SpaRRTa: A Synthetic Benchmark for Evaluating Spatial Intelligence in Visual Foundation Models
تقدم هذه الورقة SpaRRTa، وهو معيار مرجعي اصطناعي مصمم لتقييم قدرات الاستدلال المكاني لنماذج التأسيس البصري من خلال اختبار قدرتها على تحديد المواضع النسبية للأجسام، مما يكشف عن تفاوتات كبيرة في الوعي المكاني للنماذج الحالية ويوجه التطوير المستقبلي.
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 تعلم روبوتاً كيفية التنقل في غرفة فوضوية. تعرض عليه صورة لقطة تجلس على كرسي بجانب مصباح. يحتاج الروبوت الذكي إلى معرفة شيئين: ما هي هذه الأشياء (قطة، كرسي، مصباح) وأين توجد بالنسبة لبعضها البعض (القطة تقع على يسار المصباح). لفترة طويلة، أصبحت الحواسيب جيدة جداً في الجزء الأول — تحديد الأشياء في الصور. لكن الجزء الثاني، وهو فهم التخطيط ثلاثي الأبعاد والاتجاه، كان يشبه إلى حد ما شخصاً معصوب العينين يحاول تخمين مكان كرة بمجرد النظر إلى رسم مسطح.
هذا هو عالم "نماذج التأسيس البصري" (Visual Foundation Models). فكر في هذه النماذج كأنها عقول ذكية للغاية قرأت ملايين الصور وتعلمت التعرف على الأنماط. إنها المحركات التي تقف وراء العديد من أدوات الصور الحديثة. ومع ذلك، لاحظ الباحثون وجود خلل: هذه العقول بارعة في قول "هذه شجرة!"، لكنها غالباً ما تتعثر عندما يُطلب منها: "هل الشجرة على يسار أم يمين السيارة؟". هذا الأمر مهم، لأنه إذا أردنا للروبوتات أن تسير في منازلنا أو للسيارات أن تقود، فنحن بحاجة لأن تفهم الفضاء والمكان، وليس مجرد المسميات. السؤال الكبير هو: هل ترى هذه العقول الاصطناعية العالم ثلاثي الأبعاد حقاً، أم أنها مجرد تحفظ حِيلاً لتخمين الإجابة الصحيحة لمسائل رياضية محددة؟
لحل هذا الغموض، ابتكر فريق من الباحثين اختباراً جديداً يسمى SpaRRTa (مهمة التعرف على العلاقات المكانية). بدلاً من مطالبة الذكاء الاصطعي بالقيام بعمليات حسابية معقدة مثل قياس المسافات الدقيقة أو رسم خرائط ثلاثية الأبعاد، يطرح SpaRRTa سؤالاً أبسط وأكثر جوهرية: "من وجهة النظر هذه، هل الجسم (أ) على يسار، أم يمين، أم أمام، أم خلف الجسم (ب)؟"
ولجعل هذا الاختبار عادلاً ودقيقاً للغاية، لم يستخدم الباحثون صوراً حقيقية من الإنترنت. بدلاً من ذلك، بنوا عالماً افتراضياً باستخدام محرك ألعاب عالي الأداء (Unreal Engine 5). لقد أنشأوا مشاهد واقعية للغاية — مثل غابة، وصحراء، وبلدة ثلجية، وجسر، ومدينة مزدحمة — ووضعوا فيها أشياء مثل السيارات، والأشجار، والكلاب. وكان بإمكانهم تحريك الكاميرا أو حتى التظاهر بأن "وجهة النظر" هي شخص يقف في المشهد، يطلب من الذكاء الاصطناعي تخيل العالم من عيني هذا الشخص، وليس فقط من منظور الكاميرا. هذا يشبه قول: "إذا كنت واقفاً خلف السيارة، فهل ستكون الشجرة على يساري أم يميني؟"
اختبر الباحثون مجموعة متنوعة من هذه العقول الاصطناعية، بدءاً من تلك التي تعلمت بمجرد النظر إلى الصور وصولاً إلى تلك التي تم تعليمها الهندسة ثلاثية الأبعاد خصيصاً. استخدموا حيلة ذكية تسمى "الاستقصاء" (probing). تخيل أن عقل الذكاء الاصطناعي هو صندوق مغلق من المعلومات؛ وبدلاً من إعادة تدريب الصندوق بأكمله، قاموا ببناء مفتاح بسيط وصغير (المستقصي) لمعرفة ما إذا كانت المعلومات المكانية موجودة بالفعل بالداخل. جربوا ثلاثة مفاتيح مختلفة: مفتاح بسيط ينظر إلى الصورة بأكملها دفعة واحدة، ومفتاح أكثر ذكاءً يمكنه اختيار النقاط المهمة، ومفتاح فائق الذكاء يمكنه التركيز على أشياء محددة متعددة في آن واحد.
إليكم ما وجدوه، وهو أمر مثير للدهشة نوعاً ما. أولاً، غالباً ما فشل المفتاح البسيط. فقد تبين أن رؤية الذكاء الاصطناعي "الشمولية" للصورة (النظر إلى الصورة بأكملها ككتلة واحدة كبيرة) تخفي في الواقع التفاصيل المكانية. إن المعلومات المتعلقة بمكان الأشياء مخزنة في القطع الصغيرة والمحلية للصورة، مثل قطع الأحجية الفردية. وعندما تضغط كل تلك القطع معاً في ملخص واحد، يضيع الاتجاه. ومع ذلك، عندما استخدموا المفاتيح الأكثر ذكاءً وتركيزاً، أدت عقول الذكاء الاصطناعي أداءً أفضل بكثير.
تشير الدراسة إلى أنه بينما تمتلك هذه النماذج وعياً مكانياً، إلا أنه مخفي في التفاصيل الدقيقة. النماذج التي تم تدريبها خصيصاً ببيانات ثلاثية الأبعاد (مثل معرفة المسافة الدقيقة بين الأشياء) قامت بأفضل أداء، ولكن حتى النماذج التي نظرت فقط إلى صور ثنائية الأبعاد مسطحة أظهرت قدرتها على فهم الاتجاه إذا عرفت كيف تطرح السؤال الصحيح. ومن المثير للاهتمام أن الذكاء الاصطناعي واجه صعوبة أكبر بكثير عندما طُلب منه اتخاذ منظور شخص داخل المشهد (المنظور "الخارجي/المركزي" - allocentric view) مقارنة بمجرد النظر من منظور الكاميرا. هذا يشبه كيف يسهل علينا قول "الشجرة على يسار السيارة" من خلال صورتنا، ولكن من الأصعب بكلاً قول "الشونة على يمين السيارة" إذا تخيلنا أنفسنا واقفين خلف السيارة.
تحقق الباحثون أيضاً مما إذا كان كونك بارعاً في تحديد الزهور أو الطائرات يعني أنك بارع في فهم المساحات. وكانت الإجابة: لا. يمكن للذكاء الاصطناعي أن يكون خبيراً في تسمية الأشياء ولكنه سيئ جداً في معرفة مكانها. وهذا يثبت أن SpaRRTa يقيس مهارة مختلفة تماماً عن مجرد التعرف على الأشياء.
باختصار، تشير الورقة البحثية إلى أن عقول الذكاء الاصطناعي الحديثة ليست "عمياء" تجاه الفضاء، ولكنها تخفي معرفتها المكانية في التفاصيل الدقيقة للصورة بدلاً من ملخصها العام الكبير. لبناء روبوتات يمكنها حقاً التنقل في عالمنا، نحتاج إلى التوقف عن مجرد طلب التعرف على الأشياء والبدء في تعليمها فهم العلاقات بينها، باستخدام أدوات مثل SpaRRTa لتوجيه الطريق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.