The Cartesian Shortcut: Re-evaluate Vision Reasoning in Polar Coordinate Space
تقدم هذه الورقة البحثية Polaris-Bench، وهو معيار مرجعي يعيد صياغة مهام الاستدلال البصري في الإحداثيات القطبية للكشف عن ثغرة "الاختصار الكارتيزي" في النماذج اللغوية الكبيرة متعددة الوسائط الحالية، مما يكشف أن أداءها العالي في المعايوهات القياسية القائمة على الشبكات ينبع من استغلال أنماط الإحداثيات النصية بدلاً من الفهم البصري القوي والمستقل عن الطوبولوجيا.
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
الفكرة الكبرى: هل نماذج الذكاء الاصطناعي "ترى" حقاً، أم أنها مجرد "تقرأ"؟
تخيل أنك تؤدي اختباراً في الرياضيات. في النسخة الأولى، تكون الأرقام مرتبة في شبكة مربعة منظمة (مثل جداول البيانات). وفي النسخة الأخرى، تكون الأرقام مرتبة في شكل دائري، مثل شرائح البيتزا.
اكتشف الباحثون في Google DeepMind وStanford University أن أذكى نماذج الرؤية في العالم (AI vision models) تشبه الطلاب الذين حفظوا حيلة للتعامل مع الشبكة المربعة، لكنهم لا يفهمون الرياضيات فعلياً. فعندما تغير الاختبار إلى شكل البيتزا، يفشلون فشلاً ذريعاً.
ويطلقون على هذه الحيلة اسم "الاختصار الكارتيزي" (Cartesian Shortcut).
شرح "الاختصار الكارتيزي"
معظم اختبارات الاستدلال البصري للذكاء الاصطناعي تستخدم الإحداثيات الكارتيزية. وهي مجرد طريقة معقدة لقول "صفوف وأعمدة" (مثل رقعة الشطرنج أو جدول البيانات).
- الصف 1، العمود 2.
- الصف 3، العمود 5.
وجدت الورقة البحثية أنه عندما تنظر نماذج الذكاء الاصطناعي إلى هذه الشبكات المربعة، فإنها لا "ترى" الصورة حقاً. بدلاً من ذلك، تقوم بسرعة بتحويل الصورة إلى قائمة نصية من الإحداثيات داخل "عقلها" (سلسلة الأفكام/Chain-of-Thought). تتوقف عن النظر إلى الأشكال البصرية وتبدأ في حل المشكلة باستخدام المنطق النصي، تماماً كما يقرأ الإنسان خريطة.
التشبيه:
فكر في الذكاء الاصطناعي وهو يؤدي اختباراً على شبكة مربعة كشخص يحل متاهة عن طريق قراءة قائمة تعليمات: "انزل 3 خطوات، ثم اتجه يميناً، ثم تقدم خطوتين". هم لا يتخيلون المتاهة؛ بل يتبعون التعليمات النصية فحسب.
التجربة: اختبار "البيتزا"
لإثبات أن الذكاء الاصطناعي كان يغش باستخدام هذه الحيلة النصية، ابتكر الباحثون معياراً جديداً يسمى Polaris-Bench.
قاموا بتحويل 53 لغزاً بصرياً مختلفاً (مثل السودوكو، والمتاهات، ومطابقة الأنماط) من الشبكات المربعة إلى الإحداثيات القطبية (Polar coordinates).
- الإحداثيات القطبية تشبه لوحة السهام أو البيتزا. فبدلاً من "الصفوف والأعمدة"، لديك حلقات (المسافة من المركز) وشرائح (الزوايا).
النتيجة:
- على الشبكة المربعة (الكارتيزية): سجلت أفضل نماذج الذكاء الاصطناعي درجات عالية جداً (من 70% إلى 83%). بدا وكأنهم عباقرة.
- على شبكة البيتزا (القطبية): انهارت الدرجات. نفس تلك النماذج انخفضت درجاتها إلى (31% إلى 39%).
الأمر يشبه الطالب الذي تفوق في اختبار الرياضيات عندما كانت الأرقام في جدول بيانات، وفشل فجأة في نفس اختبار الرياضيات عندما كُتبت الأرقام في دائرة.
لماذا حدث هذا؟
يجادل الباحثون بأن نماذج الذكاء الاصطناعي لا تفشل لأن شكل "البيتزا" أصعب؛ فمنطق اللغز هو نفسه تماماً. إنهم يفشلون لأن:
- يعتمدون على الشبكة: تعلمت النماذج تحويل الصور المربعة إلى قوائم نصية (صف 1، عمود 2) لحل المشكلات.
- لا يمكنهم فعل الشيء نفسه مع الدوائر: عندما تكون الصورة دائرية، لا يستطيع الذكاء الاصطناعي تحويلها بسهولة إلى قائمة نصية بسيطة من "الصفوف/الأعمدة". لقد انكسر "الاختصار".
- لا يمكنهم "رؤية" الطوبولوجيا: تفتقر النماذج إلى الاستدلال المستقل عن الطوبولوجيا (topology-invariant reasoning). وهي طريقة معقدة لقول إنهم لا يستطيعون فهم أن الشبكة المربعة والشبكة الدائرية هما مجرد طريقتين مختلفتين لرسم الخريطة نفسها. إنهم عالقون في شكل الشبكة المحدد.
النتائج الرئيسية بكلمات بسيطة
- العكاز النصي: كانت نماذج الذكاء الاصطناعي تعتمد بشدة على الاستنتاج القائم على النصوص لحل المشكلات البصرية. وعندما تغير التخطيط البصري لشيء لا يناسب القائمة النصية، تاهت النماذج.
- التفكير لا يساعد: حتى عندما طلب الباحثون من الذكاء الاصطناعي أن "يفكر بعمق أكبر" (باستخدام وضع التفكير عالي المستوى)، لم يحل ذلك المشكلة. لقد فكر الذكاء الاصطناعي أكثر في الشيء الخطأ (هيكل الشبكة) بدلاً من فهم الصورة فعلياً.
- مشكلة عالمية: لم تكن هذه مشكلة لنموذج واحد فقط. فقد اختبروا 14 نموذجاً مختلفاً من أحدث النماذج (من Google وOpenAI وAnthropic وغيرها)، وجميعهم وقعوا في الفخ نفسه.
- استثناء "المتاهة": لاحظت الورقة استثناءً مثيراً للاهتمام: إذا كانت المتاهة تحتوي على أرقام مكتوبة داخل الغرف (مثل "الغرفة 1، الغرفة 2")، فإن الذكاء الاصطناعي يؤدي جيداً حتى في النسخة الدائرية. لماذا؟ لأن الأرقام تعمل كـ "اختصار نصي" جديد. يتجاهل الذكاء الاصطناعي الشكل ويتبع الأرقام فقط. لكن إذا كانت المتاهة بلا أرقام، فإن الذكاء الاصطناعي يفشل.
الخلاصة
تخلص الورقة إلى أن نماذج الذكاء الاصطناعي الحالية ليست بارعة في الاستدلال البصري كما كنا نظن. درجاتهم العالية في الاختبارات القياسية هي مجرد وهم ناتج عن كون تلك الاختبارات تستخدم شبكات مربعة. النماذج تستغل هيكل الشبكة للغش، بدلاً من فهم العالم البصري حقاً.
لبناء ذكاء اصطناٍعي ذكي حقاً، يجب أن نتوقف عن اختبارهم على الشبكات المربعة، ونبدأ باختبارهم على أشكال تجبرهم على "الرؤية" والاستدلال فعلياً، بدلاً من مجرد القراءة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.