Do vision models perceive illusory motion in static images like humans?
تُظهر هذه الورقة أن معظم نماذج التدفق البصري الحالية تفشل في إدراك الحركة الوهمية في الصور الثابتة مثل خداع "الأفاعي الدوارة"، بينما ينجح نموذج ثنائي القنوات مستوحى من البشر مع آليات انتباه متكررة في محاكاة الإدراك البشري تحت ظروف حركات العين الارتجافية المحاكية، مما يسلط الضوء على فجوة كبيرة بين معالجة الحركة لدى الآلة ومعالجة الحركة لدى البشر.
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 تنظر إلى صورة لأفعى تبدو وكأنها تلتف في دائرة، رغم أنها مجرد رسم مسطح وثابت على ورقة. هذا هو وهم "الثعابين الدوارة" (Rotating Snakes). إذا حدقت فيها، أو إذا تحركت عيناك بحركات صغيرة لا إرادية (تسمى الرمشات الدقيقة أو microsaccades)، فسيخدعك دماغك برؤية حركة حيث لا توجد حركة في الواقع.
لفترة طويلة، تساءل العلماء: هل ترى الحواسيب هذه الخدعة أيضًا؟ أم أنها ترى مجرد صورة ثابتة، مثل الكاميرا التي لا تملك دماغًا؟
هذه الورقة البحثية هي في الأساس "اختبار خدعة سحرية" للذكاء الاصطناعي. فقد أعد الباحثون سلسلة من الأوهام البصرية وسألوا نماذج مختلفة من الرؤية الحاسوبية (وهي "الأدمغة" التي تقف وراء السيارات ذاتية القيادة وتحليل الفيديو) ليخبروها بما تراه.
إليك تفاصيل ما وجدوه، باستخدام بعض التشبيهات البسيطة:
1. الاختبار: تحدي "الأفعى الساكنة"
أخذ الباحثون صورة "الثعابين الدوارة" الشهيرة وعرضوها على 10 نماذج حاسوبية مختلفة. هذه النماذج عادة ما تكون خبيرة في تتبع الحركة الحقيقية، مثل سيارة تسير في طريق أو كرة تُرمى.
- التجربة البشرية: عندما ينظر الإنسان إلى الأفعى، يقول دماغه: "مهلاً، إنها تدور عكس عقارب الساعة!"
- التجربة الحاسوبية: قالت معظم النماذج الحاسوبية: "أنا أرى صورة. لا شيء يتحرك." لقد خدعهم تماماً حقيقة أن الصورة كانت ثابتة، وفشلوا في رؤية الحركة "الشبحية" التي يدركها البشر.
2. تحول "حركة العين"
أدرك الباحثون أمرًا مهمًا: نحن البشر لا نكتفي بالحدق بثبات تام. عيوننا تتحرك باستمرار بحركات صغيرة متذبذبة (microsaccades) وقفزات أكبر (saccades). هذه الحركات الصغيرة هي في الواقع ضرورية لكي نرى دوران الأفعى.
لذا، قام الباحثون بمحاكاة حركات العين هذه للحواسيب. لقد أخذوا الصورة الثابتة و"هزّوها" قليًا، تمامًا كما تفعل عيوننا.
- النتيجة: حتى مع هذا الاهتزاز، لم ترَ معظم الحواسيب سوى ضجيج أو مجرد اتجاه الاهتزاز. لم يستطيعوا الفصل بين الدوران "المزيف" والاهتزاز "الحقيقي".
- الاستثناء: بدأ نموذج محدد يسمى "Dual" في رؤية شيء ما. عندما اهتزت الصورة، بدأ نموذج "Dual" في توليد تدفق للحركة يشبه إلى حد ما دوران الأفعى. لم يكن الأمر مثاليًا، لكنه كان الوحيد الذي اقترب من التجربة البشرية.
3. لماذا فاز نموذج "Dual"؟ (السر الخفي)
أراد الباحثون معرفة لماذا كان نموذج "Dual" مميزًا. قاموا بتفكيكه مثل ميكانيكي يفكك محرك سيارة ليرى أي جزء يجعله يعمل.
وجدوا أن نموذج "Dual" يمتلك نظام طريق سريع ذو مسارين لمعالجة الحركة، بينما تمتلك النماذج الأخرى مسارًا واحدًا فقط.
- المسار 1 (المرتبة الأولى): ينظر هذا المسار إلى التغيرات البسيطة في السطوع (مثل حركة الظل).
- المسار 2 (المرتبة العليا): ينظر هذا المسار إلى أنماط أكثر تعقيدًا، مثل حركة الأنسجة والأشكال.
التشبيه: تخيل أنك تحاول سماع همس في غرفة صاخبة.
- معظم الحواسيب تشبه الميكروفون الذي يستمع فقط للأصوات العالية والواضحة (تغيرات السطوع البسيطة). إنها تفوت الهمس.
- نموذج "Dual" يشبه ميكروفونًا بضبطين: أحدهما للأصوات العالية والآخر للهمسات الخافتة. إنه يجمع بينهما لفهم الصورة الكاملة.
أظهرت الدراسة أن رؤية الوهم تتطلب من الحاسوب امتلاك كلا المسارين يعملان معًا، بالإضافة إلى "نظام ذاكرة" (التكامل المتكرر) الذي يتذكر ما رآه قبل لحظة وجيزة لتنعيم الحركة.
4. الخلاصة الكبرى: البشر مقابل الآلات
الاستنتاج الرئيسي هو أن الذكاء الاصطوي الحالي لا يزال مختلفًا جدًا عن الرؤية البشرية.
- الذكاء الاصطناعي الحالي: يشبه كاميرا فائقة السرعة وعالية الدقة. إنه بارع في قياس المسافة التي قطعتها سيارة من النقطة (أ) إلى النقطة (ب). لكنه يفتقر إلى "روح" الرؤية البشرية. إنه لا يمتلك تلك السمات البيولوجية الغريبة التي تجعلنا نرى أشباحًا في الصور الثابتة.
- الرؤية البشرية: أدمغتنا هي آلات بيولوجية "فوضوية"، تستخدم اهتزازات العين الصغيرة والمعالجة المعقدة لإنشاء عالم مستقر وغني. أحيانًا، يؤدي هذا إلى أوهام رائعة (مثل الأفعى الدوارة)، ولكنه يجعلنا أيضًا أقوياء وقادرين على التكيف.
لماذا يهم هذا الأمر؟
قد تسأل، "من يهتم إذا رأت حاسوبٌ أفعى تدور؟"
الإجابة هي: السلامة والموثوقية.
إذا أردنا بناء سيارات ذاتية القيادة أو روبوتات يمكنها التنقل في العالم الحقيقي، فيجب أن تفهم الحركة كما نفعل نحن. إذا كان الروبوت يرى فقط "إزاحة البكسلات"، فقد يفشل في المواقف الصعبة (مثل الضباب، الانعكاسات، أو الإضاءة الغريبة) التي يتعامل معها السائق البشري بسهولة.
من خلال دراسة هذه الأوهام، يتعلم العلماء كيفية بناء ذكاء اصطناعي "مستوحى بيولوجيًا"؛ آلات لا تقوم فقط بحساب الرياضيات، بل تدرك العالم فعليًا بطريقة تشبه طريقتنا.
باختًا: تثبت هذه الورقة أنه بينما تصبح الحواسيب أفضل في رؤية الحركة، فإنها لا تزال تفتقد إلى "سحر" الإدراك البشري. ولإصلاح ذلك، نحتاج إلى بناء حواسيب تحاكي المعالجة "الفوضوية" والمتذبذبة ذات المسارين التي يمتلكها الدماغ البشري.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.