When Cultures Meet: Multicultural Text-to-Image Generation
تقدم هذه الورقة المهمة الجديدة المتمثلة في توليد الصور من النصوص متعددة الثقافات، وتقدم معياراً شاملاً ومجموعة بيانات لتقييم النماذج الرائدة عبر الأبعاد الثقافية والديموغرافية، وتقترح إطار عمل MosAIG، وهو إطار متعدد الوكلاء يستفيد من شخصيات النماذج اللغوية الكبيرة المتميزة ثقافياً لتحسين جودة الصور والتجذر الثقافي.
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 أن لديك فرشاة رسم سحرية يمكنها رسم أي شيء تصفه بالكلمات. إذا قلت: "ارسم كلباً"، سترسم كلباً مثالياً. وإذا قلت: "ارسم كلباً عند برج إيفل"، سترسم كلباً عند برج إيفل. هذه التكنولوجيا تسمى توليد الصور من النصوص (Text-to-Image Generation)، وهي تصبح جيدة جداً في ذلك.
لكن هناك مشكلة: معظم فراشي الرسم السحرية هذه قد تعلمت فقط كيف ترسم مشاهد من ثقافة واحدة. فهي تعرف كيف ترسم أمريكياً عند جسر البوابة الذهبية أو فرنسياً عند برج إيفل. ولكن ماذا يحدث إذا طلبت منها رسم جدة فيتنامية تزور جسر البوابة الذهبية؟ أو مراهق ألماني عند تاج محل؟
وفقاً لهذه الورقة البحثية، فإن فراشي الرسم هذه تصاب بالارتباك. فهي غالباً ما تخلط بين الملابس، أو الوجوه، أو المباني، لأنها لم تتدرب على "الرسم عبر الثقافات" بشكل كافٍ.
إليك تفصيل بسيط لما فعله الباحثون في جامعة سانتا كلارا لإصلاح ذلك:
1. المشكلة: انحياز "فخ السائح"
تخيل مولدات صور الذكاء الاصطناعي الحالية مثل دليل سياحي لا يحتوي إلا على صور لأشخاص من نيويورك يزورون نيويورك. هو لا يعرف كيف يبدو شكل شخص من طوكيو وهو يزور نيويورك.
- الواقع: العالم مزيج من الثقافات. الناس يسافرون، ويهاجرون، ويتشاركون المساحات.
- الفجوة في الذكاء الاصطناعي: عندما تطلب من الذكاء الاصطناعي دمج الثقافات (مثل: "فتاة فيتنامية عند جسر البوابة الذهبية")، فإنه غالباً ما يفشل. قد يضع الفتاة في ملابس خاطئة، أو يجعلها تبدو كشخصية كرتونية نمطية، أو ينسى الجسر تماماً.
2. الحل: "فريق الأحلام" من وكلاء الذكاء الاصطناعي
لإصلاح هذا، لم يكتفِ الباحثون بإخبار الذكاء الاصطناعي أن "يحاول بجهد أكبر". بل ابتكروا طريقة جديدة لطلب الصورة، تسمى MosAIG.
تخيل أنك تكلف رساماً بلوحة. بدلاً من إعطاء التعليمات لشخص واحد، أنت توظف "فريق أحلام" مكون من أربعة متخصصين يتحدثون مع بعضهم البعض قبل البدة في الرسم:
- المنسق (The Moderator): هو المدير الذي يقول: "حسناً، نحتاج إلى فتاة فيتنامية تبلغ من العمر 12 عاماً عند جسر البوابة الذهبية".
- خبير الثقافة: "انتظر، الفتاة الفيتنامية قد ترتدي (Áo Dài) (فستاناً تقليدياً)، وليس قميصاً عادياً. دعونا نتأكد من أن الألوان تتناسب مع ثقافتها".
- خبير المعالم: "حسناً، لكن جسر البوابة الذهبية لونه برتقالي وله أبراج محددة. دعونا نتأكد من أن الخلفية دقيقة".
- خبير التفاصيل: "وبما أنها طفلة، يجب أن يكون وجهها وقوامها يشبهان طفلة، وليس شخصاً بالغاً".
هؤلاء "الوكلاء" يتحدثون مع بعضهم البعض، ويقومون بتنقيح الوصف حتى يصلوا إلى وصفة مثالية ومفصلة. ثم يسلمون هذه الوصفة إلى مولد الصور.
التشبيه:
- الأمر البسيط (الطريقة القديمة): "ارسم فتاة عند جسر". (مثل إعطاء أمر غامض للطاهي: "اصنع لي عشاءً").
- الأمر متعدد الوكلاء (الطريقة الجديدة): "ارسم فتاة فيتنامية تبلغ من العمر 12 عاماً ترتدي (Áo Dài) أزرق، تقف على جسر البوابة الذهبية، مع مياه الخليج في الخلفية وغروب الشمس". (مثل إعطاء الطاهي وصفة محددة وفاخرة).
3. الاختبار الكبير: مجموعة بيانات "الخلط الثقافي"
أنشأ الباحثون بنك اختبار ضخم يضم 9,000 صورة. قاموا بخلط وتوفيق العناصر التالية:
- 5 دول: الولايات المتحدة الأمريكية، الهند، ألمانيا، إسبانيا، فيتنام.
- 25 معلماً شهيراً: من تاج محل إلى البيت الأبيض.
- أشخاص مختلفون: أولاد، بنات، بالغون، كبار سن.
- 5 لغات: الإنجليزية، الألمانية، الهندية، الإسبانية، الفيتنامية.
استخدموا هذا لاختبار ما إذا كان نهج "فريق الأحلام" (متعدد الوكلاء) يعمل بشكل أفضل من مجرد سؤال الذكاء الاصطناعي مباشرة.
4. ما وجدوه
- فريق الأحلام ينتصر: عندما تحدث وكلاء الذكاء الاصطناعي مع بعضهم البعض أولاً، كانت الصور الناتجة أفضل بكثير. كانت الملابس أكثر دقة، والمعالم تبدو حقيقية، والناس بدا شكلهم مناسباً لعمرهم وجنسهم.
- فجوة اللغة: لا يزال الذكاء الاصطناعي يعاني أكثر مع اللغات غير الإنجليزية. إذا سألته بالإنجليزية، فسيؤدي عملاً جيداً. أما إذا سألته بالهندية أو الفيتنامية، فقد يتوه أحياناً. الأمر يشبه أن يتحدث الذكاء الاصطناعي الإنجليزية بطلاقة بينما لا يزال يتعلم اللغات الأخرى.
- "الوادي الغريب" (The Uncanny Valley): حتى مع المساعدة، قد يرتكب الذكاء الاصطناعي أخطاء غريبة، مثل إعطاء شخص ستة أصابع أو وضع امرأة ألمانية في فستان إسباني أثناء زيارتها لقلعة إسبانية.
5. لماذا يهم هذا؟
هذه الورقة البحثية هي بمثابة جرس إنذار. مع دخول الذكاء الاصطناعي في حياتنا اليومية (في صناعة الأفلام، والإعلانات، والفن)، فإنه يحتاج لتمثيل الجميع، وليس نوعاً واحداً من البشر فقط.
إذا أردنا للذكاء الاصطناعي أن يكون عادلاً ومفيداً للعالم أجمع، فلا يمكننا تعليمه فقط عن "السياح الأمريكيين". نحن بحاجة لتعليمه كيف يرسم القرية العالمية—حيث يمكن لطفل من ثقافة ما أن يقف بجانب معلم من ثقافة أخرى، وأن يعرف الذكاء الاصطناعي تماماً كيف يرسمهما معاً بكل احترام ودقة.
باخت_صار: نجح الباحثون في بناء "مترجم ثقافي" لفناني الذكاء الاصطناعي، وأثبتوا أنه عندما يتعاون وكلاء الذكاء الاصطناعي كفريق من الخبراء، يمكنهم أخيراً رسم عالم يشبه عالمنا الحقيقي والمتنوع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.