PerceptionComp: A Video Benchmark for Complex Perception-Centric Reasoning
تقدم الورقة البحثية PerceptionComp، وهو معيار مرجعي مُصنف يدويًا يضم 1,114 سؤالاً معقدًا عبر 279 فيديو متنوعًا تتطلب استدلالًا إدراكيًا متعدد الخطوات وطويل المدى، مما يكشف أن النماذج الحالية المتطورة وحتى البشر يعانون بشكل كبير مع المهام التي تتطلب منطقًا تركيبيًا وأدلة بصرية متكررة.
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
إليك شرح لورقة PerceptionComp البحثية، مترجم إلى لغة بسيطة، يومية، مع بعض التشبيهات الإبداعية.
🎬 الفكرة الكبرى: "لا تكتفِ بنظرة عابرة، بل انظر بعمق"
تخيل أنك تشاهد فيلماً. معظم اختبارات الفيديو التي رأيتها من قبل تشبه الاختبارات المفاجئة بعد مقطع مدته 30 ثانية. ترى كلباً يركض، ويسألك السؤال: "ما كان لون الكلب؟". يمكنك الإجابة على ذلك فوراً دون تفكير عميق.
لكن PerceptionComp مختلف. إنه يشبه لغز المحقق حيث تتوزع الأدلة عبر فيلم مدته 10 دقائق. لحل اللغز، لا يمكنك مجرد إلقاء نظرة خاطفة على الشاشة مرة واحدة. عليك أن:
- تتذكر سيارة حمراء ظهرت في الدقيقة 2.
- تلاحظ شخصاً معيناً يرتدي قبعة زرقاء في الدقيقة 5.
- تدرك أنه في الدقيقة 8، ركب ذلك الشخص السيارة الحمراء.
- وأخيراً تجيب: "ما هي لوحة أرقام السيارة قبل أن يركب الشخص فيها؟"
إذا شاهدت الفيلم مرة واحدة فقط وحاولت تذكر كل شيء، فمن المرجح أنك ستفشل. أنت بحاجة إلى الرجوع للخلف، والتقديم للأمام، والمقارنة بين أجزاء مختلفة من الفيديو لتجميع القصة معاً.
🧩 ما هو PerceptionComp؟
قام الباحثون (من جامعة تسينغهوا، وجامعة واشنطن، وجامعة نانيانغ التكنولوجية) ببناء "اختبار" جديد لنماذج الفيديو بالذكاء الاصطناي. أرادوا معرفًة ما إذا كان بإمكان الذكاء الاصطناعي القيام بـ استدلال معقد يرتكز على الإدراك.
- المشكلة: نماذج الذكاء الاصطناعي الحالية بارعة في التعرف على قطة أو سيارة، لكنها سيئة جداً في ربط النقاط ببعضها عبر الزمن في فيديو واقعي وفوضوي. إنها تميل إلى "الهلوسة" (اختلاق أشياء من خيالها) أو تضيع عندما يصبح الفيديو معقداً.
- الحل: أنشأوا مجموعة بيانات مكونة من 279 فيديو عالي التعقيد (مثل جولات في المدن، أحداث رياضية، وبث مباريات) و 1,114 سؤالاً مخادعاً.
- القاعدة: للإجابة على سؤال ما، يجب على الذكاء الاصطناعي جمع الأدلة من لحظات متعددة ومنفصلة في الفيديو. لا توجد لحظة واحدة تحتوي على الإجابة كاملة.
🏗️ كيف بنوا هذا الاختبار (موقع البناء)
فكر في بناء هذه الأسئلة مثل بناء مجموعة ليغو (Lego) معقدة:
- اختيار الفوضى: لم يختاروا فيديوهات مملة وخالية. استخدموا روبوتاً (SAM2) للعثور على فيديوهات تحتوي على أجزاء متحركة كثيرة — حشود، حركة سريعة، وكثير من الأشياء. الأمر يشبه اختيار شارع مدينة مزدحم بدلاً من موقف سيارات فارغ.
- منطق "و" و "ثم": صمموا أسئلة تجبر الذكاء الاصطناعي على القيام بشيئين:
- الربط (المنطق "و"): "ابحث عن رجل يرتدي قميصاً أحمر وَ بنطالاً أزرق وَ يحمل حقيبة خضراء." (إذا كان ينقصه عنصر واحد، فهو ليس الرجل المطلوب).
- التسلسل (المنطق "ثم"): "ابحث عن المرأة التي أسقطت مفاتيحها. ثم ابحث عن الرجل الذي التقطها. ثم أخبرني ما هو لون حذائه." (لا يمكنك الإجابة على الخطوة 3 دون تنفيذ الخطوتين 1 و 2 بشكل صحيح).
- المراجعة البشرية: أمضى البشر 10 إلى 20 دقيقة لكل سؤال للتأكد من أن الإجابة صحيحة بنسبة 100% وأنك لا تستطيع تخمينها دون مشاهدة الفيديو بعناية.
🧠 النتائج: البشر مقابل الذكاء الاصطناعي
اختبر الباحثون هذا على البشر وعلى أذكى نماذج الذكاء الاصطناعي المتاحة (مثل GPT-o3، وGemini، وQwen).
اختبار البشر:
- المشاهدة لمرة واحدة: إذا شاهد البشر الفيديو مرة واحدة ولم يتمكنوا من الرجوع للخلف، فقد أخطأوا بنسبة 81% من الموقات (بمعنى أنهم كانوا يخمنون فقط).
- الرجوع غير المحدود: إذا استطاع البشر الرجوع للخلف والتفكير لأي مدة يريدونها، فقد حصلوا على 100%.
- الوقت: استغرق البشر 5 إلى 10 أضعاف الوقت للإجابة على هذه الأسئلة مقارنة باختبارات الفيديو السابقة. هذا يثبت أن الاختبار صعب بالفعل!
اختبار الذكاء الاصطناعي:
- الدرجة: حتى أفضل نماذج الذكاء الاصطناعي (مثل Gemini-1.5-Flash) حصلت على حوالي 46% فقط من الإجابات الصحيحة.
- الفجوة: النماذج مفتوحة المصدر كانت أقل، حيث تراوحت حول 30-35%.
- الخلاصة: لا يزال الذكاء الاصطناعي يعاني من أجل "مشاهدة" الفيديو كما يفعل المحقق البشري. غالباً ما يفوتون تفصيلاً صغيراً في الدقيقة 2، مما يؤدي لفشلهم في الإجابة على السؤال في الدقيقة 10.
🔍 لماذا تفشل نماذج الذكاء الاصطناعي؟ (فخ "الهلوسة")
وجدت الورقة البحثية أن نماذج الذكاء الاصطناعي تفشل بطريقتين رئيسيتين:
- عمى "المشهد الواحد": تحاول نماذج الذكاء الاصطناعي غالباً الإجابة بناءً على لقطة واحدة من الفيديو. إنهم يفتقرون للقدرة على ربط زمنين مختلفين.
- "المفرط في التفكير" مقابل "السريع في التفكير":
- بعض نماذج الذكاء الاصطناعي تحاول التفكير بشكل مبالغ فيه. يصيبهم الارتباك بسبب كثرة التفاصيل ويبدأون في تأليف قصص (هلوسات) لملء الفجوات.
- ومن المثير للاهتمام، أن النماذج "الأخف" (مثل Gemini-Flash) أدت أحياناً بشكل أفضل من النماذج "الأثقل" (مثل Gemini-Pro)، لأن النماذج الثقيلة غرقت في تفاصيل غير ضرورية وفقدت الخيط الرئيسي للموضوع.
🚀 ماذا يعني هذا للمستقبل؟
تشير الورقة البحثية إلى أنه لجعل الذكاء الاصطناعي يفهم الفيديوهات حقاً، لا يمكننا فقط جعله "أذكى" عبر زيادة قدراته الذهنية. نحن بحاجة لتعليمه:
- التوقف والرجوع للخلف: التعامل مع الفيديو ككتاب يمكنك التقليب فيه ذهاباً وإياباً، وليس كمجرى تشاهده مرة واحدة فقط.
- ربط النقاط: تعلم الاحتفاظ بقطعة من المعلومات في "ذاكرته" من الدقيقة 1 واستخدامها لحل مشكلة في الدقيقة 5.
باختدصار: PerceptionComp هو "نادي رياضي" جديد وصعب للغاية لنماذج فيديو الذكاء الاصطناعي. إنه يوضح لنا أنه بينما أصبح الذكاء الاصطناعي جيداً في "الرؤية"، فإنه لا يزال سيئاً جداً في "التذكر" و"الربط" بين ما يراه عبر الزمن. لا يزال أمامنا طريق طويل قبل أن يصبح الذكاء الاصطناعي "محقق فيديو" حقيقياً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.