A Frozen Pixel-Space Diffusion Model Can Guide Itself with Its Own Samples

تخيل أنك تحاول تعليم روبوت كيفية رسم لوحة. في عالم الذكاء الاصطناعي، هناك طريقتان رئيسيتان للقيام بذلك. الطريقة الأولى تشبه تعليم الروبوت الرسم على دفتر مسودة صغير وضبابي أولاً، ثم استخدام أداة منفصلة لتكبير تلك المسودة وتحويلها إلى صورة عالية الدقة. هذه الطريقة سريعة وشائعة، لكن أداة "التكبير" قد تفقد بعض التفاصيل أحياناً، مما يجعل الصورة النهائية تبدو ناعمة أو بلاستيكية نوعاً ما. أما الطريقة الثانية، فهي تعليم الروبوت الرسم مباشرة على لوحة ضخمة وعالية الدقة منذ الضربة الأولى. هذه المهمة أصعب بكثير لأن على الروبوت أن يستوعب الصورة الكبيرة (مثل أين يوضع الأنف) والتفاصيل الدقيقة (مثل ملمس الجلد) في آن واحد، دون أي مساعدة.

تتناول هذه الورقة البحثية ذلك التحدي الثاني والأصعب: جعل الذكاء الاصطناعي يرسم مباشرة على "البكسلات الخام" (raw pixels) للصورة. السؤال الكبير الذي كان الباحثون يطرحونه هو: "إذا كان لدينا بالفعل روبوت بارع في رسم هذه الصور الخام، فهل يمكننا جعله أفضل دون الحاجة إلى إعادة تدريبه من الصفر؟". إن إعادة تدريب نموذج ذكاء اصطناعي ضخم تشبه إعادة بناء منزل كامل لمجرد إصلاح صنبور مسرب؛ فهي تستغرق وقتاً وطاقة هائلين. أراد المؤلفون إيجاد طريقة لإعطاء الروبوت دفعة بسيطة لتحسين عمله باستخدام الأدوات التي يمتلكها بالفعل.

اكتشف الفريق وراء هذه الدراسة، العامل في جامعة نانيانغ التكنولوجية، حيلة ذكية يسمونها التوجيه الذاتي الاصطناعي (Synthetic Self-Guidance - SSG). لقد وجدوا أن نموذج الذكاء الاصطناعي المدرب مسبقاً يمتلك في الواقع "صوتاً سرياً" بداخله. بينما يعمل النموذج عبر طبقاته لإنشاء صورة، تكون الطبقات الأولى مثل فنان المسودة الأولية الذي يهتم فقط بالأشكال والظلال الكبيرة. أما الطبقات النهائية، فهي مثل فنان مهتم بالتفاصيل يقوم بإضافة الأنسجة الدقيقة والحواف الحادة.

عادةً، يقوم النموذج بإخراج النتيجة النهائية فقط. لكن المؤلفين أدركوا أنه يمكنهم الاستماع إلى فنان "المسودة الأولية" هذا (الطبقة المتوسطة) ومقارنته بـ "فنان التفاصيل" (الطبقة النهائية). ووجدوا أن الفرق بينهما هو بالضبط المكان الذي يحدث فيه السحر: فالطبقة النهائية تحاول إصلاح البقع الضبابية التي تركتها الطبقة الأولى.

إليك الجزء السحري: بدلاً من استئجار معلم جديد أو إعادة تدريب الروبوت بالكامل، قاموا بتوصيل "مهايئ" (adapter) صغير وخفيف الوزن (تخيله كأنه نظارة صغيرة) بطبقة المسودة الأولية. لقد علموا هذا المهايئ كيف ينظر إلى رسومات النموذج السابقة (العينات الاصطناعية) ويتعلم كيفية التنبؤ بالأشكال التقريبية. بعد ذلك، أثناء عملية الرسم، استخدموا تنبؤ المهايئ التقريبي كدليل. فإذا بدأت اللوحة النهائية تبدو ضبابية للغاية أو فقدت حدتها، يقوم النظام بدفعها للعودة نحو التفاصيل الحادة، مستخدماً الفرق بين "المسودة الأولية" و"المسودة النهائية" كبوصلة.

كان الاكتشاف الأكثر إثارة للدهشة هو كيفية تدريب هذا المهايئ الصغير. قد تعتقد أنهم بحاجة لعرض ملايين الصور الحقيقية من الإنترنت لتعليمه كيف يبدو "المسودة الأولية الجيدة"، لكن الورقة البحثية تظهر أن النموذج يتعلم بشكل أفضل عندما يتدرب على صوره المزيفة التي أنتجها بنفسه! الأمر يشبه أن الروبوت تعلم كيف يصلح أخطاءه من خلال دراسة محاولاته السابقة، بدلاً من النظر في كتاب مدرسي لصور مثالية. هذه الطريقة، التي تستخدم أقل من 1% من القوة الحوسبية اللازمة لتدريب نموذج جديد، جعلت الصور أكثر حدة وواقعية باستمرار. على سبيل المثال، في اختبار شهير يسمى ImageNet، قاموا بتحسين درجة أحد النماذج من 1.86 إلى 1.67 (حيث الرقم الأقل هو الأفضل)، وبالنسبة لنموذج آخر، خفضوا الدرجة من 1.81 إلى 1.59.

باختصار، تثبت الورقة البحثية أن نموذج ذكاء اصطناعي مجمد ومدرب مسبقاً يمكنه توجيه نفسه لرسم صور أفضل من خلال الاستماع إلى "مسوداته الأولية" الداخلية واستخدام فنه المولد ذاتياً لتعلم كيفية إصلاحها. إنه تحديث بسيط وقابل للإضافة يجعل الرسم عالي الدقة بالذكاء الاصطناعي أكثر حدة بشكل ملحوظ دون التكلفة الهائلة لإعادة بناء النظام بالكامل.