EgoIntent: An Egocentric Step-level Benchmark for Understanding What, Why, and Next
تقدم هذه الورقة البحثية EgoIntent، وهو معيار مرجعي جديد على مستوى الخطوة للفيديوهات من منظور الشخص الأول (egocentric)، والذي يقيم نماذج اللغات الكبيرة متعددة الوسائط في فهم الأفعال المحلية، والنوايا العالمية، والتخطيط للخطوة التالية، مما يكشف عن تحديات كبيرة في قدرة النماذج الحالية على إجراء استدلال دقيق وتنبؤي للنوايا.
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 تشاهد صديقاً لك وهو يصلح دراجة هوائية. تراه يلتقط مفتاح ربط، ويشد برغياً، ثم يتوقف قليلاً.
- الذكاء الاصطناعي البسيط يرى: "الشخص يمسك مفتاح ربط".
- الذكاء الاصطناعي الأكثر ذكاءً بقليل يرى: "الشخص يصلح دراجة".
- الذكاء الاصطناعي "المبادر" الذي نريده يرى: "إنه يشد البرغي لأن العجلة كانت مرتخية (السبب/لماذا)، وهو على وشك إعادة تركيب الإطار (ما سيحدث لاحقاً/ماذا)".
تقدم ورقة بحثية بعنوان "EgoIntent" اختباراً جديداً لمعرفة ما إذا كانت نماذج الذكاء الاصطناعي الحالية قادرة على فعل هذا الشيء الثالث، وهو الأكثر صعوبة: فهم النية البشرية في الوقت الفعلي، خطوة بخطوة، دون رؤية المستقبل.
إليك تفصيل للورقة البحثية باستخدام تشبيهات بسيطة:
1. المشكلة: فجوة "البلورة السحرية"
نماذج الذكاء الاصطناعي الحالية بارعة في مشاهدة مقاطع الفيديو ووصف ما تراه. لكنها سيئة جداً في كونها مساعدين مبادرين.
إذا سألت الذكاء الاصطناعي: "ماذا يفعل هذا الشخص؟" يمكنه إجابتك. ولكن إذا سألته: "لماذا يفعل هذا الآن، وماذا سيفعل بعد ذلك؟" فغالباً ما سيخمن بشكل خاطئ.
معظم الاختبارات الحالية للذكاء الاصطناعي تشبه مشاهدة فيلم كامل ثم طرح الأسئلة في نهايته. إنها لا تختبر قدرة الذكاء الاصطناعي على فهم الحبكة بينما لا يزال الفيلم يعمل. كما أنها غالباً ما تسمح للذكاء الاصطناعي بـ "إلقاء نظرة" على النهاية، وهو ما يشبه إعطاء الطالب نموذج الإجابة قبل بدء الاختبار.
2. الحل: معيار "EgoIntent"
ابتكر الباحثون اختباراً جديداً يسمى EgoIntent. فكر فيه كأنه اختبار قيادة للذكاء الاصطناعي، ولكن بدلاً من السيارة، هناك روبوت يراقب إنساناً من منظور الشخص الأول (مثل ارتداء كاميرا GoPro على الرأس).
يحتوي الاختبار على ثلاثة تحديات محددة، مثل لغز من ثلاثة أجزاء:
- "الماذا" (النية المحلية): ما الذي يحاول الشخص تحقيقه في هذه اللحظة تحديداً؟ (مثلاً: "إنه يلتقط المثقاب لعمل ثقب").
- "لماذا" (النية العالمية): ما هو الهدف الأكبر؟ (مثلاً: "إنه يبني رفاً").
- "التالي" (خطة الخطوة التالية): ماذا سيفعل فور انتهاء هذه الخطوة؟ (مثلاً: "سيضع البرغي في الثقب").
3. السر المذهل: خدعة "عصابة العينين"
هذا هو الجزء الأهم في الورقة البحثية. لجعل الاختبار عادلاً وصعباً، استخدم الباحثون استراتيجية "القطع الزمني" (Temporal Truncation).
تخيل أنك تشاهد ساحراً يخرج أرنباً من قبعة.
- الاختبارات القديمة: تسمح للذكاء الاصطناعي بالمشاهدة حتى يخرج الأرنب تماماً، ثم تسأله: "ما هي الخدعة؟".
- EgoIntent: ينقطع الفيديو في اللحظة ذاتها التي تسبق ظهور الأرنب. يرى الذكاء الاصطناعي يد الساحر وهي تمتد داخل القبعة، لكنه لا يستطيع رؤية الأرنب.
يجب على الذكاء الاصطناعي أن يخمن:
- ماذا يفعل الساحر الآن؟
- لماذا يفعل ذلك؟
- ماذا سيحدث بعد ذلك؟
هذا يمنع الذكاء الاصطناعي من "الغش" عبر النظر إلى النتيجة. إنه يجبره على استخدام التوقع والمنطق، تماماً كما يفعل البشر.
4. النتائج: الذكاء الاصطناعي لا يزال مبتدئاً
اختبر الباحثون 15 نموذجاً مختلفاً من نماذج الذكاء الاصطناعي المتقدمة (بما في ذلك أذكى النماذج من شركات التكنولوجيا الكبرى) على هذا المعيار.
النتيجة؟ لقد فشلوا جميعاً فشلاً ذريعاً.
- أفضل ذكاء اصطناعي حصل فقط على درجة 33 من 100.
- حتى النماذج الأكثر ذكاءً واجهت صعوبة في فهم "لماذا" والخطوات "التالية".
الأمر يشبه إعطاء مجموعة من طلاب الدكتوراه مسألة رياضية بسيطة، وحصلوا جميعاً على تقدير "مقبول". هذا يوضح أنه بينما أصبح الذكاء الاصطناعي جيداً في الرؤية والوصف، إلا أنه لا يزال سيئاً جداً في فهم النية البشرية والتنبؤ بالمستقبل.
5. لماذا يهمنا هذا؟
لماذا نهتم إذا كان الذكاء الاصطناعي لا يستطيع تخمين ما سيفعله الشخص تالياً؟
لأننا نريد مساعدين رقميين وروبوتات تساعدنا قبل أن نطلب منهم ذلك.
- الذكاء الاصطناعي الحالي: تقول "أنا عطشان" -> فيحضر لك الماء.
- الذكاء الاصطناعي المستقبلي (الهدف): تمسك كوباً وتنظر نحو الثلاجة -> فيتوقع الذكاء الاصطناعي أنك عطشان ويفتح لك الثلاجة من تلقاء نفسه.
لبناء روبوتات يمكنها الطبخ معك، أو مساعدتك في إصلاح سيارتك، أو توجيهك خلال عملية جراحية، يجب أن تفهم "الماذا، ولماذا، والتالي" في كل خطوة من الخطوات. EgoIntent يثبت أننا لا نزال بعيدين جداً عن امتلاك روبوتات يمكنها حقاً "قراءة الغرفة" والتفكير مسبقاً.
ملخص التشبيه
إذا كان الذكاء الاصطناعي الحالي مثل سائح يلتقط صوراً للمدينة ويكتب بطاقة بريدية عما رآه، فإن EgoIntent يختبر ما إذا كان بإمكان الذكاء الاصطناعي أن يكون دليلاً محلياً يعرف إلى أين أنت ذاهب، ولماذا تذهب إلى هناك، ويمكنه الإشارة إلى المنعطف التالي قبل أن تطلبه حتى.
في الوقت الحالي، أدلتنا السياحية من الذكاء الاصطناعي لا تزال مجرد سياح بدأوا للتو في تعلم الخريطة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.