💻 computer science

HumanScore: Benchmarking Human Motions in Generated Videos

تقدم هذه الورقة البحثية HumanScore، وهو إطار عمل منهجي يتكون من ستة مقاييس قابلة للتفسير لتقييم المعقولية الحركية، والاستقرار الزمني، والاتساق الميكانيكي الحيوي لحركات البشر في مقاطع الفيديو المولدة بواسطة الذكاء الاصطناعي، مما يكشف عن فجوات كبيرة بين الواقعية البصرية والدقة الفيزيائية عبر ثلاثة عشر نموذجاً من أحدث النماذج المتطورة.

المؤلفون الأصليون: Yusu Fang, Tiange Xiang, Tian Tan, Narayan Schuetz, Scott Delp, Li Fei-Fei, Ehsan Adeli

نُشر 2026-04-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yusu Fang, Tiange Xiang, Tian Tan, Narayan Schuetz, Scott Delp, Li Fei-Fei, Ehsan Adeli

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 عرضاً سحرياً. يُخرج الساحر أرنباً من القبعة، ويبدو الأمر مثالياً. ولكن إذا نظرت عن كثب، ستجد أذني الأرنب طويلتان قليلاً، أو أنه يتأرجح بطريقة تتحدى الجاذبية. لا يمكنك تحديد السبب بدقة، لكن عقلك يدرك أن هناك شيئاً "خاطئاً".

هذه هي بالضبط المشكلة التي تواجه مولدات الفيديو بالذكاء الاصطناعي الحديثة. إنها تزداد براعة في صنع صور تبدو حقيقية — فالإضاءة مثالية، والملابس تبدو كأنها نسيج، والخلفية حادة. ولكن عندما يتحرك شخص ما في الفيديو، غالباً ما ينسى الذكاء الاصطناعي القواعد الأساسية لكيفية عمل جسم الإنسان.

إليك HumanScore. فكر فيه كـ "جهاز كشف كذب ميكانيكي حيوي" لفيديوهات الذكاء الاصطناعي.

إليك شرح بسيط لما يدور حوله البحث، باستخدام بعض التشبيهات من الحياة اليومية:

1. المشكلة: "الوادي غير المألوف" للحركة

نماذج فيديو الذكاء الاصطناعي الحالية تشبه الرسامين الموهوبين الذين يمكنهم نسخ صورة بدقة ولكنهم لا يفهمون كيف يعمل محرك السيارة. إذا طلبت منهم رسم سيارة تسير، فقد يضبطون اللون والشكل، لكن العجلات قد تدور للخلف، أو قد تطفو السيارة.

وبالمثل، يمكن للذكاء الاصطناعي إنشاء فيديو لشخص يقوم بشقلبة خلفية. للعين المجردة، يبدو الأمر رائعاً. ولكن إذا أبطأت الفيديو، قد تجد أن الذكاء الاصطناعي جعل ساق الشخص تنثني للخلف مثل قطعة مطاط، أو أن ذراعه قد اختفت ثم ظهرت مجدداً. هذه هي الانتهاكات الميكانيكية الحيوية — وهي حركات مستحيلة فيزيائياً بالنسبة للبشر.

2. الحل: "مدرس فيزياء" للفيديوهات

قام الباحثون من جامعة ستانفورد وجامعة بكين ببناء نظام يسمى HumanScore. بدلاً من مجرد السؤال، "هل يبدو هذا جميلاً؟" (وهذا ما كانت تفعله الاختبارات القديمة)، يسأل HumanScore: "هل يتحرك هذا مثل إنسان حقيقي؟"

إنهم يعاملون جسم الإنسان كآلة معقدة لها قواعد صارمة:

التشريح (المخطط الهيكلي): لديك ذراعان وساقان. ليس لديك يد ثالثة تنمو من كتفك.
الحركة (المفاصل): مرفقك يمكنه الانثناء في اتجاه واحد فقط؛ لا يمكنه الدوران 360 درجة مثل المروحة.
الحركية (الفيزياء): إذا قفزت، فأنت بحاجة للدفع عن الأرض. لا يمكنك مجرد الطفو صعوداً وهبوطاً مثل البالون.

3. كيف يعمل: اختبار الخطوات الثلاث

لم يكتفِ الباحثون بالتخمين؛ بل بنوا مختبراً تجريبياً صارماً.

الخطوة 1: القائمة (تنسيق الحركة): أنشأوا "قائمة" تضم 51 حركة بشرية مختلفة، تتراوح من السهلة (المشي، التصفيق) إلى الصعبة (الشقلبة الخلفية، الباليه، الباركور). حتى أنهم طلبوا تنفيذ هذه الحركات "بهدوء" و"بكثافة" لمعرفة ما إذا كان الذكاء الاصطناعي سينهار تحت الضغط.
الخطوة 2: الأمر (الطلب): أعطوا 13 مولداً مختلفاً لفيديو الذكاء الاصطناعي (بما في ذلك أسماء كبيرة مثل Sora وKling وHunyuan) أوامر محددة للغاية. أخبروا الذكاء الاصطناعي: "أظهر شخصاً واحداً، كامل الجسم، في استوديو، مع كاميرا ثابتة". هذا يمنع الذكاء الاصطناعي من الغش عبر إخفاء الحركة السيئة خلف كاميرا ضبابية أو حشد من الناس.
الخطوة 3: التقييم (المقاييس): يقوم الذكاء الاصطناعي بإنشاء الفيديو، ثم يقوم HumanScore بتحليله إطاراً تلو الآخر باستخدام الرياضيات ثلاثية الأبعاد. إنه يتحقق من:
- هل نما عضو إضافي للشخص؟ (فحص التشريح)
- هل انثنت الركبة للخلف؟ (فحص المفاصل)
- هل مرت ساق الشخص عبر جذعه؟ (فحص التصادم)
- هل تسارع الشخص بسرعة أكبر من عداء مسافات قصيرة؟ (فحص السرعة)

4. النتائج: الكشف عن "الحقيقي أو المزيف"

اختبر البحث 13 نموذج فيديو رائد. إليكم ما وجدوه:

الفجوة: حتى أفضل نماذج الذكاء الاصطناعي لا تزال تعاني مع فيزياء الحركة. بينما تبدو رائعة في نظرة سريعة، إلا أنها تفشل في "اختبار الفيزياء".
الفائزون: سجلت نماذج مثل Seedance وHunyuanVideo أعلى الدرجات، مما يعني أن شخصياتها تحركت بشكل طبيعي أكثر. ومع ذلك، حتى أفضل ذكاء اصطناٍ حصل على درجة أقل من فيديوهات البشر الحقيقيين.
المعيار "الحقيقي": اختبروا أيضاً فيديوهات بشر حقيقيين. ومن المثير للاهتمام، لم تحصل الفيديوهات الحقيقية على درجة مثالية أيضاً! لماذا؟ لأن الكمبيوتر يجب أن "يخمن" الشكل ثلاثي الأبعاد من فيديو ثنائي الأبعاد مسطح، وأحياناً يرتبك بسبب الظلال أو الحركة السريعة. لكن البشر الحقيقيين كانوا لا يزالون أقرب بكثير إلى "الكمال" من الذكاء الاصطناعي.

5. لماذا هذا مهم؟

تخيل أنك مهندس معماري. لن تبني منزلاً يبدو فقط كأنه منزل؛ بل تحتاج للتأكد من أن العوارض يمكنها فعلياً حمل السقف.

من أجل السلامة: إذا استخدمنا الذكاء الاصطناعي لمحاكاة الإصابات الرياضية أو تدريب الروبوتات، فيجب أن تكون الحركات دقيقة فيزيائياً، وإلا ستكون البيانات عديمة الفائدة.
من أجل الثقة: مع تحسن فيديوهات الذكاء الاصطناعي، نحتاج لطريقة لمعرفة ما إذا كان فيديو لمشهور أو لحدث إخباري حقيقياً أم مزيفاً. يبحث HumanScore عن "الأخطاء" في الفيزياء التي لا يستطيع الذكاء الاصطناعي إخفاءها.
من أجل التحسين: من خلال إخبار مطوري الذكاء الاصطناعي بدقة أين يخفقون (على سبيل المثال، "نماذجكم تستمر في جعل الأكواع تلتوي للخلف")، يساعد هذا المعيار في بناء نماذج أفضل وأكثر واقعية.

الخلاصة

HumanScore هو أداة جديدة تتوقف عن الحكم على فيديوهات الذكاء الاصطناعي بناءً على مدى كونها "جميلة"، وتبدأ في الحكم عليها بناءً على مدى كونها "حقيقية" في حركتها. إنه يشبه الانتقال من مسابقة جمال إلى امتحان في الفيزياء. وحالياً، لا يزال الذكاء الاصطناعي يدرس بجد لاجتيازه.

1. بيان المشكلة

بينما حققت التطورات الأخيرة في نماذج توليد الفيديو (مثل Sora، وGen-3، وKling) مستويات عالية من الواقعية البصرية من حيث الإضاءة، والملمس، وحركة الكاميرا، إلا أنها لا تزال تعاني في توليد حركة بشرية منطقية فيزيائياً. تركز المعايير المرجعية الحالية (مثل VBench) بشكل كبير على الواقعية على مستوى البكسل، والاتساق الدلالي، والاتساق الزمني، لكنها تفشل في اكتشاف الانتهاكات الميكانيكية الحيوية الدقيقة. تشمل هذه الانتهاكات الاستحالات التشريحية (مثل الأطراف الإضافية، أو تغير أطوال العظام)، والأخطاء الكينماتيكية (مثل فرط التمدد، أو التصادم الذاتي)، والتناقضات الكينتيكية (مثل التسارع غير الطبيعي أو الارتجاج). تخلق هذه الفجوة خطراً يتمثل في أن المحتوى المولد بواسطة الذكاء الاصطناعي قد يبدو مقنعاً بصرياً ولكنه مستحيل فيزيائياً، مما يحد من فائدته في المجالات التي تتطلب دقة عالية مثل الرياضة، والطب، والتعليم.

2. المنهجية: إطار عمل HumanScore

يقترح المؤلفون HumanScore، وهو إطار عمل منهجي يقيم مقاطع الفيديو المولدة بناءً على المبادئ الميكانيكية الحيوية بدلاً من مجرد المظهر البصري. يتكون مسار العمل من ثلاث مراحل رئيسية:

أ. تنسيق مجموعات الحركة

المصدر: بدأ من مجموعة بيانات Kinetics-700 (700 فئة من فئات الحركة).
التصفية: تم تطبيق عملية غربلة شبه آلية باستخدام CLIP/SBERT لإزالة التكرار الدلالي، واستخدام نموذج لغوي كبير (LLM) للتصنيف لضمان التنوع (المشي، الجمباز، التفاعل مع الأشياء، إلخ).
المجموعة النهائية: تم تقليصها إلى 51 نوعاً متميزاً من الحركة عبر ثلاثة مستويات صعوبة (بسيطة، متوسطة، صعبة).
الشدة: تم توليد كل نوع حركة بمستويين من الشدة (هادئة مقابل مكثفة)، مما نتج عنه 102 مطالبة (prompt) فريدة.

ب. هندسة المطالبات (Prompt Engineering)

لضمان المقارنة العادلة وعزل جودة الحركة عن عيوب المشهد، صمم المؤلفون مطالبات معيارية تحتوي على خمسة مكونات:

المشهد: "استوديو داخلي بخلفية محايدة".
الموضوع: "شخص واحد، كامل الجسم".
الحركة والشدة: وصف محدد للحركة والسرعة.
الكاميرا: "كاميرا ثابتة ومقفلة؛ الموضوع يبقى في المنتصف".
الوصف: تدفق تفصيلي للحركة للمساعدة في فهم النموذج.

ج. تصميم مقاييس الميكانيكا الحيوية

الابتكار الجوهري هو هيكل هرمي ثلاثي المستويات من المقاييس القائمة على التشريح، والكينماتيكا، والكينتيكا. يقوم إطار العمل باستخراج الهياكل العظمية/النماذج ثلاثية الأبعاد للبشر من مقاطع الفيديو أحادية العدسة ويقوم بتقييمها على مقياس من 0 إلى 100 (الدرجة الأعلى هي الأفضل).

المستوى الأول: الصحة التشريحية (الأساس)

(I) الأطراف الإضافية: يستخدم كاشف HADM لتحديد الأطراف الشبحية أو أجزاء الجسم المكررة (مثل وجود ثلاثة أذرع).
(II) اتساق طول العظام: يقوم بملاءمة هيكل ميكانيكي حيوي (OpenSim) للفيديو. يتحقق مما إذا كانت أطوال قطع العظام تظل ثابتة بمرور الوقت (قيد الجسم الصلب). غالباً ما تظهر نماذج الذكاء الاصطناي "تمدداً" أو "تقلصاً" في الأطراف بين الإطارات.

المستوى الثاني: الصحة الكينماتيكية (الجدوى الهندسية)

(III) نطاق حركة المفاصل (RoM): يتحقق مما إذا كانت زوايا المفاصل تظل ضمن الحدود الصالحة فسيولوجياً (على سبيل المثال، منع فرط تمدد الركبتين أو المرفقين).
(IV) التصادم الذاتي: يستخدم PromptHMR لتوليد نماذج SMPL-X ثلاثية الأبعاد ويجري اختبارات تقاطع المثلثات للكشف عن التداخلات المستحيلة (مثل مرور يد عبر الجذع).

المستوى الثالث: الصحة الكينتيكية (الديناميكيات الزمنية)

(V) القيم الكينماتيكية القصوى: يقيم السرعات الزاوية للمفاصل والسرعات الخطية لقطع الجسم مقابل حدود القدرة البشرية. يكشف عن "القفزات" غير الطبيعية في السرعة.
(VI) سلاسة الحركة: يحسب التسارع الزاوي والارتجاج (jerk) (معدل تغير التسارع). يشير الارتجاج العالي إلى وجود اهتزاز، أو تقطع، أو حركة غير مستمرة، وهو أمر غير منطقي فيزيائياً بالنسبة للعضلات البشرية.

التجميع:
يقوم كل مقياس بتجميع أخطاء مستوى الإطار في درجة على مستوى الفيديو باستخدام مجموع مرجح من التكرار (كم مرة تحدث الأخطاء)، والشدة (مدى سوء الخطأ)، والاستمرارية (مدة استمرار الخطأ).

3. المساهمات الرئيسية

أول معيار مرجعي للميكانيكا الحيوية: يقدم أول إطار تقييم منهجي لجودة حركة الإنسان في مقاطع الفيديو المولدة بالذكاء الاصطناعي، متجاوزاً المقاييس القائمة على مستوى البكسل.
مقاييس قابلة للتفسير: يقترح ستة مقاييس كمية قائمة على الفيزياء والبيولوجيا (التشريح، الكينماتيكا، الكينتيكا) والتي يمكنها تشخيص أوضاع الفشل المحددة (مثل "الارتجاج الزمني" مقابل "الاستحالة التشريحية").
تقييم شامل: يقيم 13 نموذجاً من أحدث التقنيات (بما في ذلك Sora-2، وVeo 3.1، وKlingAI، وHunyuanVideo، ونماذج مفتوحة المصدر مثل Wan 2.2) مقابل مجموعة منسقة من 102 مطالبة.
المواءمة البشرية: يثبت أن هذه المقاييس الكمية ترتبط بقوة بالتفضيلات البشرية (ارتباط سبيرمان $\rho \approx 1.0$ )، مما يثبت أن الأخطاء الميكانيكية الحيوية ملموسة للبشر حتى لو كانت دقيقة.

4. النتائج

لوحة الصدارة: يتصدر كل من Seedance 1.0 Pro Fast وHunyuanVideo 1.5 لوحة الصدارة العامة (الدرجة: ~91.1)، يليهما عن قرب KlingAI 2.5 Turbo Pro (90.8).
فجوات الأداء:
- الفيديوهات الحقيقية: تسجل 94.3 (الحد الأعلى).
- فيديوهات الذكاء الاصطناعي: حتى أفضل النماذج تسجل أقل بكثير من اللقطات الحقيقية، مما يشير إلى وجود فجوة مستمرة في الدقة الميكانيكية الحيوية.
- نقاط الضعف البعدية: تؤدي النماذج بشكل عام بشكل جيد في التشريح (على سبيل المثال، HunyuanVideo: 95.3) ولكنها تعاني أكثر مع الكينماتيكا (على سبيل المثال، KlingAI: 86.4) والكينتيكا (السلاسة/التسارع).
أنماط الفشل: يكشف التحليل أن بينما يكون المظهر البصري عالياً، فإن النماذج تعاني تكراراً من:
- الارتجاج الزمني: تسارع/تباطؤ غير طبيعي.
- الانجراف التشريحي: تغير أطوال العظام من إطار إلى آخر.
  - الوضعيات غير المنطقية: انثناء المفاصل بما يتجاوز الحدود البشرية.
الارتباط: تظهر المقاييس ارتباطاً إيجابياً قوياً مع معايير الجودة البصرية الموجودة (مثل VBench) فيما يتعلق بالتشريح والكينماتيكا، ولكن ارتباطاً ضعيفاً فيما يتعلق بالكينتيكا، مما يؤكد أن الجودة البصرية لا تضمن بالضرورة المعقولية الفيزيائية.

5. الأهمية

أداة تشخيصية: يوفر HumanScore تشخيصاً دقيقاً لسبب ظهور الفيديو بشكل "غير طبيعي"، مما يسمح للمطورين باستهداف أهداف تدريبية محددة (مثل تحسين السلاسة الزمنية مقابل الاتساق التشريحي).
السلامة والمصداقية: مع دخول توليد الفيديو في صناعات مثل تحليل الرياضة، والتدريب الطبي، والاتصال عن بعد الافتراضي، فإن ضمان المعقولية الفيزيائية أمر بالغ الأهمية للسلامة والثقة.
الاتجاه المستقبلي: تجادل الورقة بأن نماذج توليد الفيديو المستقبلية يجب أن تدمج القيود الميكانيكية الحيوية والنماذج الفيزيائية المسبقة مباشرة في عمليات التوليد الخاصة بها، بدلاً من الاعتماد فقط على الاستكمال القائم على البيانات للأنماط البصرية.
مورد مفتوح: أصدر المؤلفون المطالبات المرجعية، وكود التقييم، ولوحة الصدارة، مما يضع معياراً جديداً لتقييم توليد الفيديو المتمحور حول الإنسان.

باختصار، ينقل HumanScore نموذج التقييم من "هل يبدو حقيقياً؟" إلى "هل يتحرك مثل إنسان حقيقي؟"، كاشفاً عن عقبة حرجة في جودة الحركة الحالية لنماذج فيديو الذكاء الاصطناعي.