تخيل أنك تحاول حل لغز محير، لكن الأدلة منقسمة بين ملاحظة مكتوبة ورسم غامض. أحياناً تخبرك الملاحظة بكل شيء، وأحياناً أخرى يحمل الرسم السر، وتكون الملاحظة مجرد تشتيت. هذه هي الحياة اليومية للذكاء الاصطناعي "متعدد الوسائط" (multimodal)—أجهزة الكمبيوتر التي يمكنها قراءة النصوص والنظر إلى الصور. لفترة طويلة، كانت هذه الحواسيب بارعة في القراءة ولكنها سيئة جداً في "رؤية" الرياضيات المخفية في مخطط بياني. كانت تحدق في مسألة فيزيائية ذات رسم بياني معقد وتشعر بالارتباك، وتفقد الأرقام أو الأشكال الحاسمة التي لم يذكرها النص.

لإصلاح ذلك، حاول العلماء حيلتين رئيسيتين. الأولى هي "التنسيق" (orchestration)، وهي تشبه توظيف فريق من الخبراء بدلاً من شخص واحد. أنت تسأل ثلاثة حواسيب ذكية مختلفة لحل المسألة، وتتركهم يتجادلون حول إجاباتهم، ثم تختار الفائز. الحيلة الثانية هي "الترجمة" (translation). بما أن أجهزة الكمبيوتر غالباً ما تكون أفضل في قراءة الكلمات من النظر إلى الصور، فإنك تحاول تحويل الصورة إلى وصف فائق الوضوح يمكن للكمبيوتر قراءته بسهولة. تسأل هذه الورقة سؤالاً بسيطاً: إذا دمجنا فريقاً من الحواسيب المتجادلة مع مترجم فائق الدقة، هل سنتمكن أخيراً من فك الشفرة في مسائل الفيزياء البصرية؟ والأهم من ذلك، أي جزء من الفريق هو الذي يقوم بالعمل الشاق فعلياً؟

فرقة التحري المكونة من مرحلتين

دخل مؤلفو هذه الورقة، وهم فريق من جامعة KAIST وشركة summary.ai، في منافسة عالية المخاطر تسمى تحدي "SeePhys Pro". كان الهدف هو حل أسئلة فيزياء بمستوى جامعي حيث تكون نص المسألة والرسوم التوضيحية أحياناً مجرد نصوص، وأحياناً مجرد صور، وأحياناً مزيجاً فوضوياً من كليهما. للفوز، بنوا خط معالجة مكوناً من مرحلتين، يمكننا التفكير فيه كـ "فرقة تحرٍ" ذات وظيفتين متميزتين: المترجم و نادي المناظرة.

المرحلة الأولى: المترجم (سد الفجوة)
الوظيفة الأولى هي التأكد من أن الكمبيوتر يمكنه "رؤية" المسألة بالفعل. في الأيام الخوالي، إذا كانت مسألة الفيزياء عبارة عن صورة فقط، كان الكمبيوتر يكتفي بالتحديق فيها والتخمين. أدرك هذا الفريق أن الكمبيوتر يحتاج إلى ترجمة الصورة إلى لغة يحبها: النص. ولكن ليس أي نص! لم يكتفوا بكتابة جملة بسيطة مثل "هناك كرة هنا"، فهذا وصف غامض للغاية.

بدلاً من ذلك، بنوا مترجماً متطوراً يحول الصورة إلى ثلاثة أشياء:

1. قصة نظيفة: وصف نثري لما يحدث.
2. خريطة مهيكلة (SVG): كود رسم رقمي يحافظ على الهندسة والزوايا والروابط بدقة، حتى لا يخطئ الكمبيوتر في الشكل.
3. أداة شحذ: بالنسبة للمسائل الأصعب (حيث يكون النص والصورة مضغوطين معاً في صورة واحدة)، استخدموا "أداة قص" (cropper) لتقطيع الصورة بشكل مثالي، مما يؤدي لشحذ الرسم واستخدام تقنية التعرف الضوئي على الحروف (OCR) لقراءة الأرقام الصغيرة المكتوبة على الرسم.

فكر في هذه المرحلة كأنها مترجم بشري لا يترجم الكلمات فحسب، بل يعيد رسم الخريطة أيضاً حتى لا يضل المسافر طريقه أبداً. وجدت الورقة أن هذه "الترجمة" كانت الرصاصة السحرية للمسائل الأكثر صعوبة. عندما كانت المسألة بالكامل داخل صورة (المستوى 4)، كانت قراءة الصورة الخام تجعل الكمبيوتر يصيب 54% فقط من الإجابات صحيحة. ولكن بمجرد ترجمة تلك الصورة إلى وصف نصي واضح وخريطة مهيكلة، قفزت الدقة إلى 77.5%. كلما كانت المسألة "مغلقة" داخل الصورة، زادت قيمة هذه الترجمة.

المرحلة الثانية: نادي المناظرة (التنسيق)
بمجرد ترجمة المسألة إلى نص واضح، تذهب إلى "نادي المناظرة". هنا، تحاول ثلاثة نماذج ذكاء اصطناعي فائقة الذكاء (من شركات مختلفة، لذا فهي ترتكب أنواعاً مختلفة من الأخطاء) حل المسألة بشكل مستقل.

• الحلال 1 (GPT-5.5)
• الحلال 2 (Gemini-3.1-Pro)
• الحلال 3 (Claude-Opus-4.8)

في العديد من المحاولات السابقة، كانت الفكرة هي أن هذه النماذج ستتجادل ذهاباً وإياباً، وتصحح منطق بعضها البعض حتى يصلوا إلى الحقيقة. اختبر المؤلفون هذا، لكنهم وجدوا التواءً مفاجئاً: المناظرة نفسها لم تكن هي البطل.

بدلاً من ذلك، جاء الفوز الحقيقي من "حكم" ذكي (يسمى الـ Canonicalizer) يستمع إلى الإجابات الثلاث ويختار الأفضل بناءً على قيمة الإجابة، وليس فقط الكلمات. على سبيل المثال، إذا قال نموذجان "4 أمتار" وقال نموذج واحد "4.00م"، فإن الحكم عرف أنهما نفس الشيء واختار الأغلبية. إذا اختلفوا، لم يترك الحكم المناظرة تستمر للأبد؛ بل تحقق مما إذا كان المنطق موثوقاً. إذا كان أحد النماذج مخطئاً بثقة، يقوم الحكم بـ "حجب" (masking) ذلك المنطق السيئ حتى لا يرتبك الآخرون به.

استبعدت الورقة صراحةً فكرة الحاجة إلى "طرف مرجح" باهظ الثمن. لقد جربوا استخدام نموذج ضخم ومميز لتحديد من هو المصيب عندما تختلف النماذج الثلاثة، لكن ذلك لم يحسن النتيجة. لقد كلفهم المزيد من المال فحسب. لقد قام "الحكم" البسيط الواعي بالقيمة بالمهمة تماماً، إن لم يكن بشكل أفضل.

النتائج الكبرى

كشف تحليل الفريق عن درسين رئيسيين غيرا نهجهم تجاه المشكلة:

1. الترجمة هي الملك في المسائل البصرية: اعتمدت قيمة مرحلة "المترجم" تماماً على مقدار ما هو مخفي في الصورة.

   • إذا كانت المسألة نصية فقط (المستوى 1)، فلا تفعل الترجمة شيئاً، وكانت الدقة عالية بالفعل.
   • إذا كانت المسألة مزيجاً (المستوى 2-3)، ساعدت الترجمة قليلاً.
   • إذا كانت المسألة عبارة عن صورة فقط (المستوى 4)، كانت الترجمة هي الفرق بين الفشل والفوز. أظهرت الورقة أنه كلما زادت "الفجوة بين الوسائط" (الفرق بين النص والصورة)، نمت قيمة الترجمة بشكل هائل.

2. الاختيار أفضل من المناظرة: من ناحية المنطق، وجد الفريق أن التحسن لم يأتِ من مناظرة النماذج مع بعضها البعض، بل جاء من الاختيار الموثوق. عندما اتفق نموذجان، كانا على صواب بنسبة 83% من الوقت. عمل النظام بشكل أفضل من خلال الثقة في الإجماع وتخصيص وقت إضافي فقط في الحالات القليلة التي اختلفوا فيها. لم تضف جولات "المناظرة" إجابات صحيحة جديدة؛ بل ساعدت فقط في تصفية الإجابات الخاطئة.

النتيجة: جولة النصر

من خلال الجمع بين مترجم فائق الدقة ونظام اختيار ذكي واعٍ بالقيمة، سحق الفريق المنافسة.

• بدأوا بخط أساس قدره 0.643 (حوالي 64% صحيح) باستخدام نموذج ذكاء اصطناعي واحد.
• رفع نظامهم المكون من مرحلتين هذا الرقم إلى 0.802 (حوالي 80% صحيح) في الاختبار العام.
• في لوحة الصدارة النهائية "الخاصة" والسرية، سجلوا 0.743، محتلين المركز الأول.

ومن المثير للاهتمام، أنه بالنسبة للمستوى الأصعب (المستوى 5)، والذي تضمن صوراً فوتوغرافية لأجسام من العالم الحقيقي بدلاً من المخططات النظيفة، قام الفريق فعلياً بإزالة "نادي المناظرة". وجدوا أن فريق النماذج الثلاثة ارتبك بسبب الصورة الفوضوية وتجادلوا حول أشياء خاطئة. أدى التبديل إلى نموذج واحد مركز إلى تحسين درجاتهم في ذلك المستوى تحديداً إلى 0.933.

لماذا يهم هذا الأمر؟

تعلمنا هذه الورقة أن "الأكبر" ليس دائماً هو "الأفضل" في عالم الذكاء الاصطناعي. لست بحاجة إلى "عقل خارق" بمليارات الدولارات لحل مشكلة إذا كان لديك عملية جيدة. المفتاح كان إدراك أن الكمبيوتر يحتاج إلى ترجمة الصورة إلى لغة يفهمها (النص والخرائط المهيكلة) وأن وجود حكم ذكي لاختيار الإجابة الأفضل كان أكثر أهمية من مناظرة طويلة وصاخبة.

يشير المؤلفون إلى أن مستقبل حل المسائل البصرية لا يقتصر فقط على جعل النماذج أكثر ذكاءً، بل يتعلق ببناء "خطوط معالجة" (pipelines) أفضل تترجم العالم إلى تنسيق يمكن للذكاء الاصطناعي التفكير فيه فعلياً، ثم استخدام طرق بسيطة ورخيصة وموثوقة لاختيار الإجابة الصحيحة. لم يفوزوا بمجرد مسابقة؛ بل أظهروا لنا أن الطريقة الأفضل لرؤية الإجابة أحياناً هي التوقف عن النظر إلى الصورة والبدء في قراءة الخريطة.