💻 computer science

A Survey of AI-Generated Video Evaluation

تقدم هذه الدراسة الاستقصائية مجال تقييم الفيديو المُنشأ بواسطة الذكاء الاصطناعي (AIGVE) الناشئ من خلال التحليل المنهجي للمنهجيات القائمة، وتحديد الفجوات الحالية، والدعوة إلى أطر تقييم قوية ومتعددة الأوجه تعالج التعقيدات المكانية والزمانية الفريدة لمحتوى الفيديو المُنشأ بواسطة الذكاء الاصطناعي.

المؤلفون الأصليون: Xiao Liu, Xinhao Xiang, Zizhong Li, Yongheng Wang, Zhuoheng Li, Zhuosheng Liu, Weidi Zhang, Weiqi Ye, Jiawei Zhang

نُشر 2026-03-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xiao Liu, Xinhao Xiang, Zizhong Li, Yongheng Wang, Zhuoheng Li, Zhuosheng Liu, Weidi Zhang, Weiqi Ye, Jiawei Zhang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك اشتريت للتو روبوت طباخاً ذكياً للغاية وجديداً كلياً. أعطيته وصفة: "اصنع لي طبق مكرونة حاراً مع ريحان طازج". يصدر الروبوت أصوات طنين واصطدام، وفي ثوانٍ، يظهر طبق من المكرونة يتصاعد منه البخار.

ولكن هنا تكمن المشكلة: كيف تعرف ما إذا كان الروبوت قد قام بعمل جيد حقاً؟

هل استخدم الريحان بالفعل، أم أنه مجرد تخمين؟
هل المكرونة مطهوة، أم أنها نيئة؟
هل يبدو الصوص كصلصة حقيقية، أم كطلاء أخضر؟
والأهم من ذلك، هل مذاقه جيد بالنسبة لك؟

هذه الورقة هي في الأساس دليل لتوظيف "مفتش جودة" لروبوتات الفيديو المدعومة بالذكاء الاصطناعي.

المشكلة الكبيرة: الفيديوهات أصعب من الصور

في الماضي، كانت لدينا روبوتات يمكنها صنع صور (مثل Midjourney) أو كتابة نصوص (مثل ChatGPT). ولدينا بالفعل طرق جيدة للتحقق مما إذا كانت تلك الأشياء جيدة.

النصوص: نتحقق مما إذا كانت القواعد النحوية صحيحة.
الصور: نتحقق مما إذا كانت الألوان تبدو واقعية.

لكن الفيديو مختلف. الفيديو ليس مجرد صورة؛ إنه فيلم. لديه طبقتان إضافيتان من التعقيد:

الزمن (جزء الفيلم): يجب أن تتحرك الأشياء بسلاسة. إذا قفز قط، فلا ينبغي أن يتجمد في الهواء لمدة ثلاث ثوانٍ.
الفيزياء (جزء العالم الحقيقي): إذا أسقطت كأساً، يجب أن يتحطم. إذا جعل الذكاء الاصطناعي كأساً تطفو نحو السماء، فهذا "خطأ فيزيائي".

يقول مؤلفو هذه الورقة: "لدينا كل هذه المولدات المذهلة للفيديو بالذكاء الاصطناعي (مثل Sora)، ولكن ليس لدينا مسطرة جيدة لقياس مدى جودتها بعد".

الوظيفتان الرئيسيتان للمفتش

تقترح الورقة أن مفتش الفيديو الجيد يحتاج إلى التحقق من شيئين رئيسيين:

1. هل يبدو ويشعر بأنه حقيقي؟ (التوافق مع الإدراك البشري)

تخيل أنك تشاهد فيلماً. حتى لو لم تكن تعرف القصة، يمكنك معرفة ما إذا كان الفيلم سيئاً.

ضبابي؟ سيئ.
متقطع؟ سيئ.
هل يتغير وجه الشخصية إلى وحش في منتصف الطريق؟ سيئ.
هل قادت السيارة عبر جدار؟ سيئ.

هذا الجزء من الورقة يبحث في كل الطرق القديمة التي كنا نستخدمها للتحقق من جودة الفيديو (مثل التحقق من السكون أو الضجيج) ويمزجها مع أدوات الذكاء الاصطناعي الجديدة للإمساك بهذه "العوامل الغريبة".

2. هل استمع إليك؟ (التوافق مع تعليمات البشر)

هذا هو اختبار "هل اتبعت الوصفة؟".

طلبك (Prompt): "كلب يركب لوح تزلج في المطر".
ذكاء اصطناعي سيئ: يعرض كلباً على لوح تزلج، لكن الجو مشمس. (لقد فاته جزء "المطر").
ذكاء اصطناحي أسوأ: يعرض قطاً يركب دراجة. (لقد فاته جزء "الكلب").
أفضل ذكاء اصطناعي: يعرض كلباً، على لوح تزلج، في المطر.

تراجع الورقة كيف يمكننا استخدام ذكاء اصطناعي متطور (مثل النماذج اللغوية الكبيرة) ليعمل كمعلم صارم، يقرأ طلبك ويتحقق مما إذا كان الفيديو قد فعل ما طلبته بالفعل.

"صندوق الأدوات" الذي راجعوه

قام المؤلفون بمراجعة مكتبة ضخمة من الأدوات الموجودة ونظموها في "صندوق أدوات" للمستقبل:

المساطر (المقاييس - Metrics): معادلات رياضية قديمة تقيس الضبابية أو عدد البكسلات. جيدة للأشياء البسيطة، لكنها لا تستطيع إخبار ما إذا كان الفيديو "مضحكاً" أو "مرعباً".
الأحكام (التقييم البشري - Human Evaluation): بشر حقيقيون يشاهدون الفيديوهات ويعطونها نجومًا. هذا هو الأكثر دقة، ولكنه بطيء ومكلف.
نقاد الذكاء الاصطناعي (القائم على النماذج - Model-Based): نماذج ذكاء اصطناعي جديدة مدربة على مشاهدة الفيديوهات وإعطاء درجات. بعض هذه النماذج تشبه "متذوقي الطعام" (يعطون درجة فقط)، بينما البعض الآخر يشبه "نقاد الطعام" (يكتبون فقرة تشرح لماذا كانت المكرونة مالحة).

"الأخطاء الشائعة" (المغالطات)

تدرج الورقة أكثر ست طرق شائعة يفشل فيها فيديو الذكاء الاصطناعي، والتي يسمونها "أنواع الخطأ":

الأعطال التقنية: الفيديو محبب جداً أو منخفض الدقة.
مشكلة "التمثال": من المفترض أن يتحرك الفيديو، لكن كل شيء متجمد.
انتهاكات الفيزياء: كرة تتدحرج للأعلى، أو ماء يتدفق للأعلى.
أزمة الهوية: وجه شخص يتغير إلى وجه شخص آخر في منتصف الفيديو.
فشل التفاصيل: النص الموجود على لافتة هو كلام غير مفهوم، أو سيارة لها ثلاث عجلات.
تجاهل التعليمات: المستخدم طلب شاطئاً، والذكاء الاصطناعي أعطاه غابة.

ما التالي؟ (المستقبل)

تخلص الورقة إلى أننا بحاجة إلى بناء "مفتشين" أفضل. إليكم ما يعتقدون أنه يجب فعله لاحقاً:

استخدام نقاد ذكاء اصطناعي أكثر ذكاءً: بدلاً من مجرد إعطاء رقم (مثل "8/10")، يجب على الذكاء الاصطناعي شرح لماذا أعطى هذه الدرجة، تماماً مثل المعلم البشري.
التحقق من السلامة: التأكد من أن الذكاء الاصطناعي لا يصنع عن طريق الخطأ فيديوهات خطيرة، أو عنيفة، أو مضللة.
معيار واحد كبير: في الوقت الحالي، يستخدم الجميع اختبارات مختلفة. نحن بحاجة إلى "اختبار رخصة قيادة" عالمي موحد لفيديوهات الذكاء الاصطناعي حتى نتمكن من مقارنتها بشكل عادل.

الخلاصة

هذه الورقة هي خريطة. تخبرنا أنه بينما أصبح توليد الفيديو بالذكاء الاصطناعي مذهلاً، إلا أننا حالياً نطير بلا بصيرة دون طريقة جيدة لقياس الجودة. يدعو المؤلفون العلماء والمهندسين لبناء "مفتشي جودة" أفضل، حتى عندما تطلب من الذكاء الاصطناعي صنع فيديو، يمكنك التأكد من أنه سيبدو حقيقياً، ويتحرك بسلاسة، وسيفعل ما طلبته منه بالفعل.

إليك ملخص تقني مفصل لورقة المسح البحثي بعنوان "مسح لتقييم الفيديو المُولد بواسطة الذكاء الاصطناعي".

1. بيان المشكلة

أدى التقدم السريع في نماذج الذكاء الاصطناعي التوليدي (مثل Sora، وMeta Movie Gen) إلى انفجار في محتوى الفيديو المُولد بواسطة الذكاء الاصطناائي (AIGV). ومع ذلك، فإن تقييم هذا المحتوى يفرض تحديات فريدة تختلف عن تقييم النصوص أو الصور الثابتة:

التعقيد: تتضمن الفيديوهات كلاً من التعقيد المكاني (الدقة البصرية، بنية الأشياء) والديناميكيات الزمنية (تماسك الحركة، الفيزياء، السببية).
فجوة التقييم: يركز تقييم جودة الفيديو التقليدي (VQA) على المقاييس التقنية (الضغط، عيوب النقل) أو الجودة الإدراكية للمحتوى الذي ينشئه المستخدمون. وغالباً ما يفشل في تقييم التوافق مع التعليمات (ما إذا كان الفيديو يتبع المطالبة النصية) أو المعقولية الفيزيائية (قوانين العالم الحقيقي).
التجزئة: الأبحاث الحالية مشتتة عبر مجالات مختلفة (VQA، التوافق متعدد الوسائط، السلامة)، وتفتقر إلى إطار عمل موحد. تعتمد الطرق الحالية غالباً على درجات عامة أو مقاييس منفصلة، مما يجعل من الصعب تشخيص أوضاع الفشل المحددة.

2. المنهجية وإطار العمل

يقترح المؤلفون إطار عمل موحداً لـ تقييم الفيديو المُولد بالذكاء الاصطناعي (AIGVE)، حيث يصنف المجال إلى بُعدين أساسيين: التوافق مع الإدراك البشري والتوافق مع التعليمات البشرية.

أ. تصنيف الأخطاء

يحدد المسح أولاً ستة أوضاع شائعة للفشل في الـ AIGV لتوجيه عملية التقييم:

الأخطاء التقنية: انخفاض الدقة، الضبابية، عيوب الضغط.
الأخطاء الديناميكية: نقص الحركة ذات المعنى أو الإطارات الثابتة.
الأخطاء الفيزيائية: انتهاك قوانين الفيزياء (مثل الجاذبية، التصادمات).
أخطاء الاتساق: عدم اتساق هوية الكائنات أو مظهرها بمرور الوقت.
أخطاء الجودة: تشوه الهندسة أو فقدان التفاصيل.
أخطاء التوافق: الانحراف عن المطالبة النصية/التعليمات.

ب. مجموعات البيانات المرجعية (Benchmarks)

يصنف المسح مجموعات البيانات بناءً على تركيز التقييم الخاص بها:

عامة واسعة النطاق: تقيس الجودة الشاملة (مثل T2VQA-DB، AIGC-VQA).
متعددة الأبعاد: تفكك الجودة إلى جوانب محددة مثل الدقة البصرية، الحركة، والتوافق مع النص (مثل VBench، EvalCrafter).
المركزة على الزمن/الحركة: تركز على ديناميكيات الحركة والاتساق بعيد المدى (مثل T2VBench، DEVIL).
الموجهة نحو العالم الحقيقي: تقيم المعقولية الفيزيائية، السلامة، والمعرفة الواقعية (مثل VIDEOPHY، T2VSafetyBench، ADGV-Bench).
تطور البيانات: ينتقل المجال من أزواج (فيديو-رأي) بسيطة ( $D=\{V, S\}$ ) إلى ثلاثيات (فيديو-تعليمات-رأي) ( $D=\{V, I, S\}$ ) لالتقاط مدى الالتزام بالتعليمات بشكل أفضل.

ج. طرق التقييم

يصنف الورقة مناهج التقييم إلى نموذجين رئيسيين:

1. تقييم جمع المقاييس (Metric Collection Evaluation):

يستخدم المقاييس القائمة والمستقرة لتقييم أبعاد محددة.
أمثلة: VBench (16 بُعداً هرمياً)، EvalCrafter (الجودة البصرية، التوافق بين النص والفيديو، الحركة، الاتساق الزمني).
القصور: مكلفة حوسبياً لتشغيل مقاييس متعددة؛ وتفتقر إلى درجة موحدة.

2. التقييم القائم على النمذجة (Modeling-Based Evaluation):

تدريب النماذج للتنبؤ بالحكم البشري مباشرة من البيانات.
النماذج الشاملة (Holistic Models): تتنبأ بدرجة جودة إجمالية واحدة (مثل T2VQA، AIGC-VQA).
النماذج متعددة الجوانب والواعية بالتعليقات: تتنبأ بدرجات مهيكلة وتفسيرات باللغة الطبيعية لجوانب محددة (مثل VideoScore، AIGVE-MACS).
النماذج الزمنية: تركز خصيصاً على الحركة والديناميكيات (مثل DEVIL، FVMD).
نماذج العالم الحقيقي/السلامة: تقيم الالتزام بقيود السلامة والقوانين الفيزيائية (مثل T2VSafetyBench، GAP).

3. النماذج التأسيسية في التقييم:

النماذج متعددة الوسائط (CLIP/BLIP): تُستخدم لتمثيل التشابه بين النصوص وإطارات الفيديو.
النماذج اللغوية الكبيرة متعددة الوسائط (LMMs/LLMs): تبرز كنماذج تقييم قوية (مثل GPT-4V، Q-Align) يمكنها الاستنتاج حول الاتساق، وتوليد تعليقات تشخيصية، والتعامل مع تعليمات معقدة عبر ضبط التعليمات.

3. المساهمات الرئيسية

تعريف مجال جديد: يقترح المؤلفون رسمياً AIGVE كمجال بحثي متميز، يميزه عن تقييم VQA التقليدي وتقييم النصوص/الصور.
تصنيف شامل: يقدمون نظرة عامة مهيكلة للمشهد، حيث يصنفون مجموعات البيانات، وأنواع الأخطاء، وطرق التقييم (القائمة على المقاييس مقابل القائمة على النمذجة، والشاملة مقابل متعددة الجوانب).
تحديد الفجوات: يسلط المسح الضوء على القيود الحرجة في الأبحاث الحالية، مثل الافتقار إلى أطر عمل موحدة، وضعف قابلية تفسير الدرجات، وعدم الكفاية في التعامل مع قيود السلامة والأخلاق.
خارطة الطريق المستقبلية: تحدد الورقة اتجاهات محددة للبحث المستقبلي، بما في ذلك دمج نماذج الرؤية واللغة (VLMs)، وتعزيز قابلية تفسير الدرجات، ودمج الاعتبارات الأخلاقية/السلامة.

4. النتائج والمكتشفات

الارتباط بالحكم البشري: تظهر المناهج القائمة على النمذجة (خاصة تلك التي تستخدم LMMs) ارتباطاً أعلى مع التقييمات الذاتية البشرية مقارنة بجمع المقاييس التقليدية، لا سيما في تقييم التوافق الدلالي والديناميكيات الزمنية المعقدة.
قابلية التفسير: الطرق التي توفر درجات لكل جانب وتعليقات باللغة الطبيعية (مثل VideoScore2، AIGVE-MACS) هي الأفضل لتصحيح الأخطاء وتوجيه تحسين النماذج مقارنة بالدرجات الرقمية المفردة.
التحديات الزمنية: لا تزال الطرق الحالية تعاني بشكل كبير مع الاتساق الزمني طويل المدى والمعقولية الفيزيائية. ومن الضروري وجود معايير متخصصة (مثل VIDEOPHY) لدفع التقدم في هذه المجالات.
اتجاهات البيانات: هناك تحول واضح نحو مجموعات بيانات أكبر ومتعددة الوسائط تتضمن تعليمات مفصلة وتغذية راجعة بشرية، مبتعدة عن مجرد تقييمات الجودة البسيطة.

5. الأهمية

مورد تأسيسي: يعمل هذا المسح كدليل تأسيسي للباحثين والممارسين، حيث يدمج الأبحاث المشتتة في إطار عمل متماسك.
دفع المتانة: من خلال الدعوة إلى التقييم متعدد الأبعاد والمتوافق مع التعليمات، تدفع الورقة المجال نحو نماذج توليد فيديو أكثر موثوقية وقابلية للتحكم.
الآثار الأخلاقية والوقائية: تؤكد الورقة على الحاجة الماسة لأطر تقييم يمكنها اكتشاف المحتوى الضار، والتحيز، وانتهاكات السلامة، وهو أمر ضروري للنشر الواقعي لتقنيات AIGV.
الاتجاه المستقبلي: إن الدعوة لدمج نماذج الرؤية واللغة (VLMs وتحسين قابلية التفسير) تضع الأجندة للجيل القادم من أدوات التقييم، بالانتقال من التقييم "الصندوق الأسود" إلى التقييم التشخيصي القابل للتفسير.

في الختام، تجادل هذه الورقة بأن مستقبل الفيديو المُولد بالذكاء الاصطناعي لا يعتمد فقط على نماذج توليد أفضل، بل على أطر تقييم قوية ودقيقة وأخلاقية يمكنها التعامل مع التعقيدات المكانية والزمنية والدلالية لمحتوى الفيديو.