🧬 biology

Meow-Omni 1: A Multimodal Large Language Model for Feline Ethology

تقدم الورقة البحثية Meow-Omni 1، وهو نموذج لغوي كبير جديد مفتوح المصدر رباعي الأنماط يدمج الفيديو، والصوت، والسلاسل الزمنية الفسيولوجية، والنصوص لتحقيق حالة متطورة في التعرف على نوايا القطط من خلال معالجة تحدي التباس المعنى في تحليل سلوك الحيوان.

المؤلفون الأصليون: Jucheng Hu, Zhangquan Chen, Yulin Chen, Chengjie Hong, Liang Zhou, Tairan Wang, Sifei Li, Giulio Zhu, Feng Zhou, Yiheng Zeng, Suorong Yang, Dongzhan Zhou

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jucheng Hu, Zhangquan Chen, Yulin Chen, Chengjie Hong, Liang Zhou, Tairan Wang, Sifei Li, Giulio Zhu, Feng Zhou, Yiheng Zeng, Suorong Yang, Dongzhan Zhou

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحثية بعنوان "Meow-Omni 1"، مترجم بلغة بسيطة مع استخدام تشبيهات إبداعية.

المشكلة الكبرى: معضلة "خبير القطط"

تخيل أنك تحاول تخمين ما يدور في عقل قطتك. تراها تصدر صوت الخرير (purring). هل هي سعيدة؟ أم أنها تتألم وتحاول تهدئة نفسها؟

المشكلة: تطلق الورقة البحثية على هذا اسم "الالتباس الدلالي" (Semantic Aliasing). الأمر يشبه كلمة لها معنيان متناقضان تماماً بناءً على السياق. فالخرير قد يعني "أنا أحبك" أو "أنا مرعوب"، وغالباً لا يكفي النظر إلى وجه القطة (فيديو) أو الاستماع إلى صوتها (صوت) لتمييز الفرق.
الطريقة القديمة: كانت نماذج الذكاء الاصطناي السابقة مثل المحققين الذين يكتفون فقط بالنظر إلى الصور أو الاستماع إلى التسجيلات. لقد كانوا "عميان" عن الإشارات الحيوية الداخلية للقطة. كان بإمكانهم تخمين الفعل (مثل "الجري")، لكن لم يكن بإمكانهم تخمين النية (مثل "الجري لأنه خائف" مقابل "الجري لأنه يلعب").

الحل: Meow-Omni 1

بنى الباحثون Meow-Omni 1، وهو نوع جديد من أدمغة الذكاء الاصطناعي المصمم خصيصاً لفهم القطط. فكر فيه كأنه متدرب فائق الذكاء في مدرسة بيطرية، لا يكتفي بالمراقبة والاستماع فحسب، بل لديه أيضاً خط مباشر مع نبضات قلب القطة ومستشعرات حركتها.

إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. الحواس الأربع (النمط الرباعي - Quad-Modal)

تمتلك معظم نماذج الذكاء الاصطناي حاستين أو ثلاثاً فقط. أما Meow-Omni 1 فيمتلك أربع حواس، وهو ما تسميه الورقة البحثية "النمط الرباعي" (Quad-Modal):

العينان (الفيديو): مراقبة حركة القطة.
الأذنان (الصوت): الاستماع إلى المواء والخرير.
الصوت (النص): قراءة الأوصاف وطرح الأسئلة.
"الحاسة الداخلية" (السلاسل الزمنية البيولوجية): هذا هو المكون السحري. إنه يقرأ بيانات عالية السرعة من المستشعرات (مثل ساعة ذكية للقطط) التي تتبع معدل ضربات القلب، والتسارع، واهتزازات الجسم.
- التشبيه: إذا رأى محقق بشري مشتبهاً به يركض، قد يظن أنه "متأخر عن موعده". لكن إذا كان لديه أيضاً جهاز مراقبة يظهر أن نبضات قلب المشتبه به تصل إلى 180 نبضة في الدقيقة، فسيدرك فوراً: "إنه مطارد". يستخدم Meow-Omni 1 هذه "الحاسة الداخلية" لحل لغز القطة التي تصدر صوت الخرير.

2. جراحة الدماغ (البنية الهيكلية)

لم يقم الباحثون ببناء دماغ من الصفر؛ بل أجروا "جراحة" لذكاء اصطناعي ذكي موجود بالفعل (MiniCPM-o).

عملية الزرع: أخذوا "مشفر سلاسل زمنية" متخصصاً (أداة جيدة في قراءة بيانات المستشعرات من مشروع آخر يسمى Intern-S1 Pro) وقاموا بدمجه في ذكاء القطط الاصطناعي.
المترجم: بنوا "طبقة إسقاط" خاصة تعمل كمترجم. تأخذ هذه الطبقة الأرقام الخام سريعة الوتيرة من مستشعرات القطة وتحولها إلى لغة يمكن لدماغ الذكاء الاصطناعي فهمها، تماماً كما تترجم شخصية في لعبة فيديو لغة أجنبية إلى الإنجليزية.

3. التدريب (تعلم التفكير)

لم يقم الذكاء الاصطناي بمجرد حفظ الحقائق؛ بل تعلم كيفية التفكير المنطقي.

مجموعة البيانات (Meow-10K): قاموا بتغذية الذكاء الاصطناي بـ 10,831 مثالاً للقطط. كل مثال يتضمن مزيجاً من الفيديو، والصوت، وبيانات المستشعرات، مقترنة بشرح من خبير بشري لما تشعر به القطة فعلياً.
الهدف: بدلاً من مجرد تخمين "القطة تقفز"، تم تدريب الذكاء الاصطناي على تخمين النية: "القطة تقفز لأنها تلعب".
الاختبار (MeowBench): لمعرفة ما إذا كان ذلك قد نجح، أنشأوا اختباراً يسمى MeowBench. إنه يشبه امتحان الاختيار من متعدد حيث يتعين على الذكاء الاصطناعي النظر إلى بيانات القطة واختيار السبب الصحيح لسلوكها من قائمة خيارات.

النتائج: هل نجح الأمر؟

نعم، وكان ذلك إنجازاً كبيراً.

الدرجة: حقق Meow-Omni 1 دقة بلغت 71.16% في الاختبار.
المنافسة: تفوق على أفضل نماذج الذكاء الاصطناي الموجودة (التي كانت تعتمد فقط على الفيديو أو الصوت) بفارق كبير. حتى الذكاء الاصطناعي "الشامل" الذكي جداً الذي نظر إلى الفيديو والصوت وبيانات المستشعرات كوصف نصي حقق 66.89% فقط.
الدرس المستفاد: تثبت الورقة البحثية أنه لا يمكنك مجرد وصف نبضات قلب القطة بالكلمات؛ بل يحتاج الذكاء الاصطناي إلى "الشعور" بالبيانات الخام مباشرة ليفهم نية القطة الحقيقية.

ميزة "التردد" (عدم اليقين)

من أروع الأشياء التي تسلط الورقة البحثية الضوء عليها هي كيفية تعامل الذكاء الاصطناي مع الارتباك.

السيناريو: تخيل أن قطة تبدو سعيدة (فيديو) ولكن مستشعراتها تقول إنها تتألم (بيانات حيوية).
الذكاء الاصطناي القديم: سيختار إجابة واحدة بثقة، وغالباً ستكون الإجابة المرئية، وسيكون مخطئاً.
Meow-Omni 1: عندما تتعارض الإشارات، يصبح الذكاء الاصطناي "غير متيقن". تنخفض درجة ثقته الداخلية، ويقول ضمناً: "أنا لست متأكداً، هذه الأدلة لا تتطابق".
لماذا يهم هذا: تشير الورقة إلى أن هذا الأمر بالغ الأهمية للسلامة. إذا كان الذكاء الاصطناي غير متأكد، فيمكنه التنبيه بوجود حالة تستدعي فحصاً من قبل طبيب بيطري بشري، بدلاً من تقديم إجابة خاطئة وخطيرة.

الملخص

Meow-Omni 1 هو أول ذكاء اصطناي يعامل نبضات قلب القطة وحركة مستشعراتها كلغة أساسية، وليس مجرد ضوضاء في الخلفية. من خلال الجمع بين ما تبدو عليه القطة، وما تصدره من صوت، وما تشعر به داخلياً، يمكنه أخيراً حل لغز ما إذا كانت القطة التي تصدر صوت الخرير سعيدة أم تتألم. لقد نشر المؤلفون الكود، والبيانات، والنموذج ليستخدمه أي شخص، بهدف مساعدة الأطباء البيطريين وباحثي الحيوانات على فهم الحيوانات غير الناطقة بشكل أفضل.

ملخص تقني: Meow-Omni 1

بيان المشكلة

التحدي الجوهري الذي يعالجه هذا العمل هو الالتباس الدلالي (semantic aliasing) في علم السلوك الحسابي: وهي الظاهرة التي تتوافق فيها الإشارات الخارجية المتطابقة (مثل خرخرة القطط) مع حالات داخلية مختلفة جذرياً (مثل الرضا مقابل الألم) اعتماداً على السياق الفسيولوجي. تفتقر النماذج اللغوية الكبيرة متعددة الوسائط (MLLMs) الحالية إلى القدرة على "رؤية" البيانات السلاسل الزمنية (TS) عالية التردد ذات الطابع البيولوجي. وبناءً على ذلك، تعتمد هذه النماذج على مطابقة الأنماط السلوكية السطحية (مثل التنبؤ بالإطار التالي للفيديو أو منحنى طبقة الصوت) بدلاً من الاستنتاج الحقيقي للحالة الكامنة. تفشل البنيات الحالية في ربط الإشارات المرئية والسمعية بالأصل الفسيولوجي بشكل أصيل، مما يؤدي إلى غموض في استنتاج القصد.

المنهجية

1. البنية: التكامل الرباعي الأصيل للوسائط

Meow-Omni 1 هو أول نموذج لغوي كبير متعدد الوسائط مفتوح المصدر مصمم لدمج أربعة تدفقات من البيانات أصيلاً: النص، الفيديو، الصوت، والسلاسل الزمنية البيولوجية.

العمود الفقري (Backbone): مبني على بنية MiniCPM-o 4.5.
جراحة النموذج (Model Surgery): قام المؤلفون بإجراء "عمليات زرع" لاستيعاب القياسات الحيوية للقطط:
- توسيع المفردات: تمت إضافة ثلاثة رموز تحكم (<|ts_start|>, <|ts_unit|>, <|ts_end|>) إلى الـ tokenizer.
- المشفرات المتخصصة: تم دمج مشفر سلاسل زمنية مخصص مستمد من Intern-S1 Pro، وهو نموذج تأسيسي علمي متعدد الوسائط.
- طبقة الإسقاط (Projection Layer): تقوم طبقة إسقاط خطية مخصصة برسم خرائط الميزات البيولوجية المستخرجة إلى فضاء التضمين المشترك للنموذج اللغوي الكبير، مما يسمح للنموذج بمعاملة البيانات الفسيولوجية كرموز لغوية أصيلة بدلاً من مجرد قراءات مستشعرات متباينة.
التمرير الأمامي (Forward Pass): يعالج النموذج تسلسلات متغيرة الطول تحتوي على أي مجموعة فرعية من الوسائط (V, A, TS, Text)، مع دمج تضمينات السلاسل الزمنية (TS) مع الرموز المرئية واللغوية ضمن كتلة محول سببي (causal transformer) موحدة.

2. الإطار النظري

صاغ المؤلفون مفهوم النية الحيوانية ( $I$ ) باستخدام نماذج بيرل الهيكلية السببية (Pearl's structural causal models). تُعرف النية ليس كمجرد تصنيف بسيط، بل كدافع بيولوجي وإدراكي كامن يعظم احتمالية فعل مستقبلي محدد تحت تدخل افتراضي "حر الاختيار" ( $do(E_{free})$ ). يفك هذا النهج الارتباط بين نية الحيوان الحقيقية وبين القيود البيئية (مثل القفص أو وجود المربي) التي قد تقمع أو تغير السلوك الملحوظ.

3. مسار التدريب

يتبع التدريب عملية من مرحلتين لضمان استقرار الوسائط:

المرحلة الأولى (محاذاة الإسقاط): يتم تدريب مشفر السلاسل الزمنية (TS projector) مسبقاً على 383,853 عينة سلاسل زمنية مصنفة (باستخدام استراتيجية التنبؤ بالسلوك التالي) بينما يظل العمود الفقري للنموذج اللغوي ومشفر السلاسل الزمنية ثابتين. يعمل هذا على محاذاة الميزات البيومترية مع الفضاء الكامن اللغوي.
المرحلة الثانية (التخصص متعدد الوسائط): يتم ضبط النموذج بدقة (fine-tuning) على مجموعة بيانات Meow-10K (10,831 عينة) باستخدام العمود الفقي للنموذج اللغوي فقط. تتضمن هذه المجموعة تركيبات متنوعة من الوسائط (مثل V+A، V+TS، A+TS، أو الرباعي الكامل) لتعليم النموذج الاستنتاج من أي مجموعة فرعية متاحة من التدفقات.

4. مجموعات البيانات والاختبارات المرجعية

Meow-10K: مجموعة بيانات تدريبية تتكون من 10,831 عينة مستمدة من مصادر متعددة (بيانات مقياس التسارع، مقاطع الفيديو، التسجيلات الصوتية، والأزواج المتزامنة). وتتميز بأزواج الاستعلام والاستجابة باللغة الطبيعية وتصنيفات من نظام تصنيف نوايا مكون من 30 فئة.
MeowBench: اختبار مرجعي جديد تم التحقق منه من قبل خبراء، يحتوي على 527 عينة عالية الدقة. ونظراً لندرة البيانات الرباعية المتزامرة طبيعياً، تم تخليق العينات عبر مطابقة البيانات أحادية الوسائط (الفيديو-الصوت و TS) التي تشترك في نفس تسمية النوايا، مع التحقق من صحتها من قبل خبراء في سلوك القطط. يستخدم الاختبار تنسيق الأسئلة متعددة الخيارات (MCQ) لاختبار دقة التمييز.

المساهمات الرئيسية

بنية Meow-Omni 1: أول نموذج لغوي كبير متعدد الوسائط يوحد الوسائط المرئية، والسمعية، والسلاسل الزمنية البيولوجية للاستنتاج السلوكي المشترك.
مجموعة بيانات Meow-10K: مجموعة بيانات متنوعة متعددة المصادر تضم أكثر من 10,000 عينة للقطط تغطي تركيبات وسائط متفاوتة مع أوصاف باللغة الطبيعية.
MeowBench: أول اختبار مرجعي مصمم خصيصاً لتقييم النماذج اللغوية الكبيرة متعددة الوسائط في الاستنتاج عبر الوسائط بين القياسات الحيوية، والرؤية، والصوت لفك تشفير النوايا.
إطار عمل مفتوح المصدر لعلم السلوك (Ethology): مسار كامل مفتوح المصدر (أوزان النموذج، كود التدريب، والبيانات) يوضح كيفية تطويع النماذج التأسيسية لأنواع غير بشرية.

النتائج

عند التقييم على MeowBench، حقق Meow-Omni 1 دقة (Top-1) بلغت 71.16%، متفوقاً على جميع النماذج المرجعية:

النماذج المرجعية أحادية الوسائط: تفوق بشكل ملحوظ على النماذج الصوتية المتخصصة (36.86%)، والمرئية (61.95%)، ونماذج السلاسل الزمنية (48.98%).
النماذج المرجعية متعددة الوسائط: تجاوز النموذج العام الرائد متعدد الوسائط، Qwen3.5-Omni-Plus (66.89% مع V+A+TS)، والذي يعامل الإشارات غير اللغوية باستخدام مشفرات عامة.
دراسة الاستئصال (Ablation Study): وفر إدراج بيانات السلاسل الزمنية البيولوجية (TS) أكبر مكسب في الأداء. فبينما حققت الرؤية وحدها 69.97%، أدى إضافة السلاسيما الزمنية (V+TS) إلى رفع الأداء إلى 70.82%، ووصل التكامل الرباعي الكامل إلى 71.16%. وهذا يؤكد أن العلامات البيولوجية تساعد في حل الالتباس الدلالي المتأصل في العروض المرئية أو السمعية البحتة.
تحديد عدم اليقين (Uncertainty Quantification): باستخدام أخذ عينات درجة الحرارة (temperature sampling)، أظهر النموذج قدرة على اكتشاف تضارب الوسائط. في البيانات المتوافقة، كانت الإنتروبيا التنبؤية منخفضة (1.28 بت)، مما يشير إلى ثقة عالية. أما في بيانات التضارب العدائي (حيث تشير الإشارات المرئية إلى الرضا بينما تشير السلاسل الزمنية إلى الألم)، فقد ارتفعت الإنتروبيا بشكل حاد (3.15 بت)، مما يشير إلى أن النموذج حدد الغموض بشكل صحيح بدلاً من الانحياز لأقوى وسيط.

الأهمية والادعاءات

يدعي البحث أن Meow-Omni 1 يضع نموذجاً قابلاً للتوسع لفهم النوايا بين الأنواع. تكمن أهميته الأساسية في:

حل الالتباس الدلالي: إثبات أن الفهم الدلالي الحقيقي لسلوك الحيوان يتطلب ربط البيانات الملحوظة بالواقع الفسيولوجي، والانتقال من مجرد مطابقة الأنماط السطحية.
الفائدة الإكلينيكية والحفظية: توفير أداة عملية للتشخيص البيطري (مثل اكتشاف الألم الخفي) وحماية الحياة البرية من خلال جسر الفجوة الحسية داخل النماذج التأسيسية.
الأمان والقابلية للتفسير: تقديم آلية لتحديد عدم اليقين تسمح للنظام بتمييز الحالات الغامضة، وإحالة الأمر إلى الخبراء البشريين في السيناريوهات عالية الخطورة.

يضع المؤلفون هذا العمل كخطوة تأسيسية نحو الجيل القادم من التشخيص البيطري وأبحاث علم السلوك، المصممة في البداية للقطط المنزلية (Felis catus) ولكنها تهدف لتكون نموذجاً للتواصل بين الأنواع بشكل أوسع.