🤖 AI

Grounding Social Perception in Intuitive Physics

تقترح هذه الورقة أن الإدراك الاجتماعي البشري يرتكز على دمج علم النفس والفيزياء الحدسيين، مبرهنةً من خلال مجموعة بيانات PHASE والنموذج الحسابي SIMPLE أن الاستنتاج الدقيق لأهداف الوكلاء وعلاقاتهم من التفاعلات الفيزيائية يتطلب نهج تخطيط عكسي بايزي قائم على الفيزياء بدلاً من مجرد مطابقة الأنماط البصرية البسيطة.

المؤلفون الأصليون: Lance Ying, Aydan Y. Huang, Aviv Netanyahu, Andrei Barbu, Boris Katz, Joshua B. Tenenbaum, Tianmin Shu

نُشر 2026-03-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lance Ying, Aydan Y. Huang, Aviv Netanyahu, Andrei Barbu, Boris Katz, Joshua B. Tenenbaum, Tianmin Shu

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 رسومًا متحركة حيث يتحرك مثلث أحمر ودائرة زرقاء في أرجاء غرفة. على الرغم من أنهما مجرد أشكال، إلا أنك "تعرف" فورًا ما يحدث: "أوه، المثلث الأحمر يطارد الدائرة الزرقاء!" أو "إنهما يعملان معًا لدفع صندوق".

أنت لا تحتاج إلى رؤية وجوه أو سماع أصوات لتفهم ذلك. أنت تفهم لأن لديك فهمًا حدسيًا عميقًا لـ كيفية عمل العالم المادي (الفيزياء) و كيف يفكر البشر (علم النفس).

هذه الورقة البحثية، بعنوان "تأصيل الإدراك الاجتماعي في الفيزياء الحدسية"، تجادل بأن أدمغتنا لا تكتفي بمشاهدة الفيديوهات مثل الكاميرا؛ بل تقوم بتشغيل محاكاة ذهنية في الخلفية لمعرفة ما يحدث.

إليك تفصيل اكتشافهم، باستخدام تشبيهات بسيطة:

١. المشكلة: "سحر" الفهم الاجتماعي

عندما نشاهد فيلم "هيدر-سيميل" (Heider-Simmel) الكلاسيكي (حيث تتحرك الأشكال حول بعضها)، فإننا نخترع قصصًا فورًا. نرى "مطاردة"، أو "مساعدة"، أو "شجارًا".

حاولت نماذج الكمبيوتر السابقة القيام بذلك بطريقتين، وفشلت كلتاهما:

"مُطابق الأنماط" (رؤية الذكاء الاصطناعي): هذه النماذج تشبه طالبًا يحفظ آلاف الصور. يرى "شكلين يتحركان بالقرب من بعضهما" فيخمن "الصداقة". لكن إذا غيرت الفيزياء قليلاً (على سبيل المثال، جعلت الجدار زلقًا)، فإنها ترتبك. هي لا تفهم لماذا تتحرك الأشكال؛ هي فقط تتعرف على النمط.
"المخطط الرمزي" (الذكاء الاصطنالاً المنطقي القديم): هذه النماذج تشبه لاعب شطرنج يعرف القواعد ولكن ليس لديه حس بالجاذبية. هم يعرفون أن "الوكيل (أ) يريد الذهاب إلى النقطة (ب)"، لكنهم لا يفهمون أن "الوكيل (أ) ثقيل جدًا لدرجة تمنعه من القفز فوق ذلك الجدار". إنهم يفتقرون إلى الإدراك المادي للواقع.

٢. الحل: "مخرج الفيلم الذهني"

يقترح الباحثون أن البشر يشبهون مخرجي الأفلام الذهنيين. عندما نرى فعلًا ما، فنحن لا نكتفي بمشاهدته فح; بل نقوم بتشغيل محاكاة في رؤوسنا لنسأل: "لو كنت أنا ذلك الوكيل، بتلك القيود الفيزيائية، وأحاول تحقيق ذلك الهدف، فماذا سأفعل؟"

إذا تطابقت المحاكاة مع ما نراه، فإننا نفهم المشهد. وإذا لم تتطابق، فإننا نجرب قصة أخرى.

٣. مجموعة البيانات الجديدة: "PHASE" (صالة التدريب الرياضية)

لاختبار ذلك، أنشأ الفريق مكتبة ضخمة تضم ٥٠٠ رسوم متحركة قصيرة تسمى PHASE.

الإعداد: تخيل لعبة فيديو ثنائية الأبعاد بها وكلاء على شكل شبه منحرف، وبعض الأجسام المستديرة، وأربعة معالم ركنية.
القواعد: يمتلك الوكلاء "قوى" مختلفة (بعضهم يمكنه دفع الأشياء الثقيلة، والبعض الآخر لا يستطيع). لديهم رؤية محدودة. يمكن أن يكونوا أصدقاء، أو أعداء، أو محايدين.
الهدف: قام الباحثون بإنشاء آلاف السيناريوهات حيث يتطارد الوكلاء، أو يعيقون بعضهم، أو يساعدون بعضهم، أو يتنافسون، وكل ذلك محكوم بقوانين فيزيائية صارمة (الاصطدامات، الزخم، العوائق).

ثم طلبوا من بشر حقيقيين مشاهدة هذه الفيديوهات وتسمية التفاعلات. كان البشر متسقين للغاية، مما أثبت أننا جميعًا نتفق على "القصة" حتى مع الأشكال البسيطة لأننا جميعًا نتشارك نفس الفيزياء الحدسية.

٤. النموذج الجديد: "SIMPLE" (المحقق الذكي)

بنى الفريق نموذجًا حاسوبيًا يسمى SIMPLE (المحاكاة، والتخطيط، والتقدير المحلي) ليحاكي "المخرج الذهني للفيلم" لدى البشر.

بدلاً من مجرد النظر إلى الفيديو، يقوم SIMPLE بما يلي:
١. وضع الفرضية: يخمن، "ربما الوكيل الأحمر يحاول دفع الكرة الزرقاء إلى الركن الأصفر، والوكيل الأخضر يحاول منعه".
٢. المحاكاة: يقوم بتشغيل محرك فيزياء في "عقله". يسأل نفسه: "لو كان الوكيل الأحمر بهذه القوة، والوكيل الأخضر بهذه السرعة، فهل ستكون حركاتهم مشابهة للفيديو الذي أشاهده؟"
٣. التحقق: يقارن محاكاته الذهنية بالفيديو الفعلي.
* هل تطابقت المحاكاة؟ عظيم! هذا هو الجواب.
* هل يبدو الأمر غريبًا؟ (على سبيل المثال، تُظهر المحاكاة أن الوكيل الأحمر عالق، لكن الفيديو يُظهره يتحرك بحرية). إذن، يغير SIMPLE تخمينه: "حسنًا، ربما الوكيل الأحمر أقوى مما ظننت"، أو "ربما يعملان معًا".
٤. التكرار: يفعل ذلك آلاف المرات حتى يجد القصة التي تفسر فيزياء المشهد بشكل أفضل.

٥. النتائج: لماذا هذا مهم؟

عندما اختبروا SIMPLE مقابل نماذج الذكاء الاصطناعي الأخرى:

"مطابقو الأنماط" (مثل SocialGNN و Gemini 2.5 Pro): واجهوا صعوبات. غالبًا ما اعتقدوا أن وكيلين يتصارعان على جسم ما هما "يساعدان" بعضهما لأنهما يتحركان في نفس الاتجاه. لقد افتقروا إلى الحس الفيزيائي المشترك لإدراك أنهما يشدان في اتجاهين متعاكسين.
"المخططون الرمزيون": فشلوا في فهم سبب عدم قدرة الوكيل على تحريك جسم ثقيل، مما أدى إلى تخمينات خاطئة حول أهدافهم.
SIMPLE: أدى أداءً يقارب أداء البشر تقريبًا. لقد حدد بشكل صحيح أن وكيلين يشدان كرة في اتجاهين متعاكسين هما في حالة "تنافس"، وليس "تعاون"، لأنه فهم القوى المعنية.

الخلاصة الكبرى

تثبت هذه الورقة أنك لكي تفهم السلوك الاجتماعي (حتى في الرسوم المتحركة البسيطة)، لا يمكنك فصل الفيزياء عن علم النفس.

علم النفس يخبرنا ماذا يريد الوكيل (الهدف).
الفيزياء تخبرنا ما هو ممكن (القيود).

لا يمكنك معرفة ما إذا كان شخص ما "يساعد" أو "يعيق" ما لم تفهم القوى الفيزيائية التي يطبقها. عقولنا تجمع بشكل طبيعي بين هذين العالمين، ونموذج SIMPLE هو أول ذكاء اصطناعي ينجح في فعل الشيء نفسه من خلال تشغيل "محاكاة فيزيائية ذهنية" لحل الألغاز الاجتماعية.

باخت-طري-د: لفهم الناس، يجب أن تفهم العالم الذي يتحركون من خلاله. لا يمكنك مجرد مشاهدة الرقصة؛ عليك أن تشعر بالموسيقى وبالأرضية أيضًا.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تأصيل الإدراك الاجتماعي في الفيزياء الحدسية" (Grounding Social Perception in Intuitive Physics).

1. بيان المشكلة

إن الإدراك الاجتماعي البشري متجذر بعمق في فهم العالم المادي. فعند مراقبة الوكلاء (بشر أو أشياء)، لا يكتفي البشر بمطابقة الأنماط البصرية فحسب، بل يستنتجون معلومات اجتماعية غنية (الأهداف، العلاقات، النوايا) من خلال الاستدلال حول الفيزياء الحدسية (القوى، العوائق، قيود الحركة) وعلم النفس الحدسي (العقلانية، الغرض).

تقع النماذج الحسابية الحالية للإدراك الاجتماعي ضمن فئتين، كلتاهما تعاني من قيود:

التخطيط العكسي الرمزي (Symbolic Inverse Planning): تفترض هذه النماذج أن الوكلاء مخططون عقلانيون، لكنها غالبًا ما تتجاهل الديناميكيات الفيزيائية، حيث تعامل الأفعال كتحولات رمزية للحالة. وهي تفشل في تفسير كيف تؤثر القيود الفيزيائية (مثل قوة الوكيل أو كتلة الجسم) على السلوك.
النماذج العصبية من الطرف إلى الطرف (End-to-End Neural Models): تتعلم هذه النماذج (مثل الشبكات العصبية الرسومية، ونماذج الرؤية واللغة) من مجموعات بيانات ضخمة للمشاهد البصرية. ورغم قوتها، إلا أنها تعتمد على مطابقة الأنماط الأمامية (feedforward)، وتفتقر إلى الاستدلال الفيزيائي الصريح، وتواجه صعوبة في التعميم على تكوينات فيزيائية غير مرئية، وتفشل في التقاط عملية "التحليل عن طريق التركيب" (analysis-by-synthesis) التي يستخدمها البشر لاستنتاج الحالات الذهنية.

السؤال الجوهري الذي تعالجه الورقة هو: كيف يمكننا نمذجة الإدراك الاجتماعي البشري حسابيًا بحيث يكون مؤصلًا في دمج الفيزياء الحدسية وعلم النفس الحدسي؟

2. المنهجية

يقترح المؤلفون نهجًا ثنائي المسار: مجموعة بيانات جديدة للتدريب والتقييم، ونموذجًا حسابيًا مبتكرًا.

أ. مجموعة بيانات PHASE

PHASE (الأحداث الاجتماعية المجردة ذات الأساس الفيزيائي) هي مجموعة بيانات واسعة النطاق من الرسوم المتحركة المولدة إجرائيًا والمصممة لاختبار الإدراك الاجتماعي في بيئات ذات أساس فيزيائي.

الأسلوب: مستوحى من فيلم "هيدر وسيميل" الكلاسيكي، حيث تظهر أشكال هندسية ثنائية الأبعاد (شبه منحازات كوكلاء، دوائر كأجسام، ومربعات كمعالم).
الفيزياء: تستخدم البيئة محرك فيزياء حيث يمتلك الوكلاء أحجامًا متفاوتة، وقدرات قوة (سعة القوة)، ومجالات رؤية محدودة. للأجسام كتلة ويمكن تحريكها، أو حجبها، أو حملها.
السيناريوهات: تتضمن مجموعة البيانات 500 فيديو تغطي أربعة أنواع من السيناريوهات بناءً على أهداف الوكلاء وعلاقاتهم:
1. تعاوني (Collaborative): يعمل الوكلاء معًا (ودود).
2. مستقل (Independent): يسعى الوكلاء لتحقيق أهداف غير متضاربة (محايد).
3. تنافسي (Competing): يتصارع الوكلاء على نفس المورد (عدائي).
4. معارض (Opposing): يقوم أحد الوكلاء بإعاقة الآخر بنشاط (عدائي).
التعليق التوضيحي (Annotation): قام المشاركون البشريون بتصنيف هذه الفيديوهات باستمرار ضمن 23 نوعًا متميزًا من التفاعلات (مثل المطاردة، الحجب، المساعدة)، مما وضع حقيقة أرضية (ground truth) للتقييم.

ب. نموذج SIMPLE

يقدم المؤلفون نموذج SIMPLE (المحاكاة، التخطيط، والتقدير المحلي)، وهو نموذج تخطيط عكسي بايزي (Bayesian) ذو أساس فيزيائي.

الفرضية الجوهرية: يقوم المراقبون البشريون بعكس نموذج توليدي مشترك للفيزياء والاجتماع. إنهم يحاكون سيناريوهات محتملة (التحليل عن طريق التركيب) لإيجاد المتغيرات الكامنة التي تفسر المسارات المرصودة بأفضل شكل.
النموذج التوليدي ( $G$ ):
- المخطط الهرمي (علم النفس الحدسي): يأخذ عينات من الأهداف العليا والأهداف الفرعية بناءً على معتقدات الوكيل والعلاقات الاجتماعية.
- محرك الفيزياء الأمامي (الفيزياء الحدسية): يحاكي النتائج الفيزيائية للأفعال، ويحل ديناميكيات التلامس، والاصطدامات، ومعالجة الأشياء.
عملية الاستدلال:
- الهدف: استنتاج الاحتمال البعدي للمتغيرات الكامنة $h = \langle g_i, g_j, \alpha_{ij}, \alpha_{ji}, f_i, f_j \rangle$ ، حيث $g$ هي الأهداف، و $\alpha$ هي العلاقات الاجتماعية، و $f$ هي القوى الفيزيائية.
- الخوارزمية: تستخدم Metropolis-Hastings MCMC مع آلية اقتراح "من الأسفل إلى الأعلى".
  - تقترح الفرضيات بناءً على مقاطع المسار المرصودة.
  - تحاكي المسار $\hat{s}_{1:T}$ لكل فرضية.
  - تحسب الاحتمالية $P(s_{1:T}|h)$ بناءً على الانحراف بين المسار المحاكى والمسار المرصود.
  - التقدير المحلي: للتعامل مع المساحات المستمرة عالية الأبعاد، يركز النموذج على الفترات الزمنية المحلية حيث تكون أخطاء المحاكاة في أعلى مستوياتها لتحديث الفرضيات، بدلاً من الاعتماد فقط على الخطأ العالمي.
المخرجات: توزيعات الاحتمال الهامشية لأهداف محددة وعلاقات اجتماعية.

3. المساهمات الرئيسية

مجموعة بيانات PHASE: مجموعة بيانات محكومة ومولدة إجرائيًا، تغير بشكل منهجي المعلمات الفيزيائية (الهندسة، الديناميكيات، قدرات الوكيل) والهياكل الاجتماعية، مما يسد الفجوة بين الرسوم المتحركة المجردة وفيزياء العالم الحقيقي.
نموذج SIMPLE: إطار عمل حسابي يوحد التخطيط العكسي البايزي مع المحاكاة الفيزيائية. وهو يثبت أن استنتاج الحالات الاجتماعية يتطلب عكس نموذج يأخذ في الاعتبار صراحةً القيود الفيزيائية.
التحقق التجريبي: مقارنة شاملة تظهر أن دمج الفيزياء في الاستدلال الاجتماعي ضروري للوصول إلى أداء بمستوى البشر، متفوقًا على كل من المخططين الرمزيين والنماذج العصبية الأساسية.

4. النتائج

قيم المؤلفون نموذج SIMPLE مقابل المشاركين البشريين، والنماذج العصبية من الطرف إلى الطرف (SocialGNN، Gemini 2.5 Pro)، ونموذج التخطيط العكسي القائم على المحمولات (predicate-only model) على 100 فيديو اختبار.

الدقة:
- حقق SIMPLE أعلى دقة في كل من تصنيف الأهداف (0.78) وتصنيف العلاقات (0.91)، وهو ما يطابق مستويات الأداء البشري (البشر: 0.78 للأهداف، 0.89 للعلاقات).
- النماذج الأساسية: أدت النماذج العصبية (SocialGNN، Gemini 2.5 Pro) والنموذج القائم على المحمولات أداءً أسوأ بكثير، خاصة في السيناريوهات التنافسية والمعارضة المعقدة حيث تكون الديناميكيات الفيزيائية (مثل قوى "شد الحبل") حاسمة.
المحاذاة البشرية:
- أظهر SIMPLE ارتباطًا قويًا بتوزيعات الحكم البشري ( $r=0.82$ للأهداف، $r=0.78$ للعلاقات)، بينما كانت ارتباطات النماذج الأساسية أقل من 0.6.
- نجح SIMPLE في التقاط أنماط عدم اليقين البشري (على سبيل المثال، عدم اليقين الأعلى في استنتاج الأهداف مقارنة باستنتاج العلاقات).
التحليل النوعي:
- في سيناريوهات "شد الحبل"، غالبًا ما تصنف النماذج العصبية التفاعلات التنافسية خطأً على أنها تعاونية لأن الوكلاء يتحركون معًا. حدد SIMPLE بشكل صحيح القوى المتضاربة والأهداف المتعارضة من خلال محاكاة فيزياء التفاعل.
- نجح النموذج القائم على المحمولات في السيناريوهات "المستقلة" البسيطة، لكنه فشل عندما تطلب الأمر قيودًا فيزيائية دقيقة (مثل "هل يمكن لهذا الوكيل دفع ذلك الجسم؟").

5. الأهمية والمناقشة

آلية الإدراك الاجتماعي: توفر الورقة دليلًا قويًا على أن الإدراك الاجتماعي البشري ليس مجرد مطابقة أنماط بصرية، بل هو عملية استدلال توليدية تحاكي القوانين الفيزيائية. لفهم لماذا يتصرف وكيل بطريقة معينة، يجب فهم ما هو ممكن فيزيائيًا له.
ما وراء النماذج الأمامية (Feedforward): تتحدى النتائج فعالية نماذج التعلم العميق الأمامية البحتة للاستدلال الاجتماعي المعقد. تتطلب هذه النماذج بيانات ضخمة وتفشل في التعميم على قيود فيزيائية جديدة، بينما يعمم SIMPLE عبر محرك الفيزياء الداخلي الخاص به دون تدريب محدد للمهمة.
تكامل المعرفة الجوهرية: يدعم هذا العمل نظرية أن الإدراك البشري يعتمد على أنظمة "المعرفة الجوهرية" (الفيزياء الحدسية وعلم النفس) المرتبطة ببعضها البعض ارتباطًا وثيقًا. يقوم SIMPLE بتشغيل هذا الاقتران، مما يشير إلى أن أنظمة الذكاء الاصطناعي المستقبلية لفهم المجتمع يجب أن تدمج الاستدلال الفيزيائي الصريح.
القيود والعمل المستقبلي:
- التكلفة الحسابية: نهج محاكاة MCMC مكلف حسابيًا مقارنة بالإدراك البشري في الوقت الفعلي. قد يستكشف العمل المستقبلي "الاستدلال المطفأ" (amortized inference) (تدريب الشبكات العصبية لتقريب الاحتمال البايزي اللاحق).
- التبسيط ثنائي الأبعاد: يستخدم النموذج الحالي أشكالًا ثنائية الأبعاد. يعد الانتقال إلى أجسام ثلاثية الأبعاد مفصلية (articulated bodies) ونظر العين (gaze) خطوة ضرورية للروبوتات في العالم الحقيقي والتفاعل بين الإنسان والروبوت.

في الختام، تثبت هذه الورقة أن تأصيل الإدك الاجتماعي في الفيزياء الحدسية أمر ضروري للاستدلال الدقيق والمماثل للبشر للأهداف والعلاقات، وتقدم إطارًا حسابيًا قويًا (SIMPLE) يتفوق على النهج العصبية والرمزية الحالية.