Simple 3D Pose Features Support Human and Machine Social Scene Understanding
تُظهر هذه الدراسة أن الإدراك الاجتماعي البشري يعتمد على معلومات بسيطة وصريحة للوضعية ثلاثية الأبعاد، والتي تتفوق على معظم الشبكات العصبية العميقة في التنبؤ بالأحكام الاجتماعية ويمكنها تعزيز أداء الآلة بشكل كبير عند دمجها في هذه النماذج.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
إليك شرح لورقة بحثية بعنوان "ميزات الوضعية ثلاثية الأبعاد البسيطة تدعم فهم المشاهد الاجتماعية للبشر والآلات"، مترجمة إلى لغة يومية مع بعض التشبيهات الإبداعية.
الفكرة الكبرى: لماذا لا "تفهم" الروبوتات الإشارات الاجتماعية؟
تخيل أنك تدخل غرفة وتعرف على الفور ما إذا كان شخصان يخوضان نقاشاً حاداً، أو حواراً عميقاً، أو مجرد واقفين بجانب بعضهما البعض بشكل محرج. أنت تفعل ذلك دون عناء؛ فأنت لا تحتاج إلى تحليل عضلات الوجه أو قراءة عقولهم، بل تكتفي فقط بالنظر إلى أين يقفون وإلى أي اتجاه يواجهون.
الآن، تخيل روبوتاً ذكياً للغاية (شبكة عصبية عميقة) ينظر إلى المشهد نفسه. على الرغم من أن هذا الروبوت يمكنه تحديد قطة في صورة أو وصف غروب الشمس بدقة، إلا أنه غالباً ما يفشل في فهم "الأجواء" الاجتماعية. قد يرى شخصين، لكنه قد يغفل عن حقيقة أنهما يتجاهلان بعضهما البعض.
أراد الباحثون من جامعة جونز هوبكنز معرفة السبب: لماذا؟
وضعوا فرضية مفادها أن البشر يعتمدون على "خلطة سرية" لفهم المشاهد الاجتماعية: وهي التموضع الجسدي ثلاثي الأبعاد. وافترضوا أنه بينما يبدع الذكاء الاصطناي في التعرف على ماهية الأشياء (الألوان، الأشكال، الملامس)، فإنه سيء جداً في فهم أين توجد الأشياء في الفضاء ثلاثي الأبعاد وكيف ترتبط ببعضها البعض.
التجربة: "الهيكل العظمي" مقابل "اللوحة"
لاختبار ذلك، أقام الباحثون مواجهة ضخمة بين الحدس البشري والرؤية الحاسوبية.
- الاختبار: استخدموا 250 مقطع فيديو قصير لأشخاص يقومون بأفعال يومية (يتحدثون، يرقصون، يتشاجرون). قام البشر بتقييم هذه المقاطع بناءً على خمسة أشياء: مدى قربهم من بعضهم؟ هل يواجهون بعضهم البعض؟ هل يتحدثون؟ هل يتلامسون؟
- المتنافسون: وضعوا 350 نموذجاً مختلفاً من نماذج الذكاء الاصطناعي (أحدث تقنيات "الرؤية" المتاحة حالياً) في مواجهة نظام بسيط يشبه النظام البشري.
- نماذج الذكاء الاصطناي: هي مثل فنانين درسوا ملايين اللوحات؛ فهي ترى "نسيج" المشهد.
- النظام البسيط: هذا النظام لم ينظر إلى "اللوحة" على الإطلاق. بل جرد الفيديو إلى جوهره الأساسي. لقد نظر فقط إلى الإحداثيات ثلاثية الأبعاد (X, Y, Z) لمفاصل الأشخاص (الأكتاف، الوركين، الأيدي). كان الأمر أشبه بالنظر إلى رسوم متحركة لشخصيات "رجل العصا" (Stick-figure) في فضاء ثلاثي الأبعاد.
النتائج: "رجل العصا" يهزم الحواسيب الخارقة
كانت النتيجة صادمة. فنظام "رجل العصا" البسيط، الذي تتبع فقط أين يقف الناس وإلى أين يتجهون، تفوق على جميع نماذج الذكاء الاصطناي الـ 350 تقريباً في التنبؤ بما اعتقد البشر أنه يحدث.
- التشبيه: تخيل أنك تحاول تخمين مزاج حفلة ما. نماذج الذكاء الاصطناي تشبه شخصاً ينظر إلى صورة عالية الدقة للحفلة، ويحلل الإضاءة، والملابس، والأثاث. أما النظام البسيط فهو يشبه شخصاً ينظر فقط إلى خريطة توضح أين يقف الضيوف وإلى أي اتجاه تتجه أنوفهم.
- النتيجة: الشخص الذي نظر إلى الخريطة (المواقع ثلاثية الأبعاد) كان أفضل بكثير في تخمين المزاج الاجتماعي من الشخص الذي نظر إلى الصورة (التفاصيل البصرية).
الاكتشاف "التقليلي": القليل يعني الكثير
ثم سأل الباحثون: "هل نحتاج حقاً إلى كل تلك المفاصل الـ 45 في الجسم (الأصابع، أصابع القدم، الأكواع) لنصل إلى هذه النتيجة؟"
حاولوا تبسيط الأمر أكثر فأكثر، فأنشأوا "ميزة ثلاثية الأبعاد تقليلية":
- الموقع: أين يوجد الشخص؟ (X, Y, Z)
- الاتجاه: إلى أين يواجه؟ (مثل سهم البوصلة)
السحر: هذه المجموعة الصغيرة من البيانات (الموقع والاتجاه فقط) عملت بنفس كفاءة الهيكل الكامل والمعقد.
- فخ البعد الثنائي (2D): عندما حاولوا القيام بذلك باستخدام بيانات ثنائية الأبعاد فقط (مثل رسم مسطح على ورقة، مع تجاهل العمق)، فشل النظام فشلاً ذريعاً. أثبت هذا أن العمق (المحور Z) هو المكون الحاسم. البشر يحتاجون لمعرفة ما إذا كان شخص ما خلف شخص آخر أو أمام شخص آخر، وليس فقط يميناً أو يساراً.
لماذا يعاني الذكاء الاصطناي (وكيف نصلحه)؟
وجدت الدراسة أن نماذج الذكاء الاصطناي التي كانت الأفضل في التنبؤ بهذه المواقع ثلاثية الأبعاد البسيطة، كانت أيضاً الأفضل في فهم التقييمات الاجتماعية البشرية.
- المشكلة: معظم نماذج الذكاء الاصطناي الحديثة مدربة على التعرف على الأشياء (كوب، شجرة) أو الأفعال (الجري، القفز). إنها تعامل العالم كصورة مسطحة أو مجموعة من الأشياء. هي لا تبني بشكل طبيعي نموذجاً ذهنياً يقول: "الوكيل (أ) يقف على بعد مترين من الوكيل (ب)، وهو يواجهه".
- الحل: عندما أجبر الباحثون نماذج الذكاء الاصطناي على دمج معرفتها "البصرية" المعتادة مع ميزات الموقع والاتجاه ثلاثية الأبعاد البسيطة هذه، أصبح الذكاء الاصطناي أفضل بكثير في فهم التفاعلات الاجتماعية.
الخلاصة
الإدراك الاجتماعي البشري بسيط بشكل مدهش. نحن لا نحتاج لرؤية مسام الجلد أو اللون الدقيق لقميص شخص ما لنعرف ما إذا كانوا أصدقاء أم أعداء. نحن نحتاج فقط لمعرفة أين هم وإلى أين ينظرون في الفضاء ثلاثي الأبعاد.
الذكاء الاصطناي الحالي يشبه طالباً حفظ كل تعريفات القاموس لكنه لم يتعلم أبداً كيف يقرأ لغة الجسد. لجعل الآلات تفهم المشاهد الاجتماعية حقاً، لا نحتاج فقط إلى حواسيب أكبر أو بيانات أكثر؛ بل نحتاج لتعليمها الانتباه إلى الهندسة ثلاثية الأبعاد للأشخاص—تلك الخريطة البسيطة وغير المرئية لمكان وقوف الجميع واتجاهاتهم.
باختصار: لفهم التواصل البشري، لا تحتاج إلى كاميرا عالية الدقة؛ أنت فقط بحاجة إلى خريطة ثلاثية الأبعاد جيدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.