تصور کنید یک عامل هوش مصنوعی پیش از دست زدن به داده‌های حساس شرکت شما، تمام احتمالات شکست را در یک دنیای موازی تجربه و اصلاح کند. این وعده اصلی شبکه گراف زمانی (Temporal Graph Network یا TGN) است؛ معماری جدیدی که طبق مستندات منتشر شده در ۳۱ اوت ۲۰۲۶، چرخه ساده «مشاهده-استدلال-عمل» را به مدلی ارتقا می‌دهد که در آن عامل‌ها پیش از تغییر واقعیت، روی احتمالات محاسبات انجام می‌دهند.
بیشتر محیط‌های اجرای فعلی، تصمیمات را در یک مسیر خطی پیش می‌برند. در این مدل استاندارد، یک عامل مشاهده می‌کند، استدلال می‌کند، عمل می‌کند و سپس به خاطر می‌سپارد؛ تمام این مراحل در یک توالی خطی رخ می‌دهند. اگر یک عامل مالی شرطی اشتباه در بازار ببندد یا یک عامل کدنویس باگی بحرانی ایجاد کند، وضعیت عملیاتی (Production State) بلافاصله تخریب می‌شود. TGN این مشکل را با تبدیل «وضعیت» از یک خط زمانی ساده به یک گراف زمانی حل می‌کند که در آن چندین آینده می‌توانند به‌طور موازی بررسی شوند.
چرخش به سمت رایانش زمانی
معماری‌های سنتی، وضعیت را به صورت یک توالی رو به جلو می‌بینند: $S_0 \rightarrow S_1 \rightarrow S_2 \rightarrow S_3$. اما TGN مدلی را پیشنهاد می‌کند که در آن واقعیت عملیاتی و واقعیت فرضی، دو فضای محاسباتی مجزا هستند. به جای مسیر مستقیم از تصمیم به عمل، TGN ساختاری می‌سازد که در آن یک لحظه از وضعیت (State Snapshot) به چندین آینده (آینده A، B و C) تقسیم یا فورک می‌شود. هر آینده توسط عامل‌ها و اقدامات مربوطه پردازش شده و سپس یک ارزیابی علی (Causal Evaluation) برای انتخاب بهترین گزینه جهت ثبت (Commit) در واقعیت عملیاتی انجام می‌شود.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های عامل‌محور اشاره کردیم، جداسازی محیط آزمایش از محیط اجرا، کلید دستیابی به استقلال واقعی هوش مصنوعی است. این رویکرد تکاملی در واقع گامی فراتر از استفاده از ابزارهای خودمختار برای اتوماسیون عملیات مالی است که پیش‌تر به کاربرد آن‌ها در محیط‌های کسب‌وکار پرداخته بودیم.
اجرای متقابل و ایزولاسیون
در قلب TGN، مفهومی به نام گره متقابل (CounterfactualNode) قرار دارد. این ابزار اجازه می‌دهد وضعیت عملیاتی به چندین کپی ایزوله تقسیم شود. یک عامل می‌تواند استراتژی‌های A، B و C را به‌طور هم‌زمان در فضاهای محاسباتی جداگانه اجرا کند. این فرآیند با دستوراتی شبیه به state = production.snapshot() و سپس branches = [state.fork("strategy_A"), state.fork("strategy_B"), state.fork("strategy_C")] مدیریت می‌شود.
از آنجا که این شاخه‌ها ایزوله هستند، یک شکست فاجعه‌بار در «آینده B» باعث کرش کردن کل سیستم عملیاتی نمی‌شود. این سازوکار شبیه به اجرای گمانه‌زنانه (Speculative Execution) در معماری CPU است؛ جایی که سیستم چندین نتیجه احتمالی را محاسبه می‌کند و تنها بهترین مورد را به وضعیت نهایی می‌سپارد. این رویکرد، فضای امنی برای آزمایش‌های خودگردان فراهم می‌کند که در معماری‌های فعلی تقریباً وجود ندارد.
حافظه زمانی و بازپخش علی
حافظه سنتی عامل‌ها، فهرستی کرونولوژیک از رویدادهاست. TGN این را با یک گراف رویداد زمانی جایگزین می‌کند. در اینجا خاطرات فقط لیستی از گفتگوها نیستند، بلکه گرافی از تصمیمات هستند که از طریق علیت، تبار شاخه‌ها، نتایج و متقابل‌ها (Counterfactuals) به هم متصل شده‌اند.
به جای اینکه سیستم فقط به یاد بیاورد «استراتژی B انتخاب شد»، TGN استدلال غنی پشت آن را حفظ می‌کند: «استراتژی B پس از شبیه‌سازی A و C انتخاب شد؛ A شکست خورد چون X رخ داد و C در شرایط Z نتیجه Y را داد.»
برای تقویت این قابلیت، بافر ممتو (Memento Buffer) امکان بازپخش علی را فراهم می‌کند. به جای اینکه سیستم فقط جریان رو به جلوی «علت $\rightarrow$ عمل $\rightarrow$ نتیجه» را دنبال کند، می‌تواند توالی را به‌صورت معکوس بازپخش کند: نتیجه $\rightarrow$ عمل $\rightarrow$ تصمیم $\rightarrow$ شواهد $\rightarrow$ علت. این فرآیند با پس‌انتشار (Backpropagation) در شبکه‌های عصبی متفاوت است و راهی برای صریح کردن محاسباتیِ استدلال زمانی است تا عامل بتواند بپرسد دقیقاً کدام فرض‌ها منجر به یک نتیجه خاص شده‌اند.
هماهنگی امن و اثبات‌های ZK
سامانه‌های چندعاملی اغلب در ایجاد تعادل بین هماهنگی و حریم خصوصی دچار مشکل می‌شوند. اگر هر عامل تمام اطلاعات خود را به اشتراک بگذارد، تنوع استراتژیک و استقلال عامل‌ها از بین می‌رود. TGN برای حل این مسئله، کانال بوت‌استرپ (Bootstrap Channel) را معرفی می‌کند؛ یک کانال زمانی رمزنگاری‌شده که به عامل‌ها اجازه می‌دهد اطلاعات ضروری را بدون افشای کل وضعیت داخلی خود به اشتراک بگذارند.
این قابلیت به‌ویژه برای موارد زیر کاربردی است:
- مذاکرات خودگردان
- برنامه‌ریزی توزیع‌شده
- شبیه‌سازی‌های رقابتی
- اکوسیستم‌های عاملی بین‌شرکتی
- سامانه‌های تصمیم‌گیری محرمانه
برای ارتقای امنیت، TGN لایه‌ای از اثبات‌های دانایی-صفر (Zero-Knowledge Proofs) را پیشنهاد می‌دهد. یک عامل می‌تواند ثابت کند که وضعیت جدیدش نتیجه یک محاسبه معتبر و مطابق با محدودیت‌های تاییدشده است، بدون اینکه استراتژی خصوصی خود را فاش کند. این فرآیند شامل یک وضعیت خصوصی، محاسبات عامل، محدودیت‌های اعتبار و یک اثبات ZK است که توسط یک تاییدکننده (Verifier) پذیرفته یا رد می‌شود. این موضوع برای جریان‌های کاری مالی محرمانه یا مذاکرات سازمانی حیاتی است، هرچند باید توجه داشت که اثبات ZK فقط ثابت می‌کند محاسبات مطابق محدودیت‌هاست، نه اینکه تصمیم لزوماً اخلاقی یا هوشمندانه بوده است.
نقش عامل‌های فداکاری
TGN الگویی به نام عامل فداکاری (Sacrificial Agent) را ممکن می‌کند. این عامل‌ها عمداً در شاخه‌های شبیه‌سازی پرریسک مستقر می‌شوند تا نقطه شکست یک استراتژی را پیدا کنند. در حالی که یک عامل استاندارد به دنبال موفقیت است، عامل فداکاری شاخه‌های «افراطی» یا «پرخطر» را می‌کاود تا ببیند اگر سیستم اشتباه کند چه اتفاقی می‌افتد.
از آنجا که شکست در یک شاخه شبیه‌سازی رخ می‌دهد و نه در واقعیت عملیاتی، این شکست به یک نقطه داده با ارزش بالا تبدیل می‌شود. این امر به سیستم اجازه می‌دهد بدون تحمل هزینه‌های دنیای واقعی، از اشتباهات بیاموزد.
خندق تکاملی و رابط تسرکت
در حالی که کدها قابل کپی هستند، گراف تعاملات زمانی نیستند. دو خوشه TGN که با کد یکسانی شروع می‌کنند، به مرور زمان واگرا می‌شوند زیرا تاریخچه‌های شبیه‌سازی، خاطرات شکست و ارزیابی‌های شاخه‌های متفاوتی را جمع‌آوری می‌کنند. پس از میلیون‌ها تعامل، خوشه A و خوشه B رفتارهای متفاوتی از خود نشان می‌دهند چون گراف‌های حافظه داخلی آن‌ها واگرا شده است.
این موضوع یک «خندق تکاملی» ایجاد می‌کند: محیط اجرا بازتولیدپذیر است، اما تاریخچه تکامل خیر. کد را می‌توان فورک کرد، اما تکامل را نمی‌توان به‌سادگی کپی کرد.
برای مدیریت این پیچیدگی، معماری TGN یک داشبورد تسرکت (Tesseract Dashboard) را پیشنهاد می‌دهد. رابط‌های سنتی برای وضعیت‌های چندشاخه‌ای ناکارآمد هستند. رابط تسرکت به توسعه‌دهندگان اجازه می‌دهد لایه زمانی را بصری کنند و گذشته، حال و آینده‌های مختلف (A، B، C) که بررسی شده‌اند را ببینند تا بفهمند چرا در نهایت یک شاخه خاص پیروز شد.
نقشه راه پیاده‌سازی
به نقل از مستندات TGN، استقرار این معماری در شش فاز پیش‌بینی شده است:
- فاز ۱: محیط اجرای متقابل — تمرکز بر اسنپ‌شات‌های وضعیت، شاخه‌های ایزوله، اجرای موازی، ارزیابی شاخه‌ها و ثبت در واقعیت.
- فاز ۲: حافظه زمانی — پیاده‌سازی گراف‌های رویداد، تبار شاخه‌ها، بازپخش علی و بافر ممتو.
- فاز ۳: هماهنگی امن — معرفی کانال‌های رمزنگاری‌شده بین‌عاملی، دسترسی‌های مبتنی بر قابلیت و زمینه‌های ایزوله برای عامل‌ها.
- فاز ۴: محاسبات قابل تایید — تعهدات انتقال وضعیت، مدارهای اعتبار و تاییدیه مبتنی بر zk-SNARK.
- فاز ۵: رابط زمانی — بصری‌سازی شاخه‌ها، خطوط زمانی علی، بازرسی وضعیت عامل و داشبورد تسرکت.
- فاز ۶: اقتصاد خودگردان — ویژگی‌های تکامل‌یافته محیط اجرا شامل بودجه‌های محاسباتی، تخصیص منابع عامل، اعتبارات داخلی و انگیزه‌های اقتصادی برای اکتشاف.
این تغییر، واحد بنیادی هوش مصنوعی خودگردان را از «عامل» به «خط زمانی» تبدیل می‌کند. TGN با دادن فضایی امن برای اشتباه کردن، میدان را از اجرای ساده به چرخه شبیه‌سازی، ارزیابی و تکامل می‌برد. یک عامل زمانی دیگر نمی‌گوید «فکر می‌کنم این بهترین عمل است»، بلکه می‌گوید «من ۸ آینده احتمالی را شبیه‌سازی کردم، ۳ حالت شکست را شناسایی کردم، پیامدهای علی آن‌ها را مقایسه کردم و عملی را انتخاب کردم که بیشترین نتیجه مورد انتظار را دارد.»
گام بعدی شما
- اگر در حال توسعه سامانه‌های چندعاملی هستید، مفهوم «ایزولاسیون وضعیت» را برای جلوگیری از تخریب داده‌های عملیاتی بررسی کنید.
- برای کاهش نرخ خطای عامل‌ها، استراتژی «عامل فداکاری» را در محیط‌های تست خود پیاده کنید تا نقاط شکست را سریع‌تر بیابید.
- مطالعه در مورد اثبات‌های دانایی-صفر (ZK Proofs) را آغاز کنید تا بتوانید هماهنگی امن بین عامل‌های مختلف را بدون افشای استراتژی‌ها پیاده کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و توان محاسباتی مورد نیاز برای شبیه‌سازی‌های موازی مراجعه کنید.
گفتگو