PolySLGen: Online Multimodal Speaking-Listening Reaction Generation in Polyadic Interaction
تقدم هذه الورقة بحثًا حول PolySLGen، وهو إطار عمل عبر الإنترنت يولد ردود فعل استماع وتحدث متعددة الوسائط ملائمة سياقيًا ومتماسكة زمنيًا للمشاركين المستهدفين في التفاعلات الجماعية متعددة الأطراف من خلال تجميع إشارات الحركة والإشارات الاجتماعية بفعالية من جميع أعضاء المجموعة.
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 تدخل حفلة عشاء مفعمة بالحيوية مع أربعة من أصدقائك. أنت لا تتحدث مع شخص واحد فحسب، بل أنت جزء من مجموعة. لكي تندمج، عليك القيام بثلاثة أشياء في آن واحد:
- الاستماع لما يقوله الجميع.
- المراقبة: من ينظر إلى من، وكيف يحركون أيديهم.
- التفاعل فوراً—إما بالتدخل بنكتة (التحدث) أو بالإيماء والابتسام (الاستماع).
القيام بهذا بشكل طبيعي أمر صعب للغاية على الروبوتات أو الذكاء الاصطناعي. معظم أنظمة الذكاء الاصطناعي الحالية تشبه شخصاً في حفلة يمكنه التحدث مع شخص واحد فقط في كل مرة، أو الأسوأ من ذلك، قد يعرفون كيف يتحدثون وينسون كيف يستمعون. قد يقفون هناك بجمود يحدقون في الحائط عندما لا يكونون في حالة حديث.
هنا يأتي دور PolySLGen. فكر فيه كأنه "ضيف الحفلة المثالي" للذكاء الاصطناعي.
المشكلة: فخ "الشخصين"
لقد كان الباحثون في مجال الذكاء الاصطناعي يدربون الروبوتات على إجراء محادثات تشبه مكالمة هاتفية بين شخصين (ثنائية). لكن الحياة الواقعية هي دردشة جماعية (متعددة الأطراف).
- الطريقة القديمة: إذا طلبت من ذكاء اصطناعي قديم الانضمام إلى مجموعة، فسيصاب بالارتباك. قد يتجاهل الشخص الجالس بجانبك لأنه يركز فقط على الشخص الذي "يتحدث" إليه. كما أنه يواجه صعوبة في معرفة متى يتحدث ومتى يصمت ويستمع.
- القطعة المفقودة: هو لا يحتاج فقط لسماع الكلمات؛ بل يحتاج لرؤية لغة الجسد. إذا كان صديقك ينظر إليك أثناء التحدث، فهو يريد منك الرد. أما إذا كان ينظر إلى شخص آخر، فيجب عليك البقاء هادئاً.
الحل: PolySLGen (الدماغ الاجتماعي)
بنى الباحثون نظاماً يسمى PolySLGen (توليد التحدث والاستماع متعدد الأطراف). وإليك كيف يعمل، باستخدام تشبيه بسيط:
1. مستشعر "العناق الجماعي" (دمج الوضعيات - Pose Fusion)
تخيل أنك في غرفة مع أربعة أشخاص. بدلاً من النظر إليهم واحداً تلو الآخر، يمتلك PolySLGen مستشعراً خاصاً يشبه "العناق الجماعي". إنه يأخذ حركات الجميع في الغرفة ويمزجها في إشارة واحدة مدمجة وموجزة.
- لماذا؟ إذا حاول الذكاء الاصطناعي معالجة حركة يد كل شخص على حدة، فسيصبح مشتتاً (مثل محاولة الاستماع إلى أربع محطات راديو في وقت واحد). من خلال دمجها، فإنه يفهم ديناميكية المجموعة فوراً.
2. كاشف "التواصل البصري" (مشفر الإشارات الاجتماعية - Social Cue Encoder)
هل سبق لك أن كنت في مجموعة وشعرت أن شخصاً ما يتجاهلك؟ ذلك لأنه لا ينظر إليك.
يمتلك PolySLGen وحدة خاصة تتبع اتجاه الرأس. وهي تسأل: "من ينظر إلى الروبوت المستهدف؟"
- إذا كان الجميع ينظرون إلى الروبوت، يدرك الذكاء الاصطناعي: "حسناً، حان دوري للتحدث!"
- إذا كان الروبوت ينظر إلى شخص آخر، يدرك الذكاء الاصطناعي: "يجب أن أكون في وضع الاستماع والإيماء برأسي."
هذا الأمر بالغ الأهمية لمعرفة متى ينتقل من "وضع الاستماع" إلى "وضع التحدث".
3. الممثل "ثنائي الوضع" (التحدث والاستماع)
عادة ما تمتلك نماذج الذكاء الاصطناعي القديمة عقلين منفصلين: أحدهما للتحدث والآخر للحركة. أما PolySLGen فيمتلك عقلاً واحداً يتعامل مع كليهما.
- وضع التحدث: يقوم بتوليد الكلمات، والصوت، والإيماءات التي تتناسب مع الكلمات.
- وضع الاستماع: لا يتجمد فحسب! بل يولد ردود فعل طبيعية مثل الإيماء بالرأس، أو إمالة الرأس، أو تغيير وضعية الجسم، تماماً كما يفعل البشر عندما يعطون اهتمامهم.
- التحول: يتنبأ بـ "درجة التحدث". إذا كانت الدرجة عالية، يتحدث. وإذا كانت منخفضة، يستمع. هذا يجعل الانتقال سلساً، مثل محادثة حقيقية، وليس كـ "مفتاح تشغيل/إيقاف" روبوتي.
كيف اختبروه؟
اختبروا هذا الذكاء الاصطناعي في بيئة لعبة Dungeons & Dragons (D&D).
- السيناريو: مجموعة من اللاعبين و"سيد اللعبة" (الهدف) يلعبون اللعبة. إنهم يصرخون، يضحكون، ويتحركون حول الطاولة.
- الاختبار: طلبوا من الذكاء الاصطناعي أن يلعب دور "سيد اللعبة".
- النتيجة:
- الذكاء الاصطناعي القديم (SOLAMI): كان غالباً ما يتجمد عندما لا يتحدث، أو يقوم بحركات غريبة لا تتناسب مع المحادثة. بدا وكأنه روبوت يحاول التظاهر بأنه بشري.
- PolySLGen: بدا طبيعياً. عرف متى يقاطع، ومتى ينتظر، وكيف يلوح بيديه أثناء الاستماع. في "اختبار أعمى" حيث شاهد البشر الفيديوهات، فضلوا PolySLGen في كل مرة لأنه بدا "واقعياً".
لماذا يهم هذا؟
الأمر لا يتعلق فقط بصنع روبوت أكثر روعة. بل يتعلق بجعل الذكاء الاصطناعي قادراً على "الجلوس معنا" فعلياً.
- التعليم: روبوت معلم يمكنه إدارة فصل دراسي كامل، وليس طالباً واحداً فقط.
- العلاج النفسي: روبوت معالج يمكنه الجلسة مع مجموعة من الناس وفهم التدفق العاطفي للمجموعة.
- خدمة العملاء: روبوت استقبال يمكنه الترحيب بعائلة مكونة من أربعة أفراد، وليس فقط بالشخص الموجود في المقدمة.
الخلاصة
PolySLGen يشبه تعليم الذكاء الاصطناعي فن "قراءة الغرفة". هو لا يستمع للكلمات فحسب؛ بل يراقب المجموعة بأكملها، ويتتبع التواصل البصري، ويعرف بالضبط متى يتحدث ومتى يتراجع للوراء ويومئ برأسه. إنها قفزة هائلة من "روبوت يتحدث" إلى "روبوت يشاركنا الوقت".
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.