Mind the Motions: Benchmarking Theory-of-Mind in Everyday Body Language
تقدم هذه الورقة Motion2Mind، وهو إطار عمل ومجموعة بيانات مبتكرة صُممت لتقييم قدرات "نظرية العقل" لدى أنظمة الذكاء الاصطناعي في تفسير الإشارات غير اللفظية، كاشفةً أن النماذج الحالية تتخلف بشكل كبير عن البشر في كل من اكتشاف لغة الجسد وشرح الحالات الذهنية الكامنة وراءها بدقة.
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 في حفلة. ترى شخصاً يكتف ذراعيه، أو ينقر بقدمه، أو يتجنب التواصل البصري. لست بحاجة لأن ينطق بكلمة واحدة لتعرف أنه قد يكون يشعر بالبرد، أو نفد صبره، أو يشعر بعدم الارتياح. أنت تقرأ "نظرية العقل" (Theory of Mind) لديه — أنت تخمن ما يدور داخل رأسه بناءً على لغة جسده.
هذه الورقة البحثية، التي تحمل عنوان "Mind the Motions" (انتبه للحركات)، تطرح سؤالاً بسيطاً ولكنه صعب: هل تستطيع الحواسيب فعل ذلك؟
قام الباحثون ببناء اختبار جديد يسمى MOTION2MIND ليروا ما إذا كان الذكاء الاصطناعي يستطيع فهم لغة الجسد البشرية بقدر ما نفعل نحن. إليك تفصيل لنتائجهم، باستخدام بعض التشبيهات المألوفة.
1. المشكلة: الذكاء الاصطناعي بارع في النصوص، سيء في "الأجواء" (Vibes)
فكر في الذكاء الاصطناعي الحالي (مثل روبوتات الدردشة الذكية التي تستخدمها) كشخص قرأ كل كتاب في المكتبة ولكنه لم يغادر منزله قط. هم خبراء في فهم الكلمات والألغاز المنطقية، لكنهم لم يروا أبداً شخصاً حقيقياً يتململ، أو يتنهد، أو يبتسم بارتباك.
وجد الباحثون أنه بينما تعد نماذج الذكاء الاصطنا هذه ذكية، إلا أنها سيئة جداً في قراءة "الفيلم الصامت" للتفاعل البشري. فهي غالباً ما تفشل في ملاحظة الإشارات الواضحة أو تخترع معانٍ حيث لا توجد معانٍ.
2. الحل: "قاموس لغة جسد" جديد
لاختبار الذكاء الاصطناعي بشكل صحيح، لم يستطع الباحثون مجرد استخدام الاختبارات القديمة التي تسأل فقط: "إذا كانت أليس تعتقد أن بوب في المطبخ، لكن بوب في الواقع في الحديقة، فأين تعتقد أليس أن بوب موجود؟" (هذا لغز منطقي كلاسيكي يسمى مهمة "الاعتقاد الخاطئ").
بدلاً من ذلك، أنشأوا مجموعة بيانات ضخمة من العالم الحقيقي باستخدام مقاطع من الأفلام، والمسلسلات الكوميدية، وبرامج الواقع. لقد عاملوا هذا الأمر كأنه قاموس ضخم كتبه خبير للغة الجسد.
- القاموس: استخدموا مرجعاً من تأليف خبير (جو نافارو) يسرد 407 حركة جسدية محددة (مثل "تكتيف الذراعين" أو "لمس الرقبة") وما تعنيه عادةً (مثل "الشعور بعدم الأمان" أو "محاولة إخفاء شيء ما").
- الاختبار: عرضوا على الذكاء الاصطناعي مقاطع فيديو قصيرة مدتها 4 ثوانٍ وطلبوا منه لعب ثلاثة أدوار:
- المحقق (الرصد): "ما هي الحركة التي تراها؟"
- المترجم (المعرفة): "ماذا تعني هذه الحركة عادةً؟"
- المحلل النفسي (التفسير): "بالنظر إلى المشهد بأكم، بماذا يشعر هذا الشخص الآن؟"
3. النتائج: فخ "الإفراط في التفسير"
كانت النتائج مفاجئة ومثيرة للقلق بالنسبة للذكاء الاصطناعي.
- مشكلة "الهلوسة": الذكاء الاصطناعي يشبه طالباً متحمسًا للغاية للحصول على الإجابة الصحيحة لدرجة أنه يبدأ في تأليف الأمور. إذا كان شخص ما في الفيديو يجلس ساكناً فقط، فقد يقول الذكاء الاصطناعي: "إنه يشعر بوضوح بوجود معاناة وجودية عميقة".
- مصطلح الورقة البحثية: الإفراط في التفسير (Over-interpretation). يرى الذكاء الاصطناعي حركة ما ويفرض عليها معنى نفسياً، حتى عندما تكون الحركة بلا معنى أو مجرد تشنج عشوائي.
- الفجوة: حتى أكثر نماذج الذكاء الاصطناعي ذكاءً (مثل GPT-4o) سجلت درجات أقل بكثير من الخبراء البشريين.
- البشر: عندما سُئلوا عن معنى حركة جسدية، أصاب الخبراء بنسبة 89% من المرات.
- الذكاء الاصطناعي: سجلت أفضل نماذج الذكاء الاصطناعي حوالي 45-65% فقط.
- اختبار "الإشارة غير الصالحة": ضمن الباحثون مقاطع "خداعية" حيث كانت الحركة مرئية ولكنها لا تعني أي شيء محدد في ذلك السياق (على سبيل المثال، شخص يتحرك في مقعده فقط لأن الكرسي غير مريح). حاول الذكاء الاصطناعي دائماً إسناد معنى عاطفي عميق لهذه الحركات العشوائية، بينما قال البشر بشكل صحيح: "هذا لا يعني أي شيء خاص".
4. لماذا يهم هذا؟
تجادل الورقة بأن الذكاء الاصطناعي، لكي يتفاعل حقاً مع البشر (مثل مساعد روبوت أو صديق افتراضي)، يحتاج إلى فهم ما هو أكثر من مجرد الكلمات. يحتاج إلى فهم "اللغة الصامتة" لأجسادنا.
حالياً، الذكاء الاصطناعي يشبه شخصاً يتحدث الإنجليزية بطلاقة ولكنه لا يدرك أن تكتيف الذراعين يعني عادةً أن الشخص منغلق على نفسه. إنه يفتقر إلى "اختبار الأجواء" (vibe check) الذي يجعل التواصل البشري ناجحاً.
ملخص في إيجاز
- الهدف: هل يستطيع الذكاء الاصطناعي قراءة لغة الجسد؟
- الاختبار: معيار مرجعي جديد يسمى MOTION2MIND باستخدام مقاطع فيديو حقيقية وقاموس خبير للإيماءات.
- الحكم: لا، ليس حقاً. الذكاء الاصطناعي حالياً سيء في هذا الأمر. فهو غالباً ما يفتقد الإيماءات الواضحة، والأخطر من ذلك، أنه يخترع معانٍ عاطفية عميقة لحركات عشوائية لا تعني أي شيء.
- الخلاصة: لا يزال أمامنا طريق طويل قبل أن تتمكن الآلات من "قراءة الغرفة" حقاً. فهي لا تزال حرفية للغاية وعرضة لتأليف الأمور عندما يتعلق الأمر بلغة الجسد البشرية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.