تخيل أنك تحاول تعليم روبوت فائق الذكاء كيف يفهم فيلماً. لديك فيديو مدته تسع دقائق، لكن عقل الروبوت لا يمكنه استيعاب سوى لقطة صغيرة جداً من المعلومات في المرة الواحدة. إذا عرضت عليه كل إطار في الفيديو، سينفجر عقله من كثرة البيانات. وإذا عرضت عليه لقطات عشوائية فقط، فقد يفتقد المشهد الأكثر أهمية تماماً. هذا هو لغز "فهم الفيديو": كيف تختار الصور القليلة المثالية من فيلم طويل حتى يتمكن الروبوت من الإجابة على الأسئلة عنه؟ لقد حاول العلماء حل هذه المعضلة من خلال بناء "مختاري الإطارات" (frame selectors) — وهي أدوات تقرر أي اللحظات تستحق الاحتفاظ بها. التحدي الكبير هو أن اختيار الإطار لا يتعلق فقط بمدى إثارة تلك الثانية الواحدة؛ بل بكيفية ملاءمة تلك الثانية مع الإطارات الأخرى. أنت بحاجة إلى مزيج من التنوع والارتباط، وليس مجرد مجموعة من الإطارات المتشابهة.

إليك فريق جديد من الباحثين الذين بنوا نظاماً يسمى HFS (اختيار الإطارات الشامل المرتبط بالاستعلام). فكر في HFS كأنه محرر أفلام منظم للغاية، لا يكتفي فقط بالنظر إلى السيناريو (السؤال) واختيار مشاهد عشوائية، بل يفكر فعلياً في القصة بأكملها قبل البدء في عملية المونتاج. بدلاً من اختيار الإطارات واحداً تلو الآخر مثل روبوت يعد الخرز، ينظر HFS إلى مجموعة الإطارات كفريق واحد. إنه يستخدم خدعة ذكية حيث يعمل ذكاء اصطناعي أصغر وأسرع "طالب" كمحرر، بينما يعمل ذكاء اصطناعي ضخم وقوي "معلم" كمخرج. يعملان معاً في حلقة: يختار الطالب بعض الإطارات، ويحاول المعلم الإجابة على السؤال، ثم يعلمان بعضهما البعض ما أصابا فيه وما أخطآ فيه. يحدث هذا كله في وقت واحد، وفي الوقت الفعلي، دون الحاجة إلى قائمة "إجابات صحيحة" مكتوبة مسبقاً. والنتيجة؟ يصبح النظام أفضل بكثير في العثور على اللحظة الدقيقة التي تُرش فيها إسفنجة صفراء بالماء (أو أي حدث محدد آخر) في فيديو طويل، حتى عندما تفشل الطرق الأخرى في ذلك تماماً.

المشكلة: فيديو كثير، وعقل قليل

تخيل أن لديك فيديو رسوم متحركة مدته تسع دقائق، وسألك أحدهم: "كيف هدأ الإسفنج الأصفر بعد تلقيه الرسالة؟". إذا عرضت على الروبوت الإطار الأول فقط، والإطار الأوسط، والإطار الأخير، فقد يخمن "طُبخ" أو "غنى مع الحلزون" لأن هذه هي الأشياء الوحيدة التي رآها. لكن الإجابة الحقيقية هي "رُش بسطل من الماء بواسطة الحلزون"، وهو أمر يحدث في لحظة محددة وصغيرة جداً.

حاولت الطرق القديمة حل هذه المشكلة بطريقتين. بعضها كان يختار الإطارات بشكل متساوٍ، مثل التقاط صورة كل 30 ثانية. هذا يشبه محاولة قراءة كتاب عن طريق قراءة الصفحة 1، والصفحة 50، والصفحة 100 فقط؛ ستفقد حبكة الأحداث. أما الطرق الأخرى، فقد حاولت اختيار "أهم" الإطارات بناءً على السؤال، لكنها غالباً ما كانت تختار عشرة إطارات لنفس الحدث (مثل بكاء الإسفنجة) وتفقد الإطار الواحد الذي يسقط فيه دلو الماء. لقد عاملوا كل إطار كأنه عرض منفرد، ونسوا أن الإطارات يجب أن تعمل معاً كمجموعة.

حل HFS: فريق من المحررين

يقترح مؤلفو هذه الورقة طريقة جديدة لاختيار الإطارات، وهم يفعلون ذلك باستخدام ثلاث حيل رئيسية تعمل معاً مثل آلة متقنة الصنع.

1. المحقق "سلسلة الأفكار" (Chain-of-Thought)
أولاً، يحتاج النظام إلى فهم السؤال حقاً. بدلاً من مجرد قراءة كلمات "إسفنجة صفراء" و"رسالة"، يستخدم النظام تقنية تسمى سلسلة الأفكار (CoT). تخيل أن الذكاء الاصطناعي هو محقق يكتب قائمة بالأدلة قبل حل القضية. إنه يفكك السؤال: "حسناً، الإسفنجة تلقت رسالة، ثم حدث شيء ما لتهدئتها. ما هي الطرق الممكنة التي قد يحدث بها ذلك؟". يساعد هذا الذكاء الاصطناعي على إنشاء "خريطة بحث" خاصة (تسمى متجه الاستعلام الكامن) تعرف بالضبط نوع المعلومات التي تحتاج للعثور عليها. إنه الفرق بين البحث عن "صورة لإسفنجة" والبحث عن "اللحظة المحددة التي يتوقف فيها الإسفنج عن البكاء".

2. درجة "العناق الجماعي"
بمجرد أن يعرف الذكاء الاصطناعي ما يبحث عنه، يتعين عليه اختيار الإطارات. الطرق القديمة كانت تقيم الإطارات واحداً تلو الآخر. أما HFS فيقيمها كمجموعة. فكر في الأمر كاختيار فريق لمباراة كرة قدم؛ أنت لا تختار أفضل عشرة لاعبين بشكل فردي فحسب، بل تختار فريقاً يغطي فيه الجميع مراكز مختلفة ولا يتداخلون كثيراً.
يستخدم HFS صيغة رياضية تتحقق من ثلاثة أشياء في آن واحد:

• الارتباط: هل هذا الإطار يجيب على السؤال؟
• التغطية: هل يظهر هذا الإطار شيئاً جديداً لم نره بعد؟
• التكرار: هل نختار عشرة إطارات لنفس الشيء؟ إذا كان الأمر كذلك، توقف!
  تضمن درجة "العناق الجماعي" هذه أن يختار الذكاء الاصطناعي مجموعة متنوعة من الإطارات التي تروي القصة بأكملها، وليس فقط الجزء الأكثر إثارة.

3. رقصة الطالب والمعلم
هذا هو الجزء الأكثر سحراً. عادةً، لتعليم ذكاء اصطناعي كيفية اختيار الإطارات، يضطر العلماء لإظهار ملايين الفيديوهات له مع إجابات "صحيحة" مكتوبة مسبقاً (مثل معلم يصحح اختباراً). لكن المؤلفين أدركوا أن هذا بطيء وجامد. بدلاً من ذلك، بنوا نظام الطالب-المعلم.

• الطالب (ذكاء اصطناعي صغير وسريع) يختار الإطارات.
• المعلم (ذكاء اصطناعي ضخم وقوي) يحاول الإجابة على السؤال باستخدام تلك الإطارات فقط.
  إذا أجاب المعلم بشكل صحيح، يتعلم الطالب: "مهلاً، كانت تلك الإطارات جيدة!". وإذا أخطأ المعلم، يتعلم الطالب: "عذراً، لقد فاتني شيء مهم".
  يقومان بذلك معاً في حلقة؛ يحاول الطالب تخمين ما يراه المعلم مهماً، ويحاول المعلم مطابقة خيارات الطالب. إنهما "يرقصان" معاً، ويتعلمان من بعضهما البعض في الوقت الفعلي دون الحاجة إلى مفتاح إجابات مكتوب مسبقاً. وهذا يجعل النظام قابلاً للتكيف وأكثر ذكاءً.

النتائج: أذكى، أسرع، وأكثر دقة

اختبر الباحثون نظام HFS الجديد في عدة اختبارات فيديو صعبة، بما في ذلك Video-MME و MLVU و LongVideoBench و NExT-QA. تتضمن هذه الاختبارات فيديوهات تتراوح مدتها من 44 ثانية إلى 41 دقيقة.

كانت النتائج مبهرة. عند مقارنته بالطرق الأخرى:

• في اختبار MLVU، حسن HFS متوسط الدرجات بمقدار يصل إلى 4.0 نقاط مئوية.
• في Video-MME، رفع الدقة الإجمالية بمقدار 2.6 نقطة مئوية.
• بل إنه تفوق على أقوى الطرق التي "لا تعتمد على التدريب" (التي لا تتعلم من البيانات) بمقدار يصل إلى 2.0 نقطة.

ولكن الأمر لم يكن يتعلق فقط بكونه صحيحاً، بل كان يتعلق بالكفاءة أيضاً. قاس الفريق الوقت الذي يستغرقه معالجة الفيديو، ووجدوا أن HFS يمكنه اختيار 8 إطارات فقط والحصول على درجة أفضل من الطريقة القياسية التي تختار 16 إطاراً. والأفضل من ذلك، أنه فعل ذلك بشكل أسرع. فبينما استغرقت الطرق الذكية الأخرى أكثر من ثانيتين لاختيار الإطارات، استغرق HFS حوالي 0.65 ثانية فقط، وهو ما يقارب سرعة اختيار الإطارات العشوائية.

لماذا يهم هذا الأمر؟

تشير الورقة إلى أنه من خلال معاملة اختيار الإطارات كمسألة جماعية بدلاً من قائمة عناصر فردية، ومن خلال السماح للذكاء الاصطناعي بالتعلم من أخطائه في الوقت الفعلي، يمكننا جعل فهم الفيديو أكثر كفاءة بكثير. لا يدعي المؤلفون أن هذا يحل كل مشكلة في العالم، لكنهم يظهرون أنه بالنسبة لمهمة محددة وهي مساعدة الروبوتات على فهم الفيديوهات الطويلة، فإن نهجهم "الشامل" (holistic) يمثل خطوة كبيرة للأمام. إنه يثبت أنك لست بحاجة لتغذية الروبوت بالفيلم بأكمله ليفهمه؛ بل تحتاج فقط لتغذيته بالمشاهد الصحيحة، وHFS بارع جداً في العثور عليها.