Apple ML Research تقدّم Weblica: بيئة قابلة للتوسّع لتدريب وكلاء الويب البصريين

نشرت Apple ML Research ورقة بحثية عن Weblica (Web Replica)، وهو إطار لإنشاء بيئات تدريب قابلة لإعادة الإنتاج والتوسّع لوكلاء الويب البصريين، أي الوكلاء القادرين على العمل داخل المتصفح كما يفعل الإنسان.

تعمل عدة مختبرات رائدة حول العالم في الوقت نفسه على تدريب visual web agents: فالوكلاء الذين يرون المتصفح كما يراه الإنسان ويتصرفون داخله يمثّلون ثورة محتملة في أتمتة المهام المتكررة على الإنترنت. وتطرح Apple إطار Weblica أداةً تسدّ فجوة جوهرية في البنية التحتية للتدريب.

لماذا يصعب تدريب وكيل ويب إلى هذا الحد؟

يتغيّر الويب باستمرار: تتحدّث الصفحات، وتُعاد هيكلة الواجهات، وتحمّل منطق JavaScript المحتوى ديناميكيًا. وبالنسبة إلى وكيل AI يعمل في المتصفح كما يعمل الإنسان، يعني ذلك بيئة تدريب غير مستقرة في جوهرها، إذ لا يمكن تكرار السيناريو نفسه بعد أسبوع لأن الموقع قد تغيّر.

وتعاني الأساليب الحالية لجمع بيانات التدريب من قيود بنيوية. فمسارات التدريب دون اتصال (Offline) للضبط الدقيق الخاضع للإشراف (SFT) ليست سوى جلسات مسجّلة يحفظها الوكيل عن ظهر قلب. وهي لا تتوسّع، ولا تعلّم الوكيل التفاعل مع التغيّرات الحيّة في الواجهة. أما البيئات المحاكاة للتعلّم المعزَّز (RL) فتحلّ مشكلة التفاعلية، لكن عددها قليل جدًا، وهي تغطي نطاقًا ضيقًا من السيناريوهات ولا تعكس التنوّع الحقيقي للإنترنت.

كيف يعمل Weblica؟

يعالج Weblica المشكلة عبر آليتين متكاملتين.

التخزين المؤقت على مستوى HTTP. يعترض الإطار طلبات HTTP واستجاباتها ويحفظها أثناء التصفح الحي، ثم يعيد إنتاج الحالات البصرية الدقيقة للصفحات دون الرجوع إلى الخادم الأصلي. والخاصية الأساسية هنا أن الناتج ليس لقطة ثابتة، بل بيئة تفاعلية قابلة لإعادة الإنتاج: الأزرار تعمل، والنماذج تقبل الإدخال، والانتقال بين الصفحات يؤدي وظيفته.

• تثبّت ذاكرة HTTP المؤقتة استجابات الشبكة وتضمن نتيجة بصرية مطابقة في كل تشغيل
• تبقى التفاعلية قائمة: يستطيع الوكيل النقر وإدخال النص والتنقّل بين الصفحات
• تبقى البيئة مستقرة بغضّ النظر عن التغييرات التي تطرأ على المواقع الأصلية
• إعادة الإنتاج أمر حاسم للتعلّم المعزَّز: فبدونها يستحيل إجراء مقارنة عادلة بين نتائج التجارب المختلفة

توليد البيئات عبر LLM. تستخدم الآلية الثانية النماذج اللغوية لتوليد بيئات ويب جديدة. فبدلًا من إنشاء مئات سيناريوهات الاختبار يدويًا، يكلّف Weblica نموذج LLM ببناء مهام ويب متنوعة والصفحات المقابلة لها. ويتيح ذلك توسيع تنوّع بيانات التدريب دون نمو خطّي في تكاليف الترميز. وبذلك يُنشئ Weblica مصنعًا قابلًا للتوسّع لبيئات التدريب: ذاكرة HTTP المؤقتة مسؤولة عن الاستقرار، وLLM مسؤول عن التنوّع.

ماذا يعني ذلك

يسدّ Weblica عجزين رئيسيين في تطوير visual web agents: إعادة الإنتاج (البيئة الواحدة تعطي نتيجة مطابقة في تجارب مختلفة، وهو شرط لتعلّم معزَّز عادل) والتنوّع (يحقق توليد LLM تغطية يتعذّر بلوغها بالترميز اليدوي).

وتلفت ورقة Apple ML Research الانتباه من زاوية الاستراتيجية أيضًا: فالشركة معروفة بتحفّظها تجاه نشر أبحاث AI علنًا. ويشير ظهور ورقة مفصّلة عن البنية التحتية لتدريب الوكلاء إلى استثمارات جدّية في هذا الاتجاه. وإذا دخل Weblica في ممارسات تطوير Apple Intelligence، فقد تتمكن Siri والأدوات المرتبطة بها من حجز التذاكر وتعبئة النماذج وتجميع البيانات بصورة مستقلة داخل المتصفح.

الأسئلة الشائعة

بماذا يختلف

Weblica عن أداة كشط الويب (web scraper) التقليدية؟

تستخرج أداة الكشط التقليدية البيانات من الصفحة وتتوقف عند هذا الحد. أما Weblica فيحفظ الحالة التفاعلية الكاملة: يستطيع الوكيل النقر على الأزرار وإدخال النص في النماذج والانتقال عبر الروابط، تمامًا كما في متصفح حقيقي. كما أن البيئة قابلة لإعادة الإنتاج ولا تتأثر بالتغييرات التي تطرأ على الموقع الحي.

لماذا يحتاج وكيل الويب إلى بيئة قابلة لإعادة الإنتاج؟

يتطلب التعلّم المعزَّز (RL) آلاف التكرارات للسيناريو نفسه لمقارنة استراتيجيات الوكيل المختلفة. وإذا تغيّر الموقع بين عملية تشغيل وأخرى، يستحيل تدريب الوكيل وتقييمه بشكل صحيح. وهذه المشكلة تحديدًا هي ما تعالجه ذاكرة HTTP المؤقتة في Weblica، إذ تثبّت حالة البيئة لحظة التسجيل.