تخيل عالماً لا يكتفي فيه حاسوبك بـ "رؤية" صورة أو "قراءة" جملة، بل يفهم أن الصورة، والجملة، وخريطة توضح مدى عمق الأشياء، ورسم تخطيطي للحواف، ليست سوى لغات مختلفة تصف نفس الواقع. لفترة طويلة، كان الذكاء الاصطائي مثل متخصص يتحدث لهجة واحدة فقط؛ فقد يكون النموذج بارعاً في كتابة القصص ولكنه سيء في الرسم، أو مذهلاً في التعرف على الأشياء ولكنه جاهل بكيفية تحديد مسافتها. لقد حاول العلماء بناء "مترجم عالمي" لهذه الأنواع المختلفة من البيانات — ما يسمونه "الأنماط" (modalities) — بحيث يمكن لعقل واحد التنقل بينها بسلاسة. وكان التحدي الأكبر هو اكتشاف كيفية تعليم عقل واحد التحدث بكل هذه اللغات بطلاقة دون الحاجة إلى مترجم منفصل لكل زوج من اللغات.

إليك MODUS، وهو نوع جديد من نماذج الذكاء الاصطناعي يعمل كمتعدد لغات بارع. بدلاً من بناء آلة ضخمة وغير متناسقة بأجزاء مختلفة لمهام مختلفة، قام الباحثون ببناء "عقل يعتمد على فك التشفير فقط" (decoder-only). فكر في هذا الأمر كحكواتي يستمع إلى قصة ثم يكملها، بغض النظر عن اللغة التي تُروى بها القصة. سواء غذيته بصورة، أو وصف نصي، أو خريطة عمق (توضح مدى بعد الأشياء)، أو رسم تخطيطي للحواف، فإن MODUS يعاملها جميعاً كتدفق مستمر واحد من الرموز (tokens) (مثل الكلمات في الجملة). هو لا يحتاج إلى أدوات خاصة للعمق أو أدوات خاصة للنصوص؛ بل يتنبأ فقط بما سيأتي بعد التسلسل. وهذا يعني أنه يمكنه أخذ صورة وتوليد خريطة عمق، أو أخذ خريطة عمق وتوليد صورة، أو حتى ربطهما معاً في سلسلة: صورة ← حواف ← عمق ← صورة جديدة، كل ذلك في خطوة واحدة. وتظهر الورقة البحثية أن هذا النهج يعمل بشكل جيد ومثير للدهشة، مما يسمح للنموذج بأداء مهام معقدة مثل التحقق من عمله بنفسه (التحقق الذاتي) وإنشاء صور متسقة عبر خطوات متعددة، وكل ذلك باستخدام بنية موحدة واحدة.

العقل متعدد اللغات: كيف يعمل MODUS

تخيل أن لديك صديقاً بارعاً في سرد القصص. إذا أعطيته صورة لقطة، يمكنه وصفها. إذا أعطيته وصفاً لقطة، يمكنه رسمها. الآن، تخيل أن هذا الصديق نفسه يمكنه أيضاً أن يخبرك بمدى بعد القطة، أو يرسم مخططاً خارجياً لها، أو حتى يشرح لك ما تشعر به القطة، كل ذلك دون تغيير شخصيته أو الحاجة إلى عقل مختلف لكل مهمة. هذا هو بالضبط ما يفعله MODos.

في الماضي، كانت نماذج الذكاء الاصطناعي تُبنى غالباً مثل السكين السويسري الذي يحتوي على العديد من الأدوات المنفصلة: شفرة للنص، وأخرى للصور، وثالثة للعمق. إذا كنت تريد الانتقة من خريطة عمق إلى صورة، فقد تحتاج إلى سلسلة من النماذج المختلفة، حيث يسلم كل منها الشعلة للآخر. تجادل هذه الورقة بأن هذا الأمر غير فعال وغير متناسق. بدلاً من ذلك، يستخدم MODUS نهج "فك التشفير فقط" (decoder-only). بتبسيط شديد، "فك التشفير" هو نوع من الذكاء الاصطناعي الذي يتعلم من خلال التنبؤ بالجزء التالي من التسلسل. فكر في الأمر كأنه لعبة "الهاتف المكسور" حيث يحاول الذكاء الاصطناعي تخمين الكلمة التالية، أو البكسل التالي، أو قيمة العمق التالية بناءً على كل ما سبقها.

إن سحر MODUS يكمل في أنه يعامل كل شيء كتسلسل.

• النص هو تسلسل من الكلمات.
• الصور يتم تقسيمها إلى قطع صغيرة وتحويلها إلى تسلسل من الأرقام.
• خرائط العمق والناظمات السطحية (التي توضح اتجاه السطح) يتم تحويلها أيضاً إلى تسلسلات.

ولأن كل شيء هو مجرد تسلسل من الرموز، فإن MODUS لا يحتاج إلى "رؤوس" (أجزاء متخصصة) لمهام مختلفة. هو فقط ينظر إلى تسلسل المدخلات ويتنبأ بتسلسل المخرجات. إذا أعطيته صورة وطلبت منه خريطة عمق، فإنه يعامل الصورة كـ "بداية" القصة وخريطة العمق كـ "تكملة" لها. وإذا أعطيته خريطة عمق وطلبت منه صورة، فإنه يقلب السيناريو.

قوة "أي-إلى-أي" (Any-to-Any)

تسمي الورقة البحثية هذا القدرة بـ نمذجة "أي-إلى-أي" (Any-to-Any modeling). وهي القدرة على أخذ أي مجموعة من المدخلات وتوليد أي مجموعة من المخرجات.

• المدخل: صورة لغرفة. المخرج: وصف نصي للغرفة.
• المدخل: وصف نصي لغرفة. المخرج: صورة للغرفة.
• المدخل: صورة لغرفة. المخرج: خريطة عمق (توضح مدى بعد الأثاث).
• المدخل: خريطة عمق. المخرج: صورة.

كانت معظم النماذج السابقة قادرة فقط على القيام بأزواج محددة، مثل "نص إلى صورة" أو "صورة إلى نص". لكن MODUS يكسر تلك الجدران. يمكنه حتى القيام بأشياء قد تبدو غريبة للنماذج الأخرى، مثل تحويل "حواف كاني" (رسم تخطيطي للخطوط الخارجية) مباشرة إلى خريطة عمق، أو دمج صورة مع مطالبة نصية لتوليد خريطة ناظم سطحي.

السر الخفي: أخذ العينات الموحد والتدريب المرحلي

قد تتساءل، "إذا كان الأمر مجرد التنبؤ بالرمز التالي، فلما-ذا يعد هذا صعباً؟" وجد الباحثون بعض النقاط الصعبة.

أولاً، كانت هناك مشكلة "الارتباك بين الأنماط" (modality confusion). عندما كان النموذج يتعلم توليد الصور أو خرائط العمق، كان يختلط عليه الأمر أحياناً. قد يُطلب منه توليد خريطة عمق ولكنه ينتج بالخطأ خريطة حواف. اكتشفت الورقة أن هذا حدث بسبب كيفية أخذ "عينات الخطوات الزمنية" أثناء التدريب. تخيل تدريب نموذج على رسم لوحة من خلال البدء بكتلة ضبابية ثم جعلها واضحة تدريجياً. إذا قضيت وقتاً طويلاً في الخطوات الوسطى (حيث لا تزال الصورة ضبابية) ووقتاً غير كافٍ في البداية تماماً (حيث يقرر النموذج ماذا سيرسم)، فسوف يرتبك النموذج بشأن ما يفترض به رسمه.

لحل هذه المشكلة، استخدم الفريق أخذ عينات زمنية موحد (uniform timestep sampling). بدلاً من التركيز على الخطوات الوسطى، تأكدوا من أن النموذج يمارس الخطوات الأولى (تحديد النمط) والخطوات الأخيرة (تحسين التفاصيل) بالتساوي. ساعد هذا النموذج على تعلم قول: "حسناً، أنا أرسم خريطة عمق"، قبل أن يبدأ في القلق بشأن التفاصيل.

ثانياً، استخدموا نهج التدريب المرحلي (staged training). لم يلقوا بكل شيء في وجه النموذج دفعة واحدة.

1. المرحلة 1: علموه الأساسيات للأشياء أحادية البعد مثل النصوص وصناديق الإحاطة (الربط المكاني).
2. المرحلة 2: أضافوا الأشياء المكانية ثنائية الأبعاد مثل العمق، والناظمات السطحية، والحواف.
3. المرحلة 3: علموه كيفية التعامل مع مدخلات متعددة في وقت واحد (متعدد الشروط) وكيفية ربط الأشياء معاً.

ساعد هذا النهج المتدرج النموذج على التعلم دون أن يشعر بالإرهاق، مما سمح له بوراثة المعرفة القوية التي اكتسبها من التدريب على النصوص والصور، ثم توسيع تلك المعرفة لأنواع جديدة من البيانات.

التوليد المتسلسل والتحقق الذاتي

أحد أروع ميزات MODUS هو التوليد المتسلسل (Chained Generation). ولأن النموذج يعامل كل شيء كتسلسل واحد، يمكنه استخدام مخرجاته الخاصة كمدخلات للخطوة التالية.

• تخيل أنك تريد إنشاء مشهد ثلاثي الأبعاد من وصف نصي.
• بدلاً من محاولة القفز مباشرة من "النص" إلى "المشهد ثلاثي الأبعاد"، يمكن لـ MODUS أن يسير كالتالي: نص ← رسم تخطيطي للحواف ← خريطة عمق ← الصورة النهائية.
• يساعد الرسم التخطيطي للحواف النموذج على فهم التخطيط، وتساعد خريطة العمق على فهم الهندسة، ويتم بناء الصورة النهائية فوق هذا الأساس المتين.

تظهر الورقة أن هذا التسلسل يجعل النتيجة النهائية أكثر اتساقاً. إذا حاولت فقط الانتقال من النص إلى الصورة مباشرة، فقد يخطئ النموذج في التخطيط. ولكن من خلال المرور بخطوة وسيطة (مثل رسم الحواف)، يقوم النموذج بـ "تثبيت" الهيكل قبل إضافة الألوان والتفاصيل.

هناك خدعة ذكية أخرى وهي التحقق الذاتي عبر الأنماط (Cross-Modal Self-Verification). بما أن MODUS يمكنه توليد أي نمط، فإنه يمكنه التحقق من عمله.

• إذا قام MODUS بتوليد صورة من مطالبة نصية، يمكنه فوراً توليد خريطة "ربط مكاني" (توضح أماكن الأشياء) أو الإجابة على سؤال حول الصورة (VQA).
• إذا لم تتطابق الصورة المولدة مع الوصف النصي عند فحصها بهذه الطريقة، يمكن للنموذج استبعادها والمحاولة مرة أخرى.
• وجدت الورقة أن استخدام طريقة التحقق الذاتي هذه حسن جودة الصور المولدة، مما جعلها أكثر دقة للمطالبة دون الحاجة إلى أي أدوات خارجية لتقييمها.

النتائج: نموذج واحد يحكم الجميع

اختبر الباحثون MODUS على مجموعة بيانات ضخمة تسمى MODUS-DATASET، والتي تحتوي على 29 مليون عينة حيث ترتبط الصور بجميع هذه التوضيحات المختلفة (العمق، الحواف، النص، إلخ). قاموا بتدريب النموذج على هذه البيانات ووجدوا أنه يؤدي بشكل جيد جداً في جميع المجالات.

• يمكنه القيام بـ الربط البصري (Visual Grounding) (إيجاد الأشياء في صورة بناءً على نص) بمستوى يضاهي النماذج المتخصصة.
• يمكنه تقدير العمق والناظمات السطحية بدقة عالية.
• يمكنه توليد صور من النصوص تضاهي النماذج الرائدة الأخرى.
• والأهم من ذلك، أنه يفعل كل هذا باستخدام نموذج واحد فقط. لست بحاجة لتحميل نموذج مختلف للعمق، وآخر للحواف، وآخر للنصوص.

تشير الورقة صراحة إلى أنه بينما كانت النماذج السابقة غالباً ما تكافح لمطابقة أداء النماذج المتخصصة في "مهمة واحدة"، فإن MODUS ينجح في أن يكون منافساً لها مع تقديم مرونة القيام بكل شيء في آن واحد. وهذا يشير إلى أن نهج "فك التشفير فقط" هو أساس قوي لمستقبل الذكاء الاصطناعي متعدد الوسائط، القادر على التعامل مع أنواع متنوعة من البيانات دون الحاجة إلى بنيات مخصصة ومعقدة لكل مهمة جديدة.

باختصار، يعد MODUS خطوة نحو ذكاء اصطناعي أكثر وحدة — ذكاء لا يرى العالم كمجرد فئات منفصلة من البيانات، بل كقصة واحدة مترابطة يمكن روايتها، وإعادة روايتها، وترجمتها بأي لغة يختارها.