلّت المشكلة."

حاولت أن أشرح لماذا لن ينجح ذلك. فقاطعني: "لكنه يستطيع التفكير المنطقي. لقد رأيته يحل مسائل رياضية."

تلك المحادثة بلورت شيئاً كنت أجاهد للتعبير عنه. كانت الصناعة بأكملها ترتكب خطأً في التصنيف — إذ تخلط بين الطلاقة اللغوية للنماذج اللغوية الكبيرة والتفكير التشغيلي المطلوب لإدارة الأنظمة المعقدة. كان البائعون يُغرقون السوق بـ"مساعدين ذكاء اصطناعي" يضعون واجهة دردشة فوق الحلّالات القديمة. يسأل موظف التوزيع: "كيف نتعافى من جدول دنفر؟" فيترجم النموذج اللغوي ذلك إلى استدعاء واجهة برمجية للأداة المُحسِّنة المعطلة نفسها الكامنة تحته.

إنها طبقة طلاء جديدة على محرك متوقف.

وإليك المشكلة الجوهرية: النماذج اللغوية الكبيرة محركات احتمالية مصممة للتنبؤ بالرمز التالي في تسلسل. إنها تحاكي شكل التفكير المنطقي دون امتلاك نموذج للعالم. بمصطلحات العلوم المعرفية، إنها محركات ضخمة من النظام 1 — مطابقة أنماط سريعة وحدسية. أما تحسين الخدمات اللوجستية فهو مهمة من النظام 2 — تحقق بطيء ومتأنٍّ وخطوة بخطوة من القيود.

ومشكلة القيود هي حيث يصبح الأمر خطيراً. في الكتابة الإبداعية، دقة 99% ممتازة. في جدولة الأطقم، دقة 99% غير قانونية. فإذا ولّد نموذج لغوي جدولاً يُسند طياراً حصل على 7 ساعات و59 دقيقة من الراحة إلى رحلة تتطلب 8 ساعات، يصبح الجدول بأكمله باطلاً. النماذج اللغوية الكبيرة لا تتعامل بشكل طبيعي مع الطبيعة الثنائية الصارمة لقيود الجدوى. إنها تُقدّم الاتساق اللغوي على الصحة المنطقية.

روبوت الدردشة الذي يستطيع شرح جدول ليس هو نفسه الوكيل الذي يستطيع إصلاحه.

معايير الأداء على المسائل التوافيقية مثل مسألة البائع المتجول تؤكد هذا على نطاق واسع. فمع تزايد عدد العُقد، "تزور" النماذج اللغوية المدن مرتين، وتتخطى أخرى تماماً، وتفقد تتبّع الحالة على مدى التسلسلات الطويلة. لا تستطيع محاكاة المستقبلات المتفرعة أو التراجع. إنها عمياء عن أثر الفراشة — حقيقة أن قراراً صغيراً في الجدولة الآن قد يُسبب كارثة بعد ثلاثة أيام.

ما ينجح فعلاً: تعليم الذكاء الاصطناعي التفكير على شكل رسوم بيانية

إذن إذا كانت الحلّالات القديمة بطيئة جداً والنماذج اللغوية الكبيرة غير موثوقة جداً، فماذا تبني؟

هذا هو السؤال الذي أمضينا أنا وفريقي سنوات في الإجابة عنه، والبنية التي توصلنا إليها مبنية على التعلّم المعزّز على الرسوم البيانية — اندماج بين الشبكات العصبية للرسوم البيانية (لفهم طوبولوجيا الشبكة) والتعلّم المعزّز (لتعلّم سياسات القرار الديناميكية). انتقلنا من حساب جدول إلى تعلّم كيفية الجدولة.

البصيرة التي فتحت كل شيء كانت بسيطة بشكل مخادع: شبكات الخدمات اللوجستية ليست جداول بيانات. إنها رسوم بيانية. المطارات عُقد. الرحلات حواف. المستودعات عُقد. الشاحنات حواف. بُنى التعلّم الآلي التقليدية — تلك المصممة للصور أو النصوص — تعاني مع هذه البنية العلائقية. الشبكات العصبية للرسوم البيانية هي البنية الأصيلة لها.

نستخدم شبكات الانتباه على الرسوم البيانية لترميز حالة شبكة الخدمات اللوجستية بأكملها. كل كيان — طيار، طائرة، مطار — يصبح عُقدة ذات تضمين عالي الأبعاد يلتقط كلاً من الخصائص الثابتة (نوع الطائرة، مؤهلات الطاقم) والحالة الديناميكية (التأخير الحالي، حالة الصيانة، الإرهاق المتراكم). والروابط بينها تحمل معلومات عن مدة الرحلة، ومخاطر الطقس، وتعيينات الطاقم.

السحر يكمن فيما يُسمى تمرير الرسائل. فحين تُغلق عاصفة ثلجية دنفر، تُحدّث الشبكة العصبية للرسوم البيانية تضمين دنفر. ذلك التحديث يتدفق على طول كل حافة متصلة — كل رحلة قادمة، كل تعيين طاقم. الطيار في بالتيمور الذي يستعد للطيران إلى دنفر يتلقى "إشارة خطر" في تضمينه قبل أن يُقلع حتى. النظام يرى الترابط. يفهم نطاق الانفجار. هذا النوع من الوعي الطوبولوجي مستحيل في تمثيلات البيانات المسطحة الجدولية التي تستخدمها الأنظمة القديمة.

فوق طبقة إدراك الرسم البياني هذه، نُشغّل وكلاء التعلّم المعزّز. يراقب وكيل التعلّم المعزّز الحالة، ويتخذ إجراءً (تبديل طاقم، إلغاء رحلة، تأخير إقلاع، نقل طاقم دون ركاب إلى موقع جديد)، ويتلقى مكافأة. وعبر ملايين تكرارات التدريب، يتعلّم سياسة تُعظّم النتائج طويلة الأمد.

تلك العبارة — طويلة الأمد — هي كل شيء. قد تقول قاعدة إرشادية: "لا تُلغِ هذه الرحلة، فهي تخسر إيراداً." أما وكيل التعلّم المعزّز لدينا فيتعلّم: "إذا لم أُلغِ هذه الرحلة، سيعلق الطاقم في دنفر، وأخسر عشر رحلات غداً. ألغِها الآن." إنه يتعلّم التضحية الاستراتيجية من أجل النجاة المنظومية.

كيف تُدرّب ذكاءً اصطناعياً على كوارث لم تحدث بعد؟

من الواضح أنك لا تستطيع تدريب وكيل تعلّم معزّز على شركة طيران حقيقية عاملة. فالتجربة والخطأ في العالم الواقعي يكلفان الملايين ويخلقان مخاطر على السلامة. هنا يأتي دور التوأم الرقمي — ولا أعني لوحة معلومات فيها تصيير ثلاثي الأبعاد لمطار.

توائمنا الرقمية محركات انتقال حالات. نُنمذج كل طائرة بدورات صيانة خاصة بذيلها، وكل بوابة، وكل فرد من الطاقم بعدّادات إرهاق فردية وحالات تعاقدية. نُرقمن كتاب القواعد — FAA Part 117، وعقود النقابات، وأدلة الصيانة. كل انتقال حالة يُفحص مقابل هذه القواعد.

ثم نحقن الفوضى.

نستخدم مولّدات عشوائية لمحاكاة 10,000 عام من العمليات في أسبوع. نخلق عواصف عملاقة، وحالات إيقاف ميكانيكية هائلة، وإضرابات عمالية. نبدأ الوكلاء في أيام سهلة — طقس مشمس، جداول خفيفة — ثم نرفع الصعوبة تدريجياً، مُدخلين حالات فشل متتالية تجعل انهيار Southwest يبدو كإزعاج طفيف.

أتذكّر المرة الأولى التي مرّرنا فيها أزمة Southwest في ديسمبر 2022 عبر محاكينا. كنا قد بنينا نموذجاً بديلاً للحلّال القديم للمقارنة معياريّاً. فعل الحلّال القديم بالضبط ما فعله SkySolver — اختنق بتأخر البيانات، وحسّن للحالة الخاطئة، وأنتج الفوضى المتشابكة نفسها من الأطقم العالقة. زمن التعافي: سبعة أيام محاكاة.

أما وكيل التعلّم المعزّز على الرسوم البيانية لدينا ففعل شيئاً لم يتوقعه أي منا. اكتشف نمط الكسر من نقطة إلى نقطة الناشئ في دنفر قبل ساعات من التتالي الكامل. ثم نفّذ ما نسميه الآن استراتيجية الجدار الناري الاستباقي — ألغى 20% من الرحلات المتجهة إلى دنفر مبكراً، محاصراً الاضطراب محلياً، ونقل أطقماً دون ركاب إلى فينيكس لإنشاء قاعدة تشغيلية ثانوية.

بقيت شبكة الساحل الشرقي عاملة بنسبة 95%. انخفض إجمالي الإلغاءات بنسبة 66%. احتُوي الانهيار ليصبح اضطراباً إقليمياً.

مهندسي — نفسه الذي رسم الكسر على السبورة البيضاء — اكتفى بالتحديق في الشاشة. "لقد ضحّى بدنفر لإنقاذ الشبكة"، قال. "ما كان أي موظف توزيع بشري ليمتلك الجرأة لفعل ذلك في السادسة صباح 22 ديسمبر."

كان محقاً. وهذه هي النقطة. لقد "عاش" الوكيل آلاف الأزمات في المحاكاة. لقد استكشف حواف فضاء الحالات حيث تنهار الحلّالات القديمة، وتعلّم كيف تبدو النجاة. وللاطلاع على التفصيل التقني الكامل للبنية — تضمينات شبكات الانتباه على الرسوم البيانية، وحلقة تدريب PPO، وإخفاء الإجراءات — نشرت البحث الكامل.

ماذا عن مشكلة الصندوق الأسود؟

الناس يعترضون دائماً هنا، وهم محقون في ذلك. "أنت تخبرني أن أُسلّم التحكم في عمليات شركة طيران إلى شبكة عصبية؟ كيف أعرف أنها لن تُهلوس جدولاً غير قانوني؟"

هذا هو أهم اعتراض في الذكاء الاصطناعي الحرج للسلامة، وأي شخص يتجاهله ليس جاداً. وإليك كيف نحلّه.

نحن لا نسمح أبداً للشبكة العصبية بإخراج القرار النهائي مباشرة. نستخدم ما نسميه بنية الشطيرة — مستوحاة من إطار عمل NICE للبرمجة بالأعداد الصحيحة الموجَّهة بالتعلّم المعزّز. تُحلّل الطبقة العصبية (وكيل التعلّم المعزّز على الرسوم البيانية لدينا) الحالة المعقدة والمشوشة وتقترح توزيعاً احتمالياً على الإجراءات. ثم تُطبّق طبقة رمزية حتمية — محرك قيود يُرمّز كل قاعدة صارمة في العملية — قناعاً. فإذا اقترحت الشبكة العصبية إجراءً ينتهك لائحة تنظيمية (تجاوز الطيار لساعات الخدمة، أو طيران الطائرة مع بند صيانة مفتوح)، تضبط الطبقة الرمزية احتمال ذلك الإجراء إلى صفر.

لا يستطيع النظام تنفيذ إجراء غير قانوني. ليس "من المرجح ألا". بل لا يستطيع.

هذا يمنحنا شيئاً رائعاً: أمثلية سياسات الذكاء الاصطناعي المُتعلَّمة مع ضمانات السلامة للمنطق الصوري. وهو يحل المشكلة الحاسوبية من الاتجاه الآخر أيضاً. فبدلاً من أن يبحث الحلّال القديم في مليار احتمال، تُقلّم الشبكة العصبية الشجرة إلى أكثر عشرة فروع وعوداً. ولا يبقى على الحلّال سوى التحقق من تلك الخيارات القليلة وضبطها بدقة. ينخفض زمن الحساب من ساعات إلى ثوانٍ.

هذا لا يتعلق بشركات الطيران فحسب

انهيار Southwest هو المثال الأكثر دراماتيكية، لكن الهشاشة التي كشفها كونية. نحن نُكيّف بنية التعلّم المعزّز على الرسوم البيانية + التوأم الرقمي نفسها للموانئ البحرية وشبكات السكك الحديدية.

في الموانئ، تفوّت سفينة متأخرة موعد رصيفها، فيُعاد تعيين الرافعات، وتصطف الشاحنات المُجدولة لاستلام الحاويات لساعات. ننشر ذكاءً اصطناعياً وكيلياً حيث يتفاوض "وكيل المرسى" مع "وكيل المحطة" في الوقت الفعلي، مُنعّماً قمم وقيعان ازدحام البوابات مع تكشّف الاضطرابات.

في السكك الحديدية، حيث تعني اختناقات المسار الأحادي أن قراراً خاطئاً واحداً في "التقاء-تجاوز" قد يشلّ قطارات على بعد مئات الأميال، يتفوق وكلاء التعلّم المعزّز على الرسوم البيانية لدينا على موظفي التوزيع البشريين والقواعد الإرشادية بنسبة 15-20% في تقليل التأخير. إنهم يتخذون تحركات غير حدسية — إيقاف قطار شحن مبكراً لإخلاء مسار لقطار سريع على بعد 50 ميلاً في الأعلى — لا يفكر فيها أي نظام قائم على القواعد.

النمط دائماً هو نفسه: شبكة معقدة، وقيود صارمة، واضطرابات متتالية، ونافذة قرار تُقاس بالدقائق. الحلّالات القديمة لا تستطيع مواكبتها. النماذج اللغوية الكبيرة لا تستطيع التفكير المنطقي بشأنها. أما التعلّم المعزّز على الرسوم البيانية فيستطيع.

العائد الحقيقي على الاستثمار ليس الكفاءة — بل النجاة

كلّف انهيار Southwest الذي دام أسبوعاً 1.2 مليار دولار. ذلك الحدث الواحد محا سنوات من مكاسب الكفاءة الناتجة عن تشغيل شبكة رشيقة من نقطة إلى نقطة. وقناة السويس المسدودة تكلّف الاقتصاد العالمي مليارات يومياً. مخاطر الذيل — الحدث الكارثي "مرة كل عقد" الذي يبدو الآن أنه يحدث كل عام — لم يعد حاشية في سجل المخاطر. فعلى أفق عشر سنوات، هو المُحرّك المهيمن للتكلفة.

تُحقق وكلاؤنا وفورات في التكاليف التشغيلية بنسبة 2-5% أثناء العمليات العادية من خلال إدارة أذكى للمخزون الاحتياطي وتقليل العمل الإضافي للطاقم. هذا هو الحد الأدنى المطلوب. القيمة الحقيقية هي ما لا يحدث: الانهيار الذي يُحتوى ليصبح اضطراباً إقليمياً، والتتالي الذي يُحاصَر بجدار ناري قبل أن يبلغ الساحل الشرقي، والأسبوع الذي يكلّف مليار دولار والذي لا يتحقق أبداً.

الكفاءة استراتيجية لعالم مستقر. لم نعد نعيش في عالم مستقر.

عصر الرياضيات الثابتة قد انتهى

بدأت هذا المقال بطيار ينام على أرضية مطار دنفر الدولي. لا يزال يطير لصالح Southwest. وقد استثمرت الشركة منذ ذلك الحين بكثافة في ترقية أنظمتها. لكن المشكلة الأعمق — اعتماد الصناعة بأكملها على حلّالات حتمية بُنيت لعالم من الاضطرابات المتوقعة — تبقى إلى حد كبير دون معالجة.

الاندفاع نحو الذكاء الاصطناعي التوليدي كمنقذ للخدمات اللوجستية يقلقني أكثر مما تقلقني الأنظمة القديمة. فعلى الأقل كان من يُشغّلون SkySolver يعرفون حدوده. أما من ينشرون أغلفة النماذج اللغوية الكبيرة فوق أدوات تحسين معطلة فغالباً لا يعرفون. إنهم يرون نصاً طليقاً ويظنونه تفكيراً تشغيلياً. يرون روبوت دردشة يستطيع شرح جدول ويفترضون أنه يستطيع إصلاحه.

لقد علّمني بناء Veriprajna أن أصعب جزء في هذا العمل ليس الرياضيات — بل الحجّة. إقناع صناعة بأن الأدوات التي وثقت بها لعقود لها سقف بنيوي. وأن الشيء الجديد البراق (الذكاء الاصطناعي التوليدي) موجّه نحو المشكلة الخاطئة. وأن الحل الفعلي يتطلب إعادة التفكير في الخدمات اللوجستية كرسم بياني، وفي الاضطراب كإشارة تعلّم، وفي المرونة كشيء تتدرب من أجله — لا شيء تأمله.

مستقبل الخدمات اللوجستية لا ينتمي إلى الأنظمة التي تجد أرخص خطة لعالم معروف. بل ينتمي إلى الأنظمة التي تجد خطة قابلة للنجاة لعالم مجهول. هذا ليس احتمالاً. هذا ما نبنيه.