SARAH: Spatially Aware Real-time Agentic Humans
تُعد SARAH إطار عمل في الوقت الفعلي وكامل السببية، يقوم بتوليد حركات محادثة كاملة للجسم ومدركة مكانياً للوكلاء المجسدين من خلال الجمع بين نموذج فك تشفير تلقائي (VAE) قائم على المحولات السببية ونموذج مطابقة التدفق، مما يتيح تعديلات طبيعية في نظرة العين والتوجه في تطبيقات الواقع الافتراضي المتدفقة بسرعة تزيد عن 300 إطار في الثانية.
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 ترتدي سماعة واقع افتراضي (VR)، وتجري محادثة مع إنسان افتراضي. في معظم تجارب الواقع الافتراضي الحالية، يكون هذا الشخص الافتراضي أشبه بـ تمثال له صوت. مهما تحركت حوله، يظل ينظر للأمام مباشرة. إذا تحركت إلى يساره، لا يلتفت لينظر إليك. إذا تراجعت للخلف، لا يتقدم هو للأمام ليحافظ على راحة المحادثة. يبدو الأمر جامداً وغير طبيعي، كأنك تتحدث إلى تمثال شمعي.
الورقة البحثية التي شاركتها تقدم نظام SARAH (الوكلاء البشريين المدركين مكانياً والناجزين في الوقت الفعلي)، وهو نظام جديد صُمم لإصلاح ذلك. فكر في SARAH ليس كتمثال، بل كـ صديق حقيقي ومنتبه يمكنه التحرك، والنظر إليك، والتفاعل مع موقعك فوراً.
إليك كيف يعمل الأمر، مقسماً عبر بعض التشبيهات من الحياة اليومية:
1. المشكلة: "الأفاتار الزومبي"
الوكلاء الافتراضيون الحاليون يشبهون الزومبي الذين يعرفون الكلام فقط. لديهم أصوات وإيماءات يد رائعة، لكنهم يفتقرون إلى "الوعي المكاني". هم لا يعرفون أنك تتحرك حولهم، ولا يعرفون متى ينظرون في عينيك أو متى يلتفتون بعيداً لترك مساحة لك.
2. الحل: "شريك الرقص"
SARAH يشبه شريك الرقص المثالي.
- الاستماع إلى الموسيقى (الصوت): تماماً كما يتحرك الراقص على إيقاع الموسيقى، تحرك SARAH يديه وجسده ليتماشى مع إيقاع وعاطفة المحادثة.
- مراقبة الأرضية (الوعي المكاني): على عكس الزومبي، يراقب SARAH باستمرار أين تقف أنت. إذا تحركت إلى اليسار، يلتفت رأس وجسد SARAH ليواجهك. إذا تراجعت للخلف، قد يميل هو للأمام قليلاً للحفاظ على حميمية المحادثة. إنه يفهم "فقاعة المساحة الشخصية".
3. كيف يفكر: "الطاهي اللحظي"
للقيام بذلك في الوقت الفعلي (بدون تأخير)، يستخدم SARAH نوعاً خاصاً من بنية الدماغ.
- الطريقة القديمة (الطباخ البطيء): العديد من نماذج الذكاء الاصطناعي السابقة كانت تشبه الطاهي الذي ينتظر حتى تنضج الوجبة بالكامل قبل تقديمها. إنهم يحتاجون لرؤية المستقبل (ما ستفعله لاحقاً) للتخطيط لتحركاتهم. هذا بطيء جداً للواقع الافتراضي ويسبب تأخراً (Lag).
- طريقة SARAH (طاهي البث المباشر): SAR مرح يشبه طاهياً يطبخ في بث مباشر. هو ينظر فقط إلى ما يحدث الآن وما حدث قبل ثانية واحدة. يتخذ قراراته فوراً، إطاراً تلو الآخر، بحيث لا يوجد أي تأخير. وهذا ما يسمى بالمعالجة "السببية" (Causal).
4. السر الخفي: "المساحة الكامنة" (Latent Space)
لكي يتحرك بهذه السرعة، لا يقوم SARAH بحساب كل حركة عضلة من الصفر في كل مرة.
- التشبيه: تخيل أنك تحاول وصف رقصة معقدة لصديق. يمكنك وصف كل حركة إصبع (هذا بطيء جداً!). أو يمكنك وصف "الجو العام" و"الوضعيات الرئيسية" (هذا سريع!).
- التقنية: يستخدم SARAH نموذج VAE (المشفر التلقائي المتغير). فكر في هذا كـ أداة ضغط. إنه يأخذ الحركة ثلاثية الأبعاد المعقدة ويضغطها في "كود ملخص" بسيط (رموز كامنة). ثم يستخدم نموذج "مطابقة التدفق" (Flow Matching) (مثل تيار نهر سلس) للتنبؤ بالحركة التالية بناءً على ذلك الملخص. هذا يسمح له بالعمل بسرعة 300 إطار في الثانية — وهي أسرع مما يمكن للعين البشرية حتى رؤيته!
5. "مقبض التحكم في التواصل البصري"
من أروع الميزات هي أنه يمكنك التحكم في مقدار التواصل البصري الذي يقوم به الوكيل.
- التشبيه: فكر في التواصل البصري مثل مقبض التحكم في مستوى الصوت في الراديو.
- مستوى منخفض (0.0): يكون الوكيل خجولاً أو مشتتاً؛ ينظر بعيداً أو حول الغرفة.
- مستوى متوسط (0.8): يكون الوكيل محاوراً مهذباً وطبيعياً، ينظر إليك معظم الوقت لكنه يلتفت بعيداً بشكل طبيعي.
- مستوى مرتفع (1.0): يكون الوكيل محدقاً فيك بشدة، ولا يشيح بنظره أبداً.
- لماذا هذا مهم: في الحياة الواقعية، التحديق الزائد قد يكون مخيفاً، والنظر بعيداً كثيراً قد يكون وقاحة. يتيح لك SARAH ضبط هذا المقبض لتناسب مستوى راحتك، مما يجعل التفاعل يبدو أكثر إنسانية.
6. النتيجة: محادثة حقيقية
اختبر الباحثون نظام SARAH على مجموعة بيانات تسمى Embody 3D، والتي تلتقط أشخاصاً حقيقيين يتحركون حول بعضهم البعض ويتحدثون (ليس فقط جالسين على كراسٍ).
- الاختبار: قارنوا بين SARAH وأفضل نماذج الذكاء الاصطناعي الأخرى غير المخصصة للوقت الفعلي.
- الفائز: كان SARAH أسرع بـ 3 مرات من أفضل النماذج غير المخصصة للوقت الفعلي، وأنتج حركات أكثر طبيعية بكثير. لم يكتفِ بهز يديه فح، بل أدار جسده بالكامل، وغير وضعية وقوفه، وحافظ على التواصل البصري بشكل طبيعي، تماماً كما يفعل البشر.
باختصار
SARAH هو أول نظام يسمح للإنسان الافتراضي بالتصرف كـ شخص حقيقي في غرفة افتراضية. إنه يستمع للمحادثة، ويراقب أين تتحرك، ويحرك جسده فوراً ليتناسب معك. إنه الفرق بين التحدث إلى دمية متحركة والتحدث إلى صديق.
تثبت الورقة البحثية أنه يمكننا أخيراً بناء وكلاء افتراضيين لا يتحدثون فحسب، بل يوجدون في مساحتك، مستعدين للتفاعل معك في الوقت الفعلي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.