Human-like Object Grouping in Self-supervised Vision Transformers
تُثبت هذه الورقة أن نماذج المحولات الرؤية ذات التعلم الذاتي، ولا سيما تلك المدربة باستخدام هدف DINO، تتوافق بشكل وثيق مع الإدراك البشري للأجسام من خلال التقاط البنية المتمحورة حول الأجسام في تمثيلاتها، وهي علاقة تم التحقق من صحتها من خلال اختبار مرجعي سلوكي واسع النطاق وتحليل مصفوفة غرام.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تنظر إلى مشهد شارع مزدحم. دماغك لا يرى مجرد فوضى من البكسلات؛ بل يقوم فوراً بتجميع الأشياء معاً. أنت ترى "سيارة حمراء"، و"شخصاً يمشي"، و"شجرة"، رغم أن الصورة ليست سوى مزيج من الألوان والأشكال. هذه القدرة على تجميع الأجزاء المرئية لتكوين أشياء كاملة هي قوة خارقة للدماغ البشري.
لفترة طويلة، حاول علماء الكمبيوتر تعليم الذكاء الاصطناعي القيام بالشيء نفسه. لكن ظل هناك سؤال كبير: هل "ترى" نماذج الذكاء الاصطناعي الأشياء حقاً كما نراها نحن البشر، أم أنها مجرد بارعة في تخمين التسميات؟
تسعى هذه الورقة البحثية للإجابة على هذا السؤال باستخدام مزيج ذكي من تجارب علم النفس البشري واختبارات الذكاء الاصطناعي المتقدمة. إليك قصة اكتشافهم، مشروحة ببساطة.
1. اختبار "النقطتين": كيف نجمع الأشياء؟
أولاً، احتاج الباحثون إلى طريقة لقياس كيفية تجميع البشر للأشياء. قاموا بإنشاء لعبة تسمى "اختبار النقطتين" (Two-Dot Test).
- الإعداد: تخيل صورة لقطة. تظهر نقطة في منتل جسم القطة. ثم تظهر نقطة ثانية في مكان آخر—ربما على ذيل القطة، أو ربما على كلب في الخلفية.
- المهمة: عليك الضغط على زر بأسرع ما يمكن لتقول: "نفس الكائن!" أو "كائن مختلف!".
- السر: لم ينظر الباحثون فقط إلى ما إذا كنت مصيباً أم لا؛ بل قاسوا سرعة رد فعلك.
- إذا كانت النقطتان على نفس الكائن (مثل رأس القطة وذيلها)، كنت سريعاً.
- إذا كانت النقطتان على كائنين مختلفين، كنت أبطأ.
- إذا كانت النقطتان متباعدتين على نفس الكائن، كنت أبطأ قليلاً مما لو كانتا قريبتين من بعضهما.
أجروا هذه التجربة أكثر من 1000 مرة مع العديد من الأشخاص باستخدام مئات الصور الواقعية. خلق هذا ما يسمى بـ "خريطة زمن الاستجابة البشرية" لكيفية إدراكنا للأشياء.
2. مسابقة الذكاء الاصطناي: من يرى مثل البشر؟
بعد ذلك، أخذوا مجموعة من نماذج الذكاء الاصطناعي المختلفة (محولات الرؤية - vision transformers والشبكات التلافيفية القديمة) وطلبوا منهم لعب اللعبة نفسها. بدلاً من الضغط على زر، نظر الذكاء الاصطناعي إلى موقعي النقطتين في "عقله" (بياناته الداخلية) وحاول تخمين ما إذا كانتا على نفس الكائن.
النتائج:
- الحرس القديم: كانت نماذج الذكاء الاصطناعي القديمة التي دربها البشر عبر إظهار صور لها مع تسميات (التعلم الخاضع للإشراف - Supervised Learning) جيدة، ولكن ليست رائعة. لقد كانوا مثل الطلاب الذين يحفظون الإجابات لكنهم لا يفهمون المفهوم حقاً.
- النجوم الجدد: الفائزون كانوا النماذج المدربة باستخدام التعلم ذاتي الإشراف (وتحديداً طريقة تسمى DINO). لم تُخبر هذه النماذج بأن "هذه قطة". بدلاً من ذلك، تُركت بمفردها لتكتشف الأنماط في ملايين الصور من تلقاء نفسها.
- البطل: كان نموذج DINOv3 هو الفائز الواضح. فقد توقع أزمنة رد الفعل البشري بدقة شبه مثالية. إذا كان البشر سريعين، كان DINOv3 سريعاً. وإذا واجه البشر صعوبة، واجه DINOv3 صعوبة.
الخلاصة الكبرى: طريقة تدريب الذكاء الاصطناعي كانت أهم من بنيته (المخطط الهندسي) للذكاء الاصطناعي. التعلم ذاتي الإشراف جعل الذكاء الاصطناعي "يفكر" بشكل أكبر مثل الدماغ البشري.
3. "خريطة التقارب": كيف يرى الذكاء الاصطناعي؟
إذن، لماذا حققت نماذج DINO هذا الأداء الجيد؟ أراد الباحثون إلقاء نظرة داخل عقل الذكاء الاصطناعي.
أنشأوا شيئاً يسمى "خريطة التقارب" (Affinity Map). تخيل أنك أنت الذكاء الاصطناعي الذي ينظر إلى نقطة محددة على أذن قطة. يسأل الذكاء الاصطناعي نفسه: "أي أجزاء أخرى من هذه الصورة تبدو الأكثر تشابهاً مع هذه الأذن؟"
- في الذكاء الاصطناعي السيئ، قد تكون الإجابة: "السماء الزرقاء" أو "العشب".
- في ذكاء DINO، الإجابة هي: "بقية جسم القطة!"
وجد الباحثون أنه في هذه النماذج الأعلى أداءً، "تلتصق" النقاط التي تنتمي إلى نفس الكائن بشكل طبيعي في بيانات الذكاء الاصطناعي، تماماً كما يحدث في أدمغتنا. يسمون هذا "البنية المتمحورة حول الكائن" (Object-Centric Structure). وكلما زادت هذه "الالتصاقية"، زادت قدرة الذكاء الاصطناعي على التنبؤ بالسلوك البشري.
4. المكون السحري: "مصفوفة جرام" (Gram Matrix)
أخيراً، أراد الباحثون معرفة ما إذا كان بإمكانهم تعليم ذكاء اصطناعي "سيئ" ليكون "جيداً" بمجرد تغيير طريقة تفكيره.
اكتشفوا نمطاً رياضياً في أفضل نماذج الذكاء الاصطناعي يسمى "مصفوفة جرام" (Gram Matrix). فكر في هذا كـ "خريطة شبكة اجتماعية" لكل بكسل في الصورة.
- في النموذج الجيد، البكسلات الموجودة على نفس الكائن هم "أصدقاء مقربون" (مرتبطون بشدة).
- البكسلات الموجودة على كائنات مختلفة هم "غرباء" (غير مرتبطين).
أخذ الباحثون ذكاءً اصطناعياً قياسياً خاضعاً للإشراف (النموذج "السيئ") وأجبروه على نسخ هذه الخريطة الاجتماعية من نموذج DINO. لم يغيروا ما يحاول الذكاء الاصطناعي تعلمه (كان لا يزال يتعلم تحديد الأشياء)؛ بل غيروا فقط كيفية ربط النقاط ببعضها.
النتيجة: فجأة أصبح الذكاء الاصطناعي "السيئ" "جيداً". ارتفعت قدرته على تجميع الأشياء والتنبؤ بأزمنة رد الفعل البشري بشكل هائل، ليقترب تقريباً من مستوى بطل التعلم ذاتي الإشراف.
الخلاصة النهائية
تخبرنا هذه الورقة ثلاثة أشياء رئيسية:
- التعلم ذاتي الإشراف هو المفتاح: تعليم الذكاء الاصطناعي العثور على الأنماط بنفسه (مثل DINO) يخلق فهماً للأشياء يشبه فهم البشر أكثر من مجرد حفظ التسميات.
- البنية مهمة: أفضل نماذج الذكاء الاصطناعي تنظم بياناتها الداخلية بحيث "تلتصق" أجزاء الكائن الواحد معاً بشكل طبيعي.
- يمكننا إصلاح الذكاء الاصطناعي السيئ: من خلال ببساطة نسخ "الشبكة الاجتماعية" (مصفوفة جرام) لذكاء اصطناعي ذكي ونقلها إلى ذكاء اصطناعي أقل ذكاءً، يمكننا جعله يرى العالم بشكل يشبه رؤية البشر.
باختصار، إن الطريق لبناء ذكاء اصطناعي "يرى" حقاً مثلنا ليس مجرد إعطائه المزيد من البيانات؛ بل يتعلق بتعليمه كيفية تنظيم تلك البيانات بطريقة تحترم الحدود الطبيعية للعالم من حولنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.