تخيل أنك تعلم روبوتاً كيف يحلم بفيلم، إطاراً تلو الآخر، إلى الأبد. لا يتعلق الأمر بمجرد رسم صورة جميلة؛ بل ببناء "نموذج عالم" (world model)—دماغ رقمي يفهم كيف تتحرك الأشياء، وتتغير، وتتفاعل بمرور الوقت. العلماء مهووسون بهذه النماذج لأنها قد تساعد يوماً ما السيارات ذاتية القيادة في التنبؤ بحركة المرور، أو الروبوتات في تعلم الطبخ دون كسر المطبخ، أو ألعاب الفيديو التي تولد قصصاً فريدة ولا نهائية بشكل تلقائي. وللقيام بذلك، يستخدم الروبوت تقنية تسمى "التوليد ذاتي الانحدار" (autoregressive generation)، وهي طريقة معقدة تعني أنه ينظر إلى الإطارات القليلة الأخيرة التي صنعها، ويخمن ما سيأتي بعد ذلك، ثم يضيف تخمينه هذا إلى القصة، ثم يستخدم ذلك التخمين الجديد الجديد لتحديد الإطار الذي يليه. إنها تشبه لعبة "الهاتف المكسور" التي يلعبها فنان فائق الذكاء، حيث يصبح مخرج دورة واحدة هو المدخل للدورة التالية.

المشكلة الكبيرة في هذه اللعبة هي أنه إذا ارتكب الفنان خطأً بسيطاً حتى في التخمين الأول، فإن هذا الخطأ سيُنقل عبر السلسلة. في الدور التالي، يحاول الفنان إصلاح الخطأ لكنه يتسبب عن غير قصد في جعل الأمر أسوأ، وبحلول وصوله إلى الإطار المائة، يكون الفيلم قد تحلل إلى ضجيج استاتيكي أو شاشة بيضاء ساطعة. يُطلق على هذا اسم "الخطأ التراكمي" (compounding error). ولفترة طويلة، اعتقد المجتمع العلمي أن الحل بسيط: فقط زوّد الروبوت بمزيد من بيانات التدريب. كان المنطق هو أنه إذا عرضت على الروبوت مليون فيلم إضافي، فسوف يتعلم أن يكون مثالياً. ولكن ماذا لو لم يكن الروبوت كسولاً لأنه لم يشاهد ما يكفي من الأفلام، بل لأنه يتخذ طريقاً مختصراً ذهنياً يؤدي إلى تعطل دماغه عندما تصبح اللعبة طويلة جداً؟

يغوص هذا البحث في هذا الغموض، محققاً في سبب جنون روبوتات توليد الفيديو هذه بعد فترة، ومكتشفاً أن الحل المعتاد—وهو مجرد إضافة المزيد من البيانات—يجعل الأمر أسوأ في الواقع. وجد المؤلفون أن "أفكار" الروبوت الداخلية (تمثيلاته الخفية) تبدأ في الانهيار وتفقد تنوعها، تماماً مثل غرفة مزدحمة حيث يبدأ الجميع فجأة في الهمس بنفس الجملة بالضبط. ولإصلاح ذلك، قدموا قاعدة تدريب جديدة تسمى "تنظيم تمثيل الفيديو" (Video Representation Regularization - VRR)، والتي تعمل مثل مدرب صارم، تجبر الروبوت على الحفاظ على أفكاره متنوعة وحادة. والنتيجة؟ أصبح بإمكان الروبوت الآن توليد فيديوهات طويلة ومتماسكة دون أن ينهار، مما يثبت أن كمية أقل من البيانات مع مزيد من الانضباط أفضل من مجرد المزيد من البيانات.

قصة الفيلم الباهت

فكر في نموذج عالم الفيديو كراوٍ رقمي للقصص. تعطيه الثواني القليلة الأولى من فيديو، ويحاول التنبؤ ببقية الفيلم، إطاراً تلو الآخر. إنه يشبه قليلاً رساماً يتعين عليه إنهاء جدارية من خلال النظر فقط إلى آخر ضربة فرشاة قام بها. إذا صنع لطخة صغيرة، فإن الضربة التالية ستحاول تغطيتها، لكنها ستنتهي بجعل الفوضى أكبر، وسرعان ما تفسد اللوحة بأكملها. في عالم الذكاء الاصطناعي، يسمى هذا "الخطأ التراكمي" أو "الانحراف" (drift). يبدو الفيديو رائعاً في البداية، ولكن بعد فترة، يتحول إلى ضجيج عشوائي أو كتل شديدة السطوع.

لفترة طويلة، اعتقد الباحثون أن الإجابة على هذا كانت واضحة: "نحن فقط بحاجة إلى المزيد من بيانات التدريب!" كانت الفكرة هي أنه إذا رأى الذكاء الاصطناعي أمثلة كافية على كيفية تحرك العالم، فلن يرتكب خطأ أبداً. لكن مؤلفي هذا البحث قرروا إلقاء نظرة تحت الغطاء ليروا ما يحدث فعلياً داخل دماغ الروبوت أثناء توليد هذه الفيديوهات الطويلة.

السر: الدماغ في حالة "انهيار"

اكتشف الفريق شيئاً مفاجئاً. وجدوا أنه في اللحظة التي يبدأ فيها الفيديو في الانهيار، يحدث شيء آخر داخل النموذج في نفس الوقت تماماً: "تمثيلاته" الداخلية تنهار.

تخيل دماغ النموذج كمكتبة تحتوي على آلاف الكتب المختلفة (التمثيلات) التي يمكنه استخدامها لوصف مشهد ما. عندما يعمل النموذج بشكل جيد، فإنه يسحب من مجموعة متنوعة واسعة من الكتب لإنشاء صورة غنية ومفصلة. ولكن مع استمرار توليد الفيديو، يبدأ النموذج في نسيان معظم كتبه. يتوقف عن استخدام مكتبته الكاملة ويعتمد على كتاب أو اثنين من كتبه المفضلة، مكرراً نفس الأفكار مراراً وتكراراً. يطلق المؤلفون على هذا اسم "الانهيار البعدي" (dimensional collapse).

لقياس ذلك، استخدموا مقياساً يسمى "الرتبة الفعالة" (effective rank أو erank). فكر في "erank" كدرجة لكيفية عدد "الاتجاهات" المختلفة التي يستخدمها دماغ النموذج. الدرجة العالية تعني أن الدماغ يفكر بطرق عديدة؛ والدرجة المنخفضة تعني أنه عالق في روتين واحد. وجدوا أنه في اللحظة التي تبدأ فيها جودة الفيديو في الانهيار نحو الضجيج، تهبط درجة "erank" بشكل حاد. إنه تطابق مثالي: يصبح الدماغ مملاً، ويصبح الفيديو معطلاً.

أسطورة "المزيد من البيانات"

هنا يصبح الورقة البحثية أكثر إثارة للاهتمام. اختبر المؤلفون النظرية القديمة التي تقول إن "المزيد من البيانات أفضل". قاموا بتدريب نموذجهم على مجموعة بيانات ضخمة مكونة من 18,000 فيديو من أسلوب لعب ماين كرافت (Minecraft). توقعوا أنه كلما شاهد النموذج المزيد والمزيد من هذه الفيديوهات، فسيصبح أفضل في تجنب الأخطاء.

بدلاً من ذلك، وجدوا العكس. فبينما كانوا يدربون نموذجهم لفترات أطول وأطول على مجموعة البيانات الضخمة هذه، أصبح النموذج في الواقع أسوأ في توليد الفيديوهات الطويلة. انخفضت الرتبة الفعالة (تنوع أفكاره) بشكل أكبر. يبدو أنه عندما يتم إعطاء النموذج الكثير من البيانات، فإنه يتعلم "طريقاً مختصراً". فبدلاً من الفهم الحقيقي لكيفية تحرك العالم، يتعلم مجرد نسخ الإطار السابق لأن هذه هي أسه سهل للحصول على نتيجة جيدة أثناء التدريب. هذا الطريق المختصر يعمل بشكل جيد للمقاطع القصيرة، ولكن عندما يتعين على النموذج الاستمرار لفترة طويلة، يفشل الطريق المختصر، وينهار الفيديو.

لذا، فإن الورقة البحثية تستبعد صراحةً فكرة أن مجرد توسيع نطاق مجموعة البيانات هو الحل. في الواقع، بالنسبة لهذه المشكلة تحديداً، قد يؤدي إلقاء المزيد من البيانات على المشكلة إلى جعلها أسوأ.

الحل: مدرب صارم (VRR)

إذا كان النموذج يتخذ طرقاً مختصرة ودماغه ينهار، فكيف نصلح ذلك؟ يقترح المؤلفون طريقة جديدة تسمى "تنظيم تمثيل الفيديو" (Video Representation Regularization - VRR).

تخيل أنك تدرب طالباً على كتابة قصة. إذا تركتهم يكتبون ما يريدون فقط، فقد يصبحون كسالى ويكررون نفس العبارات. لكن إذا أضفت قاعدة تقول: "يجب عليك استخدام كلمة جديدة وفريدة في كل جملة"، فإنك تجبر الطالب على التفكير بجهد أكبر والحفاظ على تنوع مفرداته. يقوم VRR بنفس الشيء تماماً للذكاء الاصطناعي.

أثناء التدريب، يضيف المؤلفون "عقوبة" خاصة أو "تنظيماً". يتحقق هذا المصطلح من حالات الدماغ الداخلية للنموذج (الطبقات الخفية) ويعاقبه إذا بدأ في الاعتماد بشكل مفرط على أنماط معينة. إنه يجبر النموذج على الحفاظ على "رتبته الفعالة" عالية، مما يضمن استمراره في استخدام مجموعة متنوعة من "الكتب" من مكتبته، حتى مع طول الفيديو.

النتائج: رقم قياسي جديد

اختبر الفريق هذه الطريقة الجديدة مقابل أفضل التقنيات الحالية، بما في ذلك طريقة شائعة تسمى "Diffusion Forcing". استخدموا نظام تسجيل قياسي يسمى VBench لقياس مدى جودة الفيديوهات، وتحديداً بالنظر إلى "الجودة الجمالية" (مدى جمالها) و"جودة التصوير" (مدخل مدى وضوحها وخلوها من الضجيج).

كانت النتائج دراماتيكية.

• Diffusion Forcing (الطريقة القديمة): بعد التدريب لمدة 16,000 خطوة، كانت درجة الجودة الجمالية 38.65 وجودة التصوير 44.37.
• VRR (الطريقة الجديدة): مع نفس مقدار التدريب، قفزت درجة الجودة الجمالية إلى 55.56 وارتفعت جودة التصوير لتصل إلى 72.08.

والأمر الأكثر إثارة للإعجاب هو أنه بينما كانت الطرق القديمة تسوء كلما تدربت أكثر، استمرت طريقة VRR في التحسن وظلت مستقرة. وعندما شاهدوا الفيديوهات وهي تعمل بمرور الوقت، بدأت الطرق القديمة تبدو كضجيج استاتيكي بعد دقائق قلي القليلة، لكن طريقة VRR استمرت في توليد فيديو واضح ومتماسك لفترة أطول بكثير.

ماذا يعني هذا؟

لا تقدم هذه الورقة مجرد خدعة جديدة؛ بل تغير طريقة تفكيرنا في المشكلة. فهي تشير إلى أن السبب في فشل هذه الروبوتات في الفيديوهات الطويلة ليس لأنها لم تشاهد أمثلة كافية، بل لأنها تتعلم أن تكون كسولة. من خلال إجبارها على الحفاظ على تنوع تفكيرها الداخلي، يمكننا منع "لعبة الهاتف المكسور" من الانهيار.

يشير المؤلفون بحذر إلى أنه بينما يعمل هذا بشكل رائع في اختباراتهم، إلا أن هناك تساؤلات لا تزال قائمة. فهم لا يعرفون تماماً لماذا تسبب المزيد من البيانات في تكوين الطرق المختصرة، أو ما هي الطرق المختصرة التي يتعلمها النموذج بالضبط. لكنهم أثبتوا أن قاعدة بسيطة لإبقاء دماغ النموذج نشطاً ومتنوعاً يمكن أن تحل مشكلة تحول الفيديوهات إلى ضجيج. إنه تذكير بأنه في بعض الأحيان، في عالم الذكاء الاصطناعي، لا يكمن مفتاح المستقبل الأفضل في مجرد المزيد من البيانات، بل في مزيد من الانضباط.