Vero: An Open RL Recipe for General Visual Reasoning
تُعد "فيرو" (Vero) عائلة مفتوحة بالكامل من نماذج الرؤية واللغة التي تحقق أداءً رائدًا في مجال الاستدلال البصري العام من خلال توسيع نطاق التعلم التعزيزي عبر 600 ألف عينة متنوعة ومكافآت موجهة للمهام، مما يثبت أن التغطية الواسعة للبيانات هي المحرك الأساسي للنجاح دون الاعتماد على بيانات أو أنماط تفكير مملوكة لجهات خاصة.
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 تحاول تعليم روبوت كيف يصبح عبقرياً في النظر إلى الصور والإجابة عن الأسئلة المتعلقة بها.
معظم الروبوتات الأكثر ذكاءً في الوقت الحالي (مثل تلك التي تنتجها شركات التكنولوجيا الكبرى) تشبه "الصناديق السوداء". نحن نعلم أنها بارعة للغاية في حل المسائل الرياضية في الصور أو قراءة المخططات، لكننا لا نعرف كيف تعلمت ذلك. إن بيانات تدريبها وأساليبها هي وصفات سرية مغلقة داخل خزنة.
تقدم هذه الورقة البحثية Vero، وهو بمثابة فتح المطبخ وإظهار الوصفة الدقيقة لصنع نموذج بصري ذي قدرات عالمية. لم يكتفِ المؤلفون ببناء روبوت ذكي واحد؛ بل بنوا عائلة كاملة منها وأطلقوا سراح المخططات، والمكونات، وتعليمات الطهي للجمهور.
إليك التبسيط لكيفية قيامهم بذلك، باستخدام بعض التشبيهات من الحياة اليومية:
1. المشكلة: فخ "المتخصص"
تخيل أنك استأجرت طباخاً بارعاً في خبز الكعك (العلوم والرياضيات). ثم طلبت منه إصلاح صنبور يسرب الماء (الاستدلال المكاني) أو كتابة قصيدة مضحكة عن غروب الشمس (الوصف الإبداعي). قد يفشل فشلاً ذريعاً.
وجدت الورقة البحثية أنه إذا دربت ذكاءً اصطناعياً على نوع واحد فقط من المهام (مثل الرياضيات فقط)، فإنه سيصبح بارعاً جداً في ذلك الشيء الواحد ولكنه سيصبح في الواقع أسوأ في كل شيء آخر. إنه يشبه الموسيقي الذي يتدرب فقط على السلالم الموسيقية وينسى كيف يعزف أغنية.
2. الحل: بوفيه "كل ما يمكنك أكله"
أنشأ المؤلفون مجموعة بيانات ضخمة تسمى Vero-600K. فكر في هذا كبوفيه ضخم ومتوازن تماماً يحتوي على ست محطات طعام مختلفة:
- العلوم والرياضيات (STEM): الرسوم البيانية للرياضيات والعلوم.
- المخططات والتعرف الضوئي على الحروف (OCR): قراءة الرسوم البيانية والنصوص في الصور.
- المكان والحركة: معرفة أين توجد الأشياء وكيفية تحريكها (مثل ذراع الروبوت).
- المعرفة: الإجابة عن الأسئلة باستخدام ما تعرفه عن العالم.
- التحديد والعد: العثور على أشياء محددة وعدّها.
- الوصف (Captioning): كتابة أوصاف إبداعية.
بدلاً من تغذية الروبوت بالكعك فقط، قدموا له القليل من كل شيء في نفس الوقت. وجدوا أن التنوع هو السر. من خلال الأكل من جميع المحطات الست، تعلم الروبوت كيفية التنقل بين "أنماط" مختلفة من التفكير.
3. طريقة التدريب: "المدرب مع الصافرة"
استخدموا تقنية تسمى التعلم المعزز (Reinforcement Learning - RL). تخيل مدرباً يدرب رياضياً:
- يحاول الرياضي القيام بحركة ما.
- إذا نجح، يمنحه المدرب "هاي فايف" (مكافأة).
- إذا أخطأ، يقول له المدرب "حاول مرة أخرى".
بنى المؤلفون نظام حَكَم ذكي (يسمى "المكافآت الموجهة للمهام").
- إذا كان الروبوت يحل مسألة رياضية، يتحقق الحَكَم من الأرقام.
- إذا كان الروبوت يكتب قصيدة، يتحقق الحَكَم مما إذا كانت تبدو جيدة وتتبع القواعد.
- إذا كان الروبوت يشير إلى جسم ما، يتحقق الحَكَم مما إذا كانت الإحداثيات صحيحة.
الأهم من ذلك، أنهم علموا الروبوت أن يفكر قبل أن يتحدث. لقد أجبروه على كتابة "عملية تفكيره" (مثل مسودة جانبية) قبل إعطاء الإجابة النهائية. هذا يشبه قولك لطالب: "اشرح خطواتك"، مما يساعدهم على تجنب الأخطاء الساذجة.
4. النتائج: هزيمة العمالقة السريين
النتيجة؟ أصبح الروبوت مفتوح المصدر (Vero) ذكياً جداً لدرجة أنه هزم الروبوتات "السرية" من الشركات الكبرى في 23 اختباراً من أصل 30 اختباراً صعباً.
- استطاع قراءة المخططات المعقدة بشكل أفضل من النماذج التي تدربت على المخططات فقط.
- استطاع حل الألغاز المكانية بشكل أفضل من النماذج التي تدربت على الألغاز فقط.
- ظل قادراً على كتابة أوصاف إبداعية، رغم أنه كان يقوم أيضاً بعمليات رياضيات صعبة.
5. لماذا هذا مهم؟
قبل هذا، إذا كنت تريد بناء ذكاء اصطناعي بصري ذكي، كان عليك التخمين بشأن البيانات التي ستستخدمها أو الدفع لشركة ضخمة مقابل الوصول إليها.
- عصر "الصندوق الأسود": "ثقوا بنا، روبوتنا ذكي لأننا دربناه على بيانات سرية".
- عصر "Vero": "إليكم القائمة الدقيقة لـ 59 مجموعة بيانات استخدمناها، وإليكم الكود، وإليكم كيف مزجناها بينها. يمكنكم فعل ذلك أيضاً".
باختصار:
أثبت المؤلفون أنه لبناء ذكاء اصطناوي بصري ذكي حقاً، لا تحتاج إلى وصفة سرية فائقة. أنت فقط بحاجة إلى التنوع. من خلال خلط أنواع مختلفة من المشكلات البصرية معاً ومنح الذكاء الاصطناعي طريقة واضحة للتحقق من عمله الخاص، يمكنك إنشاء "عقل" عام القدرات يضاهي أكثر الأنظمة المكلفة والمغلقة في العالم. لقد سلموا مفاتيح المملكة للجميع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.