🤖 AI

I Walk the Line: Examining the Role of Gestalt Continuity in Object Binding for Vision Transformers

تُثبت هذه الورقة أن نماذج "ترانسفورمر الرؤية" (Vision Transformers) تعتمد على مبدأ الاستمرارية لـ "جشتالت" للقيام بعملية ربط الكائنات، حيث تحدد وتتحقق من رؤوس انتباه محددة مسؤولة عن تتبع الاستمرارية عبر مجموعات بيانات متنوعة.

المؤلفون الأصليون: Alexa R. Tartaglini, Michael A. Lepori

نُشر 2026-04-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Alexa R. Tartaglini, Michael A. Lepori

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 لقطة. دماغك لا يرى مجرد مجموعة عشوائية من البكسلات: مربع أبيض هنا، ومربع أسود هناك، وبقعة رمادية هناك. بدلاً من ذلك، يقوم دماغك فوراً بـ "لصق" تلك البكسلات معاً ليقول: "هذه قطة". إنه يعرف أن الأذن تنتمي إلى الرأس، وأن الذيل ينتمي إلى الجسم، حتى لو كانا بعيدين عن بعضهما في الصورة.

تسمى هذه العملية الربط بين الأشياء (Object Binding). لفترة طويلة، اعتقد العلماء أن هذه مشكلة صعبة للغاية بالنسبة للحواسيب لحلها. ولكن مؤخراً، بنينا نماذج ذكاء اصطناعي قوية (تسمى محولات الرؤية - Vision Transformers) تبدو وكأنها تفعل ذلك بشكل طبيعي.

هذه الورقة البحثية تطرح سؤالاً بسيطاً ولكنه عميق: كيف تعرف هذه النماذج من الذكاء الاصطناعي أي البكسلات تنتمي إلى بعضها البعض؟

قرر المؤلفان، أليكسا ومايكل، التحقيق فيما إذا كان الذكاء الاصطناعي يستخدم "قاعدة ذهبية" محددة استخدمها البشر لأكثر من قرن، وهي معروفة باسم استمرارية جشتالت (Gestalt Continuity).

"نظرية الخيط" للرؤية

تخيل أن لديك قطعة من الخيط. إذا وضعتها في منحنى سلس وغير منقطع، فسوف يرى دماغك فوراً جسماً واحداً متصلاً. هذه هي الاستمرارية (Continuity).

أراد المؤلفان معرفة ما يلي: هل تبحث نماذج الذكاء الاصطناعي أيضاً عن هذه الخطوط السلسة وغير المنقطعة لتقرر ما الذي ينتمي إلى بعضه البعض؟ أم أنها تبحث فقط عن الأشياء القريبة من بعضها (التقارب - Proximity) أو الأشياء التي لها نفس اللون (التشابه - Similarity)؟

التجربة: اللغز "المبعثر"

لاختبار ذلك، صمم الباحثون لعبة فيديو خاصة للذكاء الاصطناعي.

مستوى "الجسم": عرضوا على الذكاء الاصطناعي صورة لكتلة سلسة ومتصلة (مثل قطعة كعك متموجة وسلسة).
المستوى "المبعثر": أخذوا نفس الصورة وقطّعوها إلى بلاطات مربعة صغيرة (مثل قطع الأحجية/البازل). ثم قاموا بتدوير البلاطات أو خلط مواقعها.
- الأمر الحاسم: كانت البلاطات الفردية لا تزال تمتلك نفس الألوان والأشكال. الشيء الوحيد الذي تغير هو أن الخط السلس قد انكسر. لقد تم "قطع" الخيط.

ثم سألوا الذكاء الاصطناعي: "هل يمكنك تحديد أي البكسلات تنتمي إلى نفس الجسم؟"

النتيجة: كان الذكاء الاصطناعي بارعاً في تحديد الكتلة السلسة والمتصلة. ولكن عندما بعثروا البلاطات وكسروا الخط السلس، ارتبك الذكاء الاصطناعي. اتضح أن الذكاء الاصطناعي كان يعتمد بشدة على ذلك "الخيط السلس" (الاستمرارية) لصق الجسم معاً.

البحث عن "الغراء" داخل الذكاء الاصطناعي

تتكون محولات الرؤية من طبقات عديدة من "رؤوس الانتباه" (Attention Heads). يمكنك التفكير فيها كعمال متخصصين وصغار داخل دماغ الذكاء الاصطناعي. بعض العمال يبحثون عن الحواف، وبعضهم عن الألوان، وبعضهم عن الأنسجة.

قام الباحثون برحلة بحث عن الكنز للعثور على العمال المحددين المسؤولين عن "الاستمرارية".

الاكتشاف: وجدوا "رؤوس استمرارية" محددة. هذه الرؤوس تشبه المحققين الصغار الذين لا يشعرون بالحماس إلا عندما يرون خطاً سلساً يمر من بلاطة إلى أخرى.
الدليل: أنشأوا اختباراً حيث قاموا بتحريك بلاطة قلي تعمل قليلاً بعيداً عن الخط. عندما كانت البلاطة محاذية تماماً (مما يجعل المنحنى سلساً)، كانت هذه الرؤوس المحددة تعمل بنشاط. وعندما تم تدوير البلاطة أو تحريكها بعيداً عن الخط (مما يؤدي إلى كسر المنحنى)، أصبحت هذه الرؤوس هادئة.
المفاجأة: ظهرت هذه "رؤوس كشف الاستمرارية" في كل نموذج ذكاء اصطناعي اختبروه تقريباً، حتى تلك المدربة على مهام مختلفة تماماً (مثل التعرف على القطط مقابل التعرف على الصور الطبية). يبدو أن تعلم رؤية الخطوط السلسة هو مهارة أساسية لأي نظام رؤية ذكي.

اختبار "الجراحة"

لإثبات أن هذه الرؤوس كانت تقوم بالعمل بالفعل، أجرى الباحثون عملية "جراحة دماغ" على الذكاء الاصطناعي. قاموا بإيقاف تشغيل (Ablated) رؤوس الاستمرارية مؤقتاً.

النتيجة: عندما أوقفوا تشغيل هذه الرؤوس المحددة، انخفضت قدرة الذكاء الاصطناعي على تحديد الأجسام بشكل كبير فقط عندما كانت الأجسام تعتمد على الخطوط السلسة. أما إذا كانت الأجسام مجرد كتل عشوائية بدون خطوط، فلم يهتم الذكاء الاصطناعي بها كثيراً.

الصورة الكبيرة

فكر في الذكاء الاصطناعي كطاقم بناء يبني منزلاً.

التشابه يشبه قول: "ضع كل الطوب الأحمر معاً".
التقارب يشبه قول: "ضع الطوب المتلامس مع بعضه البعض".
الاستمرارية تشبه قول: "اتبع خط الجدار".

تظهر هذه الورقة أنه بينما يستخدم الذكاء الاصطناعي كل هذه الأدوات، فإن أداة "اتبع الخط" هي محرك ضخم وخفي يقود كيفية فهمه للعالم. إنها تثبت أنه على الرغم من أن الذكاء الاصطناعي مبني بالرياضيات والبرمجيات، إلا أنه تعلم تلقائياً استخدام نفس القواعد الحدسية القديمة للإدراك البشري التي نعرفها منذ مئات السنين.

باخت-القول: الذكاء الاصطناعي لا يحفظ الصور فحسب؛ بل يتعلم "رؤية" الخيوط غير المرئية التي تربط العالم، تماماً كما نفعل نحن.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "أنا أسير على الخط: فحص دور استمرارية الجشطالت في ربط الكائنات في نماذج المحولات الرؤيوية (Vision Transformers)."

١. بيان المشكلة

ربط الكائنات (Object binding) هو العملية المعرفية لدمج الميزات الإدراكية منخفضة المستوى (اللون، الملمس، الشكل) في تمثيلات متماسكة للكائن. وبينما تشير الدراسات الحديثة إلى أن نماذج المحولات الرؤيوية (ViTs) قد تعلمت تلقائياً آليات لربط الكائنات، إلا أن "كيفية" حدوث ذلك لا تزال غير واضحة. وتحديداً، من غير المعروف ما إذا كانت هذه النماذج تعتمد على مبادئ الجشطالت (Gestalt principles) (القواعد النفسية للتجميع الإدراكي) مثل الاستمرارية، أو التشابه، أو التقارب لتحديد أي من رقع الصور (patches) تنتمي إلى نفس الكائن.

يتحقق المؤلفون مما إذا كانت استمرارية الجشطالت (Gestalt continuity) — وهي القاعدة التي تفترض أن العناصر المرئية التي تشكل منحنى مستمراً تنتمي إلى نفس الكائن — هي آلية أساسية تدفع عملية ربط الكائنات في نماذج ViTs المدربة مسبقاً، وبشكل متميز عن الإشارات الأخرى مثل تشابه الرقع أو التقارب المكاني.

٢. المنهجية

تستخدم الدراسة مزيجاً من توليد مجموعات البيانات الاصطناعية، والمسح الخطي (linear probing)، وتحليل الانتباه، والاستئصال السببي (causal ablation) عبر مجموعة متنوعة من نماذج المحولات الرؤيوية المدربة مسبقاً (بما في ذلك DINO، وDINOv2، وMAE، وCLIP، ونماذج ImageNet الخاضعة للإشراف).

أ. بناء مجموعة البيانات

قام المؤلفون بإنشاء مجموعات بيانات اصطناعية محكومة لعزل متغير الاستمرارية:

مجموعة البيانات "الكتل" (Blobs): صور تحتوي على أشكال مغلقة ذات حدود ناعمة وملونة عشوائياً.
مجموعة البيانات "المنحنيات" (Curves): صور تحتوي على منحنيات مفتوحة وناعمة.
الشروط الضابطة (المبعثرة - Scrambled):
- التوجيه المبعثر: يتم تدوير الرقع (٩٠، ١٨٠، ٢٧٠ درجة)، مما يحافظ على محتوى البكسل ولكنه يكسر استمرارية الحدود.
- الموقع المبعثر: يتم خلط الرقع التي تنتمي إلى كائن ما ونقلها إلى مواقع جديدة، مما يحافظ على المحتوى ولكنه يكسر الاستمرارية المكانية.
مهمة الربط: تُعرض على النماذج صور تحتوي على كائنين متطابقين. الهدف هو تحديد ما إذا كان النموذج يمكنه التعرف بشكل صحيح على أن رقعتين محددتين تنتميان إلى نفس الكائن مقابل كونهما من كائنين مختلفين.

ب. مسابير ربط الكائنات (Object Binding Probes)

يستخدم المؤلفون مسابير الربط التربيعية (quadratic binding probes) (اتباعاً لـ Li et al., 2025) المدربة على تنشيطات الطبقات المتوسطة.

المدخلات: أزواج من تنشيطات الرقع ( $x, y$ ).
المهمة: التنبؤ بما إذا كانت الرقعتان تنتميان إلى نفس الكائن.
المقياس: الفارق في دقة المسبار بين مجموعة بيانات "الكائن" (الحدود المستمرة) ومجموعات البيانات "المبعثرة" (الاستمرارية المنقطعة) يعمل كمقياس لاعتماد النموذج على إشارات الاستمرارية.

ج. تحديد "رؤوس استمرارية الجشطالت" (Gestalt Continuity Heads)

لتحديد الآليات العصبية المحددة المسؤولة عن كشف الاستمرارية:
١. التغيير البارامتري: يتم نقل رقعة محيطية مستهدفة لكائن ما على طول مسار ( $t$ ). عند $t=0$ ، تتماشى الرقعة تماماً مع المنحنى؛ وعند $t \neq 0$ ، تكون مزاحة.
٢. الضبط: يتم تدوير الرقعة المستهدفة عشوائياً لتعطيل الاستمرارية مع الحفاظ على محتوى البكسل متطابقاً.
٣. مؤشر الحساسية ( $S(t)$ ): يُحسب كنسبة الانتباه من الرقع المجاورة إلى الرقعة المستهدفة في حالة الاستمرارية مقابل حالة التحكم المدوّرة.
* إذا كان $S(t) > 1$ ، فهذا يعني أن "الرأس" (head) ينتبه أكثر عندما يكون المنحنى مستمراً، بغض النظر عن محتوى البكسل.
* الرؤوس التي تظهر منحنى ضبط يشبه التوزيع الطبيعي (Gaussian-like) ويصل ذروته عند $t=0$ تُصنف على أنها رؤوس استمرارية الجشطالت.

د. الاستئصال السببي (Causal Ablation)

لاختبار السببية، يقوم المؤلفون بإجراء استئصال المتوسط (mean ablation) على أفضل ٥ رؤوس حساسة للاستمرارية (عبر جميع الطبقات السابقة) ويقيسون الانخفاض الناتج في أداء مسبار الربط على مجموعات بيانات "الكائن" مقابل مجموعات البيانات "المبعثرة".

٣. النتائج الرئيسية

أ. مسابير الربط حساسة للاستمرارية

تحقق مسابير الربط دقة أعلى بكثير في مجموعة بيانات "الكائن" مقارنة بمجموعات البيانات "المبعثرة" عبر جميع النماذج والطبقات المختبرة.
يستمر هذا الفارق في الأداء حتى عند التحكم في تشابه الرقع والتقارب، مما يؤكد أن الاستمرارية هي إشارة متميزة ومستخدمة للربط في نماذج ViTs.
يزداد الأداء عموماً من الطبقات المبكرة إلى المتوسطة، مما يشير إلى أن تمثيلات الربط تنضج مع تدفق المعلومات عبر الشبكة.

ب. اكتشاف رؤوس استمرارية محددة

تحدد الدراسة رؤوس انتباه محددة تعمل ككواشف مخصصة للاستمرارية. تظهر هذه الرؤوس أوزان انتباه عالية عندما تشكل الرقع المجاورة منحنى مستمراً ( $t=0$ ) مقارنة بما تكون عليه عندما تكون غير متوافقة أو مدورة.
التعميم: هذه الرؤوس متسقة عبر مجموعات بيانات مختلفة (الكتل، المنحنيات، وكائنات ImageNet الطبيعية) وعبر بنيات نماذج مختلفة (التعلم الذاتي مقابل التعلم الخاضع للإشراف).
الارتباط: تظهر درجات حساسية الاستمرارية للرؤوس عبر مجموعات البيانات ارتباطاً عالياً بمعامل بيرسون ( $r \approx 0.66$ )، مما يشير إلى أن هذه الميزات قوية وناشئة وليست مجرد نواتج اصطناعية لمجموعة البيانات.
التمركز: تتجمع رؤوس الاستمرارية بشكل أساسي في الطبقات الأربع الأولى من المحولات، وهو ما يتوافق مع الطبقات التي يبدأ فيها أداء مسبار الربط في الارتفاع.

ج. الدور السببي في الربط

الانتقائية: يؤدي استئصال رؤوس استمرارية الجشطالت المحددة إلى انخفاض أكبر بكثير في دقة مسبار الربط على مجموعة بيانات "الكائن" مقارنة بمجموعات البيانات "المبعثرة".
المقارنة: هذه "الانتقائية" (انخفاض الكائن ناقص انخفاض المبعثر) أعلى بكثير لرؤوس الاستمرارية مقارنة بالرؤوس الضابطة المختارة عشوائياً.
الاستنتاج: هذه الرؤوس ليست مجرد مرتبطة بالاستمرارية فحسب؛ بل هي متورطة سببياً في تشكيل تمثيلات ربط الكائنات.

٤. الأهمية والمساهمات

١. تفسير ميكانيكي للربط: تتجاوز الورقة ملاحظة أن نماذج ViTs يمكنها ربط الكائنات لتشرح كيف تفعل ذلك. لقد حددت استمرارية الجشطالت كآلية أساسية وحددت رؤوس الانتباه المحددة المسؤولة عن ذلك.
٢. الربط بين علم النفس والذكاء الاصطناعي: تثبت الورقة أن النماذج العميقة الحديثة تتعلم تلقائياً مبادئ من علم نفس الجشطالت في القرن العشرين (تحديداً الاستمرارية) دون وجود تحيزات استقرائية معمارية صريحة مصممة لهذا الغرض.
٣. القوة عبر البنيات: تظل النتائج صحيحة عبر مجموعة واسعة من النماذج المدربة بأهداف مختلفة (التعلم الذاتي، الخاضع للإشراف، التبايني)، مما يشير إلى أن تتبع الاستمرارية هو خاصية ناشئة أساسية لبنية المحول (Transformer) عند معالجة البيانات المرئية.
٤. إطار منهجي: توفر الورقة إطاراً صارماً (الاضطراب البارامتري + فهرسة الحساسية + الاستئصال السببي) لتشريح آليات التجميع الإدراكي، والتي يمكن تطبيقها على مبادئ الجشطالت الأخرى (مثل الإغلاق أو المصير المشترك) في العمل المستقبلي.

٥. القيود والعمل المستقبلي

إجراء الاختيار (Selection Heuristic): الطريقة الحالية لاختيار الرؤوس (أفضل ٥ حسب الدرجة) بسيطة؛ قد يؤدي الاختيار الأكثر ديناميكية أو المرتبط بالطبقات إلى روابط سببية أقوى.
التعقيد الطبيعي: بينما تعزل مجموعات البيانات الاصطناعية الاستمرارية، فإن الدرجة التي تساهم بها الاستمرارية في المشاهد الطبيعية المعقدة (حيث تتنافس مبادئ الجشطالت المتعددة) تظل سؤالاً مفتوحاً.
المبادئ الأخرى: يجب أن تبحث الأعمال المستقبلية في رؤوس الانتباه الحساسة لمبادئ الجشماطلت الأخرى مثل الإغلاق (closure) أو المصير المشترك (common fate).

باختสร، تؤسس هذه الدراسة أن نماذج المحولات الرؤيوية تعتمد على استمرارية الجشطالت لحل مشكلة ربط الكائنات، وذلك باستخدام رؤوس انتباه محددة في الطبقات المبكرة تعمل ككواشف للاستمرارية لبناء تمثيلات متماسكة للكائنات.