ملخص تقني: إيثولوجيا الفضاءات الكامنة

بيان المشكلة

تتحدى هذه الدراسة الافتراض السائد بأن الفضاءات الكامنة في نماذج الرؤية واللغة (VLMs)، وتحديداً بنيات CLIP، هي فضاءات محايدة أو متجانسة أو غير محددة أنطولوجياً. وبينما تعمل هذه النماذج على فضاءات متجهية رياضية حيث تُساوى التشابهات المترية بالتشابهات الدلالية، تجادل الورقة بأن هذا التكافؤ غير مستقر محلياً ويعتمد بشدة على توزيعات التدريب. تكمن المشكلة المركزية في "النقطة العمياء" المتعلقة بأنماط الهيكلة الداخلية لهذه النماذج: حيث يفترض المستخدمون غالباً قدرتهم على التحكم في التوليد والتفسير، غير مدركين أن الفضاء الكامن يكمل الواقع البصري بناءً على توزيعات متعلمة وغير مقصودة. وتفترض الورقة أن هذه الفضاءات ليست حاويات فارغة للمعنى، بل هي مهيكلة بواسطة "حساسيات خوارزمية" محددة و"تشكيلات خطابية" موروثة من بيانات تدريبها وتصميماتها المعمارية، مما يؤدي إلى ظهور تحيزات سياسية وثقافية كامنة غير مرئية للوكلاء البشريين.

المنهجية

تستخدم الدراسة نهجاً "إيثولوجياً" (سلوكياً)، عبر مراقبة سلوكيات العمليات الخوارزمية بدلاً من استنتاج آلياتها الداخلية، مستمدةً ذلك من إطار "سلوك الآلة" (Machine Behaviour) (راهوان وآخرون، 2019). تستخدم الدراسة تحليلاً مقارناً لثلاثة نماذج مختلفة من نماذج الرؤية واللغة (VLMs) طُبقت على مجموعة أعمال فنية مكونة من 301 عملاً تمتد من القرن الخامس عشر إلى القرن العشرين (بما في ذلك إنتاجات غير غربية):

1. OpenAI CLIP Large (ViT-L/14): تم تدريبه على WIT، وهو مجموعة بيانات منسقة ومملوكة (~400 مليون زوج).
2. OpenCLIP ViT-L/14: تم تدريبه على LAION-2B، وهي مجموعة بيانات مفتوحة تم كشطها من الويب مع تصفية دنيا (~5.85 مليار زوج).
3. SigLIP Large: تم تدريبه على WebLI، وهو مجموعة بيانات مملوكة لشركة Google تستخدم بنية تعلم زوجي بدلاً من التعلم التبايني.

البروتوكول التقني:

• المحاور الدلالية ثنائية القطب: استلهاماً من التناظات المتجهية (ميكولوف وآخرون، 2013)، صاغ المؤلفون محاور دلالية عبر حساب الفرق المتجهي بين تضمينات نصية متضادة (مثل: "محايد غير سياسي" مقابل "منخرط سياسياً").
• الإسقاط والتسجيل: يتم إسقاط الأعمال الفنية على هذه المحاور لقياس قربها النسبي من الأقطاب، مما يخلق تدرجاً من البروز بدلاً من التصنيف الثنائي.
• تقليل الأبعاد: يُستخدم تقنية T-SNE لتصور الجوارات المحلية والتوترات النسبية داخل الفضاء الكامن عالي الأبعاد، مع الإقرار بأن الهندسة العالمية قد تكون مشوهة لكن عدم التماثل المحلي يظل محفوظاً.
• التحليل متعدد المستويات: يعمل التحليل على ثلاثة مستويات:
  1. مستوى البكسل: الحقول الضوئية واللونية.
  2. مستوى الكائن: التعرف على الأجساد، الوجوه، والعمارة.
  3. المستوى الدلالي: إسناد المفاهيم المجردة (مثل: الانخراط السياسي، الاستعمار).

المساهمات الرئيسية

تقدم الورقة ثلاثة مفاهيم تشغيلية لوصف سلوك نماذج الرؤية واللغة:

1. التسييس الكامن الحسابي: العملية التي تظهر من خلالها الفئات السياسية داخل الفضاء الكامن ليس عبر ترميز مقصود، بل كأثر هيكلي للتوزيعات الخطابية غير المتكافئة في بيانات التدريب. تعمل مجموعة البيانات هنا كـ "أرشيف شبهي" (فوكو) يهيكل ما يصبح بارزاً.
2. التحيز الناشئ: فئة ثالثة من التحيز تختلف عن التحيز الإحصائي (الانحراف عن توزيع مرجعي) والتحيز المعياري (الانحراف عن معيار أخلاقي). التحيز الناشئ لا يمكن اختزاله في توزيعات المدخلات؛ بل ينشأ من التشابكات المتجهية أثناء تكوين الفضاء الكامت، ولا يمكن تشخيصه إلا من خلال التحليل التبايني بين النماذج.
3. الأنظمة الرؤيوية الخوارزمية: تصنيف لأنماط متميزة في هيكلة المرئي:
   • الإنتروبية (LAION): تتميز بالتسييس العرضي والعشوائي الموروث من بيانات الويب غير المنسقة.
   • المؤسساتية (OpenAI): نظام منضبط يعيد إنتاج الهياكل المتحفية الغربية والخطابات النقدية.
   • السيميائية (SigLIP): نظام يسقط مفردات نقدية معاصرة على الأشكال البصرية بانسجام داخلي عالٍ ولكن مع إمكانية وجود نظامية اختزالية.

النتائج الرئيسية

يكشف التحليل المقارن عن تباينات كبيرة في كيفية إسناد النماذج للفئات الثقافية والسياسية، مما يثبت أن "التشابه المتري" لا يضمن بالضرورة "التشابه الدلالي" عبر النماذج المختلفة.

• الانخراط السياسي:
  • صنف SigLIP 59.4% من الأعمال الفنية على أنها منخرطة سياسياً. ومن الملاحظ أن الأقنعة الأفريقية حصلت على أعلى الدرجات، مما يشير إلى ربط الفن غير الغربي بالقصد السياسي.
  • صنف OpenCLIP/LAION نسبة 4% فقط على أنها منخرطة سياسياً.
  • صنف OpenAI CLIP نسبة 33.3%، رابطاً السياسة أساساً بالحركات الطليعية والخطاب المؤسساتي.
• محور الجمال/الاستعمار: كان التباين في ذروته هنا، بفجوة بلغت 72.6 نقطة مئوية بين النماذج. صنف SigLIP 9.2% فقط من الصور نحو قطب "الاستعمار"، بينما صنف OpenAI CLIP وOpenCLIP/LAION بنسبة 69.6% و81.8% على التوالي.
• التعرف على الكائنات (الجسد مقابل المناظر الطبيعية):
  • صنف SigLIP 6.9% فقط من الصور على أنها تمثل جسداً بشرياً، مفضلاً بشدة الأجساد الأكاديمية/الطبيعية (مثل ديغا) ومتجاهلاً الأجسات الحداثية، المشوهة، أو الأسلوبية (مثل باكون، شيليه) والأقنعة الأفريقية.
  • صنف OpenAI CLIP وOpenCLIP بنسبة 59.7% و52.1% على التوالي، دامجين التمثيلات التجاوزية والحداثية.
• الحساسية للسطوع:
  • صنف OpenAI CLIP 97.7% من الأعمال الفنية على أنها "ساطعة"، خلطاً بين مفهوم الضوء (مثل كلمة "نيون" في التسميات التوضيحية) وبين السطوع الفيزيائي.
  • حدد SigLIP بشكل صحيح أساتذة "الكياروسكورو" (رامبرانت، فيرمير) كأكثر الصور عتمة، مما أظهر حساسية أقرب إلى نسب البكسل.

الأهمية والادعاءات

تجادل الورقة بأن الفضاءات الكامنة ليست أدوات محايدة بل هي أجهزة نشطة تهيكل المرئي والقابل للقول. تكمن أهميتها في:

• نقد شروط التفسير: تؤسس الورقة لفكرة أن تاريخ الفن الرقمي لا يمكن تكوينه دون استجواب المنطق الخاص للنماذج المستخدمة. "شروط الإمكان التفسيري" منقوشة داخل الفضاءات التمثيلية للنماذج نفسها.
• إعادة صياغة التحيز: من خلال تحديد "التحيز الناشئ"، تتجاوز الدراسة مجرد تدقيق البيانات. فهي تثبت أن التحيزات يمكن أن تنشأ من التفاعل بين البنية، والتحسين (optimization)، والبيانات، مما ينتج آثاراً سياسية (وحدات أيديولوجية) لا يمكن تتبعها إلى قصد صريح أو نقص إحصائي بسيط.
• التحول المنهجي: تدعو الورقة إلى منهجية إيثولوجية تدمج تحليل بنيات التعلم في أي تفويض للتفسير الثقافي للوكلاء الخوارزميين. وتؤكد الورقة أن "النظر إلى البيانات باستخدام نماذج متعددة الوسائط يعني النظر إلى النماذج متعددة الوسائط باستخدام البيانات"، مما يستوجب نقداً متبادلاً للفضاء المفاهيمي المتأصل في الأدوات.

تخلص الدراسة إلى أنه بينما صارع تاريخ الفن المتمحور حول الإنسان طويلاً مع التحيزات، فإن المنظور الرقمي يجب أن يستجوب نقدياً العمليات التأسيسية لإنتاج النماذج، مع الإقرار بأن الثقافة البصرية للفن أصبحت الآن تتوسطها أنظمة رؤيوية خوارزمية تتجاوز كل من الوعي البشري والأنظمة ذاتها.