🤖 AI

Leveraging Foundation Models for Causal Generative Modeling

تقدم هذه الورقة FM-CGM، وهو إطار عمل معياري يستفيد من النماذج التأسيسية سابقة التدريب وآلية توجيه دلالي سببي مبتكرة لتمكين الاكتشاف السببي، والتدخل، وتوليد الصور الواقعي المضاد للواقع (counterfactual) ضمن مسار موحد في مرحلة الصفر (zero-shot).

المؤلفون الأصليون: Aneesh Komanduri, Xintao Wu

نُشر 2026-05-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Aneesh Komanduri, Xintao Wu

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 أن لديك محرر صور سحري لا يكتفي بتغيير البكسلات فحسب، بل يفهم القصة الكامنة وراء الصورة. هذا هو بالضبط ما تقدمه هذه الورقة البحثية: نظام جديد يسمى FM-CGM (النمذجة التوليدية السببية المدعومة بنماذج التأسيس).

إليك شرح بسيط لكيفية عمله، باستخدام تشبيهات من الحياة اليومية.

المشكلة: "تأثير الدومينو" للتعديلات السيئة

عادةً، عندما تستخدم الذكاء الاصطناعي لتعديل صورة (مثل تغيير جنس رجل إلى امرأة)، قد يرتبك الذكاء الاصطناعي. قد يغير لون الشعر، أو الخلفية، أو الإضاءة في حين أنك أردت فقط تغيير الجنس. الأمر يشبه محاولة استبدال لاعب في فريق كرة قدم، لكن الذكاء الاصطناعي يغير الطقس، والملعب، وزي الحكم بالخطأ أيضاً.

يقول المؤلفون إن أدوات الذكاء الاصطناعي الحالية بارعة في رسم الصور، لكنها سيئة في فهم السبب والنتيجة. فهي لا تعرف أن "تغيير الجنس" يؤدي إلى "اختفاء شعر الوجه"، ولكنه لا ينبغي أن يؤدي إلى "تحول السماء إلى اللون الأزرق".

الحل: فريق من ثلاثة أشخاص

بنى المؤلفون نظاماً يعمل كفريق مكون من ثلاثة أشخاص لإصلاح هذه المشكلة. يستخدمون نماذج ذكاء اصطناعي قوية ومُدربة مسبقاً (نماذج التأسيس) كعمال.

1. المحقق (مستخرج المفاهيم - Concept Extractor)

ماذا يفعل: قبل التعديل، ينظر هذا الذكاء الاصطناعي إلى الصورة ويكتب قائمة بـ "المفاهيم" (مثل "رجل"، "لحية"، "مبتسم") ويرسم خريطة توضح كيفية ارتباطها ببعضها البعض.
التشبيه: تخيل محققاً يدخل مسرح جريمة. بدلاً من رؤية غرفة فوضوية فحسب، يكتب: "النافذة المكسورة (السبب) أدت إلى المطر على الأرض (النتيجة)". إنه ينشئ مخططاً انسيابياً لمنطق المشهد.
في الورقة البحثية: هذا نموذج رؤية-لغوي ضخم (مثل Qwen3-VL) ينظر إلى الصورة ويخرج "رسماً بيانياً سببياً" (خريطة لما يسبب ماذا).

2. المخرج (متلاعب المفاهيم - Concept Manipulator)

ماذا يفعل: تخبر المخرج: "غير الجنس من ذكر إلى أنثى". ينظر المخرج إلى الخريطة من المحقق ويقرر: "حسناً، إذا غيرنا الجنس، يجب أن تختفي اللحية، لكن الخلفية تبقى كما هي".
التشبيه: فكر في مخرج سينمائي. إذا غير الممثل ملابسه، يعرف المخرج ضرية تعديل الإضاءة قليلاً لتناسبه، لكنه يخبر مصور الكاميرا: "لا تحرك الديكور!". إنه يخطط بدقة لما يجب تغييره وما يجب أن يظل ثابتاً.
في الورقة البحثية: هذا هو نفس نموذج الذكاء الاصطناعي، يعمل الآن كمحرك منطقي للتنبؤ بكيفية تأثير تغيير متغير واحد على المتغيرات الأخرى بناءً على الخريطة.

3. الرسام (مولد الواقع المضاد - Counterfactual Generator)

ماذا يفعل: يأخذ هذا الذكاء الاصطناعي خطة المخرج ويقوم فعلياً برسم الصورة الجديدة.
التشبيه: هذا هو الفنان الذي يضع الطلاء أخيراً. ولكن بخلاف الفنان العادي الذي قد يخمن، يمتلك هذا الفنان "فرشاة سحرية" خاصة تلمس فقط الأجزاء المحددة من اللوحة التي أشار إليها المخرج.
في الورقة البحثية: هذا نموذج تحويل النص إلى صورة (Stable Diffusion XL) يقوم بتوليد الصورة النهائية.

السر الكامن: "التوجيه الدلالي السببي" (CSG)

تقدم الورقة تقنية خاصة تسمى التوجيه الدلالي السببي (CSG). وهذا هو الجزء الأهم.

كيف يعمل: عندما يعمل الرسام (مولد الصور)، فإنه يستخدم نظام "تسليط الضوء".
- إذا قال المخرج "أزل اللحية"، فإن تسليط الضوء يتركز بقوة على منطقة اللحية لمسحها.
- إذا قال المخرج "يجب أن يكون الشعر مبللاً لأن السماء تمطر"، فإن تسليط الضوء يتركز على الشعر لجعله مبللاً.
- الأهم من ذلك: تسليط الضوء "يخفت" في كل مكان آخر. إنه يخبر الذكاء الاصطناعي: "لا تلمس الخلفية، لا تلمس العينين، لا تلمس الملابس".
التشبيه: تخيل أنك تقوم بتعديل صورة جماعية على جهاز لوحي. تستخدم أداة "تحديد العنصر". عندما تختار الشخص الذي تريد تغييره، تبرز الأداة الشخص باللون الأحمر، بينما يصبح كل شيء آخر رمادياً وغير قابل للتعديل. الـ CSG هو تلك الأداة، لكنه ذكي بما يكفي ليعرف أنه إذا غيرت مفهوم "الطقس"، فيجب أن يبرز "المظلة" و"الأرض المبللة" تلقائياً، مع إبقاء "الجبال" رمادية وآمنة.

ما وجدوه

اختبر المؤلفون هذا النظام على صور للوجوه ومشاهد الطقس.

النتيجة: عندما طلبوا من النظام تغيير رجل إلى امرأة، بدت الصورة الجديدة طبيعية؛ اختفت اللحية، لكن الخلفية والإضاءة بقيا كما هما تماماً.
المقارنة: الطرق القديمة (مثل تقنيات "القلب" القياسية) غالباً ما كانت تفسد الصورة بأكملها، حيث تضيف تجاعيد عشوائية أو تغير السماء. جعل النظام الجديد (CSG) تعديلات "أدنى وأكثر دقة"، مما يعني أنه غير بالضبط ما طُلب منه ولا أكثر من ذلك.

الملخص

تقدم هذه الورقة طريقة لجعل محررات الصور بالذكاء الاصطناعي أكثر ذكاءً عبر منحها "عقلاً منطقياً" قبل أن تبدأ في الرسم. بدلاً من مجرد التخمين حول كيفية تغيير صورة، يقوم النظام أولاً بفهم قواعد السبب والنتيجة للمشهد، ثم يخطط للتغييرات، ثم يستخدم تقنية توجيه خاصة لضمان تغيير الأجزاء الصحيحة فقط من الصورة، تاركاً الباقي سليماً تماماً.

ملخص تقني: الاستفادة من النماذج التأسيسية للنمذجة التوليدية السببية

بيان المشكلة
تعد النمذجة التوليدية السببية أمراً حيوياً لتطوير أنظمة ذكاء اصطناعي قادرة على الاستدلال المضاد للواقع (counterfactual reasoning) بشكل موثوق. وبينما تدمج النهج الحالية القيود السببية مباشرة في تدريب النماذج التوليدية (مثل GANs وVAEs ونماذج الانتشار)، إلا أنها غالباً ما تفتقر إلى إطار عمل موحد للاستفيد من قدرات الاستدلال الصفري (zero-shot reasoning) للنماذج التأسيسية سابقة التدريب. وتواجه الطرق الحالية صعوبة في اكتشاف العوامل التوليدية، والاستدلال حول التدخلات، وتوليد سيناريوهات مضادة للواقع كعملية متكاملة من البياض إلى النهاية دون الحاجة لإعادة التدريب أو التكيف المكثف مع نطاقات محددة.

المنهجية: إطار عمل FM-CGM
يقترح المؤلفون إطار عمل FM-CGM (النموذج التوليدي السببي المدعوم بالنماذج التأسيسية)، وهو إطار عمل معياري يصيغ الاستدلال السببي البصري باستخدام ثلاثة مكونات متميزة، يمثل كل منها نموذج تأسيسي سابق التدريب:

مستخرج المفاهيم (Concept Extractor): نموذج رؤية ولغة (VLM) ضخم وقادر على الاستدلال، مطبق تحديداً باستخدام Qwen3-VL، يقوم بتحليل صورة مدخلة ووصف نصي لاستنتاج مجموعة من المفاهيم الدلالية عالية المستوى ( $C$ ) وعلاقاتها السببية ( $G$ ). المخرج هو رسم بياني موجه غير حلقي (DAG) يمثل نموذجاً هيكلياً سببياً (SCM) دلالياً.
متلاعب المفاهيم (Concept Manipulator): يعتمد أيضاً على نفس نموذج الرؤية واللغة (VLM)، ويقوم بتنفيذ تدخلات "do" على متغيرات مفاهيمية محددة (على سبيل المثال: $do(\text{gender} = \text{female})$ ). يقوم بالاستدلال حول الرسم البياني السببي لنشر التأثيرات إلى المفاهيم التابعة (descendant concepts) مع الحفاظ على المفاهيم غير التابعة (الثابتة/invariant)، ويخرج مجموعة جديدة من حالات المفاهيم ( $C'$ ) ومطالبة نصية مقابلة.
مولد السيناريوهات المضادة للواقع (Counterfactual Generator): نموذج انتشار من نص إلى صورة (Stable Diffusion XL) يقوم برسم خرائط حالات المفاهيم المتدخل فيها مرة أخرى إلى مساحة البكسل.

الابتكار الرئيسي: التوجيه الدلالي السببي (CSG)
لترجمة التدخلات الدلالية إلى تعديلات في مساحة البكسل دون إعادة تدريب نموذج الانتشار، قدم المؤلفون آلية التوجيه الدلالي السببي (CSG)، وهي آلية توجيه تعتمد على الانتباه المتقاطع (cross-attention) تعمل في وقت الاستدلال. تتبع العملية بنية "الاستنباط-الإجراء-التنبؤ" لبيرل (Pearlian Abduction-Action-Prediction):

الاستنباط (Abduction): يتم عكس الصورة الواقعية إلى تمثيل ضوضائي ( $z_T$ ) باستخدام عملية عكس DPM-Solver++.
الإجراء والتوجيه (Action & Guidance): يقوم النظام بإنشاء مطالبة تدخلية ومجموعة من المطالبات للمفاهيم التابعة. ثم يحسب حد التوجيه $\gamma$ عن طريق جمع الفروق بين تنبؤات الضوضاء المشروطة وغير المشروطة ( $\epsilon_\theta$ ).
القناع (Masking): من الضروري أن تستخدم تقنية CSG خرائط إسناد الانتباه المتقاطع لتحديد المناطق المرتبطة بالمفهوم المتدخل ومفاهيمه التابعة. وتطبق تقاطع الأقنعة الثنائية من أجل:
- تضخيم التعديلات للمفاهيم المتدخل فيها.
- تشجيع التغييرات المتسقة في المفاهيم التابعة.
- كبح التغييرات غير المقصودة في المفاهções غير التابعة (الثابتة).

النتائج التجريبية
تم تقييم إطار العمل على صور تم توليدها بواسطة Stable Diffusion XL، بالإضافة إلى مجموعات بيانات مرجعية مثل MS-COCO وCelebA-HQ.

التقييم النوعي: يوضح المؤلفون أن FM-CGM ينتج تعديلات مضادة للواقع دقيقة وأمينة للغاية. على سبيل المثال، عند تغيير الجنس، يقوم النموذج بتغيير شعر الوجه وغيره من التوابع السببية بشكل صحيح مع الحفاظ على الميزات الثابتة (مثل الخلفية والإضاءة)، بينما تسبب طرق العكس الأساسية (DDIM/DDPM) تغيرات غير ضرورية أو تفشل في نشر التأثيرات السببية.
التقييم الكمي: باستخدام VLM-Eff (مقياس يعتمد على نموذج الرؤية واللغة للتحقق مما إذا كانت الصور المولدة تحتوي على المفاهيم الصحيحة المضادة للواقع) وLPIPS (لقياس التشابه الإدراكي/الحد الأدنى من التغيير)، تظهر النتائج أن CSG يتفوق على النماذج المرجعية. في المتوسط، حققت تقنية CSG درجة VLM-Eff بلغت 0.808 ودرجة LPIPS بلغت 0.1865، مما يشير إلى دقة تدخل أعلى وحفاظ أفضل على بنية الصورة الأصلية مقارنة بتقنيات العكس القياسية.

الأهمية والادعاءات
يزعم البحث أن FM-CGM يوفر تجريداً عاماً ومعيارياً للنمذجة التوليدية السببية لا يتطلب تدريب نماذج توليدية جديدة من الصفر. ومن خلال الاستفادة من قدرات الاستدلال للنماذج التأسيسية الكبيرة في الاكتشاف السببي والتخطيط للتدخل، وربط ذلك بآلية توجيه متخصصة (CSG) لتوليد الصور، فإن هذا النهج يتيح الاكتشاف الصفري للمفاهيم، والتدخل، وتوليد السيناريوهات المضادة للواقع. ويؤكد المؤلفون أن إطار العمل هذا نجح في سد الفجوة بين الاستدلال السببي عالي المستوى وتوليد الصور منخفض المستوى، مما ينتج سيناريوهات مضادة للواقع تكون مقبولة بصرياً ومتوافقة مع الدلالات السببية المقصودة.