تخيل أنك تحاول تعليم روبوت كيف يفهم العالم، ليس فقط من خلال النظر إلى صورة فوتوغرافية واحدة ثابتة، بل من خلال فهم كيفية تحرك الأشياء، وتغير شكلها، وتبدل منظورها. هذا هو جوهر مجال يسمى "الرؤية الحاسوبية"، حيث يبني العلماء ذكاءً اصطناعيًا يمكنه "الرؤية". لفترة طويلة، كانت أفضل طريقة لتعليم هذه الروبوتات الحركة هي عرض آلاف الساعات من الفيديو عليها. لكن تصوير الفيديو مكلف، ويستغرق وقتًا طويلاً، وأحيانًا يكون مستحيلاً (مثل محاولة تصوير داخل جسم الإنسان دون إجراء عملية جراحية). لذا، حاول الباحثون استخدام طريق مختصر: أخذوا صورة واحدة وقطعوها إلى أجزاء، آملين أن يتعلم الروبوت من الاختلافات بين تلك الشرائح. المشكلة؟ شريحة الصورة لا تتحرك حقًا؛ إنها تبدو فقط مختلفة قليلاً. الأمر يشبه محاولة تعلم الرقص عبر التحديق في صورة ثابتة لأقدام الراقص. أنت تفقد الإحساس بالتدفق، والالتواء، والدوران. يسأل هذا البحث سؤالاً جريئاً: هل يمكننا استخدام "مولد صور سحري" لإنشاء إطارات فيديو مزيفة من صورة واحدة، مما يمنح الروبوت دروس الحركة التي يحتاجها دون الحاجة أبداً إلى كاميرا حقيقية؟

يقدم البحث طريقة جديدة تسمى CDG-MAE. اعتبرها بمثابة معسكر تدريب ذكي لعقل الروبوت. يستخدم المعسكر نوعًا خاصًا من مولدات الذكاء الاصطناعي (نموذج الانتشار - diffusion model) يأخذ صورة ثابتة ويبتكر نسخًا جديدة ومختلفة قليلاً منها. هذه النسخ ليست مجرد ضجيج عشوائي؛ بل ينشئ المولد مشاهد تبدو فيها الأشياء وكأنها قد تحركت، أو دارت، أو غيرت زاويتها، محاكيةً ما يحدث في الفيديو الحقيقي. ثم يلعب الروبوت لعبة "ملء الفراغات": يرى نسخة واحدة من المشهد (المرساة - anchor) وعليه أن يخمن كيف يبدو الجزء المخفي والمغطى (المستهدف - target) من نسخة أخرى تم إنشاؤها. ولضمان أن المشاهد المولدة جيدة حقًا للتعلم، بنى المؤلفون نظام "ضبط جودة". إنهم يقيسون مدى بقاء المشهد العام كما هو بينما تتغير التفاصيل المحلية، لضمان أن الروبوت لا يقوم بمجرد تخمين بكسلات عشوائية، بل يتعلم فعليًا كيفية ارتباط الأشياء ببعضها البعض في الفضاء.

وجد الباحثون أن هذا النهج يعمل بشكل جيد بشكل مدهش. فباستخدام "الفيديوهات المزيفة" التي أنشأها الذكاء الاصطناعي بدلاً من مجرد تقطيع الصور الحقيقية، تعلم الروبوت فهم الحركة والمنظور بشكل أفضل بكثير من الطرق السابقة التي اعتمدت فقط على قص الصور (image crops). في الواقع، قللت طريقتهم الفجوة بين التعلم من الصور الثابتة والتعلم من مقاطع الفيديو الحقيقية المكلفة. كما اكتشفوا أن جعل اللعبة أصعب ساعدهم: فبدلاً من إظهار صورة "مرساة" واحدة فقط لمساعدة الروبوت على التخمين، أظهروا له ثلاث صور، بل وقاموا بتغطية أجزاء من تلك الصور المساعدة أيضًا. هذا أجبر الروبوت على العمل بجهد أكبر وتعلم روابط أعمق. والنتي نتيجة ذلك هي نظام يمكنه تعلم مهارات بصرية قوية باستخدام مكتبة من الصور الثابتة فقط، مما يوفر التكلفة والجهد الهائلين لجمع بيانات الفيديو.

قصة CDG-MAE: تعليم الروبوتات الرقص باستخدام الصور السحرية

المشكلة: الروبوت يحتاج للحركة، لكننا لا نملك سوى الصور
تخيل أنك تعلم طفلاً ركوب الدراجة. إذا عرضت عليه فقط صورة لدراجة، فقد يتعلم شكل الدراجة، لكنه لن يتعلم كيفية التوازن أو التبديل. لتعلم ذلك، يحتاج إلى رؤية الدراجة وهي تتحرك. في عالم الذكاء الاصطناعي، يريد العلماء تعليم الحواسيب كيفية فهم حركة الأشياء وتغير المنظور. هذا أمر بالغ الأهمية لمهام مثل تتبع شخص يركض عبر فيديو أو فهم كيفية انعطاف سيارة عند زاوية ما.

تقليديًا، كانت أفضل طريقة لتعليم ذلك هي تغذية الكمبيوتر بآلاف الساعات من الفيديو. لكن الفيديو ثقيل، ومكلف الجمع، وأحيانًا يستحيل الحصول عليه (كما في التصوير الطبي، حيث لا يمكنك ببساطة تصوير مريض وهو يتحرك بحرية). لذا، حاول الباحثون استخدام طريق مختصر: أخذوا صورة واحدة وقاموا بقصها (قطع قطعة صغيرة منها) لإنشاء عرض ثانٍ. كانوا يأملون أن يتعلم الكمبيوتر من خلال مقارنة الصورة الكاملة بالقطعة الصغيرة. لكن هنا تكمن العقبة: القطعة المقصوصة من الصورة لا تتحرك فعليًا. إنها مجرد زاوية مختلفة للحظة مجمدة. الأمر يشبه محاولة تعلم كيف يدور الراقص عبر النظر إلى صورتين مختلفتين لأقدامه. يعلق الكمبيوتر لأنه لا يستطيع تعلم "تدفق" الحركة.

الحل: مولد الصور السحري
ابتكر مؤلفو هذا البحث، CDG-MAE، حلاً إبداعيًا. فبدلاً من استخدام فيديوهات حقيقية أو مجرد قص الصور، استخدموا مولد صور "سحري" يسمى نموذج الانتشار (diffusion model). يمكنك التفكير في هذا النموذج كفنان موهوب للغاية شاهد ملايين الصور. إذا أظهرت لهذا الفنان صورة قطة، يمكنه رسم صورة جديدة لنفس القطة، ولكن هذه المرة القطة تنظر إلى اليسار، أو ذيلها يتأرجح، أو الزاوية مختلفة قليًا.

استخدم الباحثون هذا الفنان لإنشاء "حقيبة من المشاهد". لكل صورة حقيقية واحدة في مجموعة البيانات الخاصة بهم، طلبوا من الفنان السحري إنشاء أربع نسخ جديدة ومختلفة قليلاً. هذه الصور الجديدة ليست عشوائية؛ فهي تحافظ على التفاصيل المهمة للمشهد ولكنها تقدم تغييرات في الوضعية والمنظور، تمامًا كما يحدث في لقطات الفيديو.

اللعبة: ملء الفراغات
بمجرد حصولهم على هذه الصور السحرية، وضعوا لعبة للكمبيوتر للعبها، تسمى الترميز التلقائي المقنع (Masked Autoencoding):

1. الهدف (The Target): يأخذون إحدى الصور السحرية ويغطون جزءًا ضخمًا منها (90% منها!) بقناع أسود. الأمر يشبه النظر إلى أحجية (puzzle) معظم قطعها مفقودة.
2. المرساة (The Anchor): يعرضون للكمبيوتر بضع صور سحرية أخرى (تسمى "المراسي") مرتبطة بالهدف.
3. التحدي: يجب على الكمبيوتر النظر إلى الأجزاء المرئية من الهدف وصور المرساة لتخمين كيف تبدو الأجزاء المفقودة والمغطاة من الهدف.

لجعل اللعبة أفضل، قام المؤلفون بتغيير القواعد. بدلاً من إظهار صورة مرساة واحدة فقط للكمبيوتر، أظهروا له ثلاث صور. ولجعل الأمر أكثر صعوبة (وهو ما يساعد الكمبيوتر على التعلم أكثر)، قاموا بتغطية أجزاء من تلك الصور المساعدة أيضًا. هذا أجبر الكمبيوتر على فهم العلاقة بين الأشياء حقًا، بدلاً من مجرد حفظ الأنماط.

فحص الجودة: هل الصور السحرية جيدة بما يكفي؟
كان هناك قلق كبير: "ماذا لو رسم الفنان السحري شيئًا غريبًا؟ ماذا لو أصبح للقطة فجأة ثلاثة أرجل؟" إذا كانت المشاهد المولدة مختلفة جدًا، فسيصاب الكمبيوتر بالارتباك. وإذا كانت متشابهة جدًا، فلن يتعلم الكمبيوتر شيئًا.

ابتكر المؤلفون "اختبار جودة" خاصًا للتحقق من صورهم السحرية. لقد قاموا بقياس شيئين:

• التشابه العالمي (Global Similarity): هل لا يزال المشهد بأك ول م يبدو كأنه نفس المكان؟ (نعم، القطة لا تزال قطة).
• التشابه المحلي (Local Similarity): هل تغيرت الأجزاء المحددة بطريقة واقعية؟ (هل تحرك الذيل إلى مكان جديد؟).

وجدوا أن الصور السحرية التي ولدها النموذج المختار كانت قريبة جدًا من لقطات الفيديو الحقيقية من حيث هذه الاختبارات. لقد كانت أفضل بكثير من مجرد قص الصور البسيطة، وتقترب كثيرًا من جودة الفيديوهات الحقيقية. وهذا منحهم الثقة في أن بياناتهم "المزيفة" مفيدة حقًا للتعليم.

النتائج: التفوق على القص، وملاحقة الفيديوهات
عندما اختبروا طريقتهم الجديدة، CDG-MAE، في مهام متنوعة (مثل تتبع الأشياء في الفيديوهات)، كانت النتائج مبهرة:

• أفضل من القص (Crops): تفوقت الطريقة بشكل كبير على الأساليب التي استخدمت مجرد قص الصور. تعلم الكمبيوتر مهارات أغنى لأن الصور السحرية وفرت حركة حقيقية وتغيرات في المنظور.
• اللحاق بالفيديوهات: على الرغم من أنهم استخدموا فقط صورًا ثابتة في البداية، إلا أن طريقتهم اقتربت كثيرًا من أداء الأنظمة التي يتم تدريبها على بيانات فيديو فعلية.
• تعزيز تعدد المراسي (Multi-Anchor Boost): جعل استخدام ثلاثة مراسي وإخفاء أجزاء منها (قناع المرساة) الكمبيوتر أكثر ذكاءً. لقد تعلم مطابقة التفاصيل عبر مشاهد متعددة، وهي مهارة أصعب ولكنها أكثر فائدة.

لماذا يهم هذا؟
الدرس الأكبر المستفاد هو أننا لسنا بحاجة دائمًا إلى بيانات فيديو مكلفة أو يصعب الحصول عليها لتعليم الحواسيب عن الحركة. من خلال استخدام مولد صور ذكي لإنشاء تنويعات "اصطناعية" من ملايين الصور التي نمتلكها بالفعل، يمكننا تدريب نماذج ذكاء اصطناعي قوية بسهولة أكبر بكثير. لقد أظهر المؤلفون أنه مع الأدوات الصحيحة والقليل من الإبداع، يمكننا تحويل مكتبة من الصور الثابتة إلى ساحة تدريب ديناميكية للجيل القادم من آلات الرؤية.

ملاحظة حول المستقبل
المؤلفون صريحون بشأن الحدود. لا يمكنهم التحكم بدقة في كيفية تغيير الفنان السحري للصورة (مثل فرض تغيير معين في الوضعية)، كما أن توليد هذه الصور يتطلب بعض القدرة الحوسبية. ولكن مع تحسن وسرعة هذه المولدات، يمكن أن يصبح نهج "الصورة السحرية" هذا طريقة قياسية لتعليم الذكاء الاصطناعي، مما يوفر الوقت والموارد مع فتح آفاق جديدة في المجالات التي يصعب فيها الحصول على الفيديو.