حصل Claude Code على المركز الأول في هاكاثون من خلال أبحاث الأتمتة! الفائز: بصراحة لا أعرف أساسًا كيف فزنا

في هاكاثون Autoresearch الذي تنظمه Paradigm، فاز أحد المشاركين—الذي لم يكن تقريبًا “مصمّمًا لاستراتيجية بنفسه”—بالكأس في النهاية. ويقول الفائز باللقب Ryan Li، الذي يشغل أيضًا منصب الرئيس التنفيذي في SurfAI، إن عملية حلّ المسألة برمتها أُنجزت تقريبًا بالكامل بواسطة الذكاء الاصطناعي، وأنه حتى “لا يعرف كيف فاز”، ومع ذلك حصل في النهاية على المركز الأول في تحدي Prediction Market Challenge.

تتطلب هذه المسابقة من المشاركين تصميم استراتيجية صانع سوق داخل سوق تنبؤ ثنائي تجريبي، وذلك عبر توفير السيولة في دفتر الأوامر باستخدام أوامر محددة بسعر (limit orders)، وتحقيق توازن في تحقيق الأرباح بين “المتلاعبين بالمراجحة” و"تدفق العملاء بالتجزئة". يتم تحديد الترتيب النهائي اعتمادًا على متوسط الـ edge (ميزة الربح) للاستراتيجية في 200 محاكاة عشوائية. كانت نتيجة Ryan النهائية 42.32 دولار mean edge (يتم حسابها عبر وسيط ثلاثة بذور عشوائية)، وبعد إعادة التقييم صعد إلى الصدارة.

بحث آلي باستخدام Claude Code + Codex، ينتج 1039 استراتيجية

على عكس التداول الكمي التقليدي أو استراتيجيات صناع السوق التي تعتمد على قيام خبراء بشريين بتعديل الإعدادات والمشاركة في النمذجة، يتبع Ryan نهج “Bitter Lesson” الذي طرحه Rich Sutton في السنوات الأخيرة، بحيث تفوز القدرة الحاسوبية وحجم البحث على خبرة البشر. حوّل المسألة برمتها إلى عملية “بحث آلي” (autoresearch)، حيث تستكشف عدة وكلاء ذكاء اصطناعي مساحات حلول بشكل متوازٍ، بدلًا من التحسين اليدوي.

خلال العملية، استخدم من 8 إلى 20 وكيلًا من وكلاء الذكاء الاصطناعي يعملون بالتوازي (بشكل أساسي على Claude Code، مع الاستعانة بـ Codex)، ويكون كل وكيل مسؤولًا عن افتراضات ومعلمات مختلفة، مع الاستمرار في توليد الاستراتيجيات وتنفيذ المحاكاة والإبلاغ عن النتائج. وفي النهاية، تم تجميع ناتج إجمالي قدره 1,039 تباينًا استراتيجيًا، مع إجراء أكثر من 2,000 تقييم، وتوليد تلقائي لـ 47 برنامجًا لفحص المعلمات. وبشكل عام، فإن حجم البحث—بما يعادل ضغط أسابيع من التجارب اليدوية إلى إنجازها خلال بضع ساعات.

900 سطر من كود Python لصانع سوق ينتجه الذكاء الاصطناعي يفوز بالمسابقة الهاكاثون

على مستوى الاستراتيجيات، كانت الخطة الفائزة في النهاية عبارة عن خوارزمية لصانع سوق من نحو 900 سطر من Python، وليست منطقها الأساسي ناتجًا عن تصميم واحد فقط، بل عن تراكم عدة وحدات “ثبت أنها فعّالة”. وتشمل ذلك تجنب نطاقات فروق الأسعار الضيقة جدًا التي تمنح المتلاعبين بالمراجحة انتصارًا، وتقدير السعر الحقيقي عبر نظرية المعلومات، وضبط حجم نشر العروض ديناميكيًا وفقًا لمخاطر المراجحة، وبدء الدخول بشكل استباقي لاقتناص نطاقات ذات ربح أعلى عندما يتم تفريغ دفتر أوامر الخصم بالكامل.

ومن بين أهم الاختراقات، جاء من مرة واحدة لوكيل ذكاء اصطناعي “يتخلى بالكامل عن الاستراتيجيات القائمة والبدء من الصفر”. عندما تعلّقت عملية التحسين عند حوالي +25 edge، اكتشف هذا الوكيل بمفرده نموذج sizing يعتمد على “احتمالية خطر المراجحة”، ما رفع أداء الاستراتيجية دفعة واحدة إلى +44، ليصبح نقطة التحول في كامل المنافسة. وتؤكد هذه النتيجة أيضًا منهج Ryan: عندما يقع البحث في أفضلية محلية (local optimum)، فإن إعادة التشغيل تكون أكثر فعالية من مجرد إجراء تعديلات دقيقة.

ميزة مطلقة للبحث بالذكاء الاصطناعي: التجربة الآلية

يشير Ryan في خلاصة حديثه إلى أن جوهر مفتاح هذه المنافسة لا يتمثل في تصميم “استراتيجية ذكية”، بل في بناء نظام يمكنه إجراء بحث على نطاق واسع والتحقق من الأفكار واستبعاد غير المجدي منها. بدلًا من الاعتماد على الحدس البشري، يتيح للذكاء الاصطناعي التجربة والخطأ داخل مساحة حلول هائلة، وتوسيع الكفاءة عبر التوازي والأتمتة.

تعزز هذه الحالة أيضًا التحول في دور “Agentic AI” ضمن هندسة عمليات البحث، إذ لم يعد الذكاء الاصطناعي مجرد أداة مساعدة، بل يمكنه تحمل مسؤولية تنفيذ الاستكشاف واتخاذ القرار مباشرةً. وفي بعض المشكلات شديدة البنية والقابلة للمحاكاة، يمكن للبشر أن يغادروا تمامًا موقع “حلّال المسائل”، والانتقال إلى تصميم إطار البحث وآليات التقييم نفسها.

لقد فازت هذه المقالة بالهاكاثون عبر البحث الآلي باستخدام Claude Code! الفائز: أنا حرفيًا لا أعرف كيف فزت. ظهرت لأول مرة في 鏈新聞 ABMedia.