تخيل أنك تحاول تعليم روبوت فنان كيف يرسم. لفترة طويلة، بدا أن السر يكمن في إعطاء الروبوت المزيد والمزيد من الكلمات ليقرأها. كان المنطق بسيطًا: إذا وصفت مشهدًا بجملة قصيرة، فقد يغفل الروبوت عن التفاصيل. لذا، بدأ الناس في كتابة فقرات طويلة ومزخرفة، آملين أن تعني الكلمات الأكثر صورًا أفضل. يُسمى هذا المجال من الدراسة "توليد الصور من النصوص" (text-to-image generation)، حيث تحول الحواسيب الأوصاف المكتوبة إلى فن بصري. لكن هناك عقبة: الروبوت لا يقرأ الكلمات فحسب؛ بل يحاول مطابقة تلك الكلمات مع البكسلات التي رآها من قبل. وإذا كانت الكلمات غامضة أو مجرد كلمات مكررة، فسيصاب الروبوت بالارتباك، بغض النظر عن عدد الكلمات التي تستخدمها. السؤال الكبير الذي طرحه الباحثون هو: هل طول الوصف هو ما يهم، أم أن كمية المعلومات المفيدة هي التي تهم؟

يغوص هذا البحث في هذا الغموض تحديدًا. اكتشف الباحثون أن مجرد إضافة المزيد من الكلمات إلى المطالبة (prompt) يشبه محاولة ملء دلو بخرطوم يسرب الماء؛ في النهاية، ستتبلل قدميك فقط دون ملء الدلو. وجدوا أن السحر الحقيقي يحدث عندما تتوقف عن كتابة قصص طويلة وتبدأ في كتابة "مخططات" (blueprints) منظمة وهيكلية. بدلًا من الفقرة، يستخدمون قائمة من الحقائق المحددة، مثل "كرة حمراء عند الإحداثيات (10، 20)" أو "قط يجلس على كرسي أزرق". ومن خلال تنظيم المعلومات بهذه الطريقة، يستطيع الروبوت الفنان رؤية الصورة في ذهنه قبل أن يبدأ في الرسم. يشير البحث إلى أن هذا النهج الهيكلي يسمح للحاسوب بالتعلم بشكل أسرع وإنشاء صور أفضل بكثير، خاصة للمشاهد المعقدة التي تحتوي على أجسام كثيرة.

أسطورة "المزيد من الكلمات" مقابل واقع "الخريطة الأفضل"

لسنوات، عمل عالم فن الذكاء الاصطناعي بناءً على افتراض بسيط: إذا كنت تريد صورة أفضل، اكتب وصفًا أطول. بدا الأمر منطقيًا. إذا قلت لإنسان: "ارسم كلبًا"، فقد يرسم كلبًا عامًا. أما إذا قلت له: "ارسم كلبًا من نوع جولدن ريتريفر كثيف الشعر بطوق أحمر يركض على شاطئ مشمس"، فسيرسم شيئًا أكثر تحديدًا بكثير. لذا، بدأ الباحثون والهواة في تغذية نماذج الذكاء الاصطناعي بفقرات ضخمة، آملين أن تجبر المزيد من النصوص الذكاء الاصطناعي على الانتباه لمزيد من التفاصيل.

لكن مؤلفي هذا البحث، العاملين في ByteDance Seed، قرروا اختبار ما إذا كانت قاعدة "الأكثر هو الأفضل" هذه تصمد بالفعل. لقد أجروا تجربة ذكية باستخدام "مسبار إعادة البناء" (reconstruction probe). تخيل أن لديك صورة واحدة مثالية لغرفة معيشة. ثم تطلب من ذكاء اصطناعي وصف تلك الغرفة بأربع طرق مختلفة: جملة قصيرة، فقرة متوسطة، مقال طويل، ورواية طويلة جدًا. والأهم من ذلك، أن كل هذه الأوصاف تتحدث عن نفس الأشياء تمامًا؛ هي فقط تصبح أكثر إسهابًا وتكرارًا.

عندما أعادوا تغذية هذه الأوصاف في الذكاء الاصطناعي لمعرفة ما إذا كان بإمكانه إعادة رسم الغرفة، حدث شيء مفاجئ. كلما زادت الأوصاف طولًا، لم تتحسن جودة الغرفة المعاد رسمها. ظلت كما هي تمامًا. لقد اصطدم الذكاء الاصطناعي بحائط مسدود. اتضح أنه بمجرد أن عرف الذكاء الاصطناعي الحقائق الأساسية (هناك أريكة، هناك مصباح)، فإن إضافة المزيد من الصفات والنثر المزخرف لم يساعده على فهم الصورة بشكل أفضل. كانت الكلمات الزائدة مجرد ضجيج. يستبعد البحث صراحة فكرة أن مجرد زيادة عدد الرموز (tokens) -أي عدد الكلمات- يحسن جودة الصورة. في الواقع، بالنسبة للعديد من النماذج الحالية، جعل المطالبة طويلة جدًا النتائج أسوأ.

السلاح السري: المطالبات الهيكلية

إذا كانت الفقرات الطويلة لا تعمل، فما الذي يعمل؟ يقترح المؤلفون التحول من "سرد القصص" إلى "وضع المخططات". لقد قدموا شيئًا يسمى المطالبة الهيكلية (Structured Prompt - SP). بدلاً من كتابة جملة مثل "هناك شاحنة بيك أب فضية تسير في شارع ومعها بعض الصناديق في الخلف"، تقوم المطالبة الهيكلية بتفكيك الصورة إلى قائمة جامدة ومنظمة من الحقائق، تشبه إلى حد كبير كود الحاسوب أو ملف JSON.

فكر في الأمر كفرق بين إعطاء طباخ قصة غامضة عن وجبة، وبين إعطائه وصفة دقيقة مع مقادير محددة.

• اللغة الطبيعية (القصة): "شاحنة بيك أب فضية تنقل صناديق كرتونية، وأسطوانة مغلفة، وعلب كوكا كولا على شارع."
• المطالبة الهيكلية (المخطط):
  • المركبة: شاحنة بيك أب فضية
  • الحمولة: صناديق كرتونية، أسطوانة مغلفة، علب كوكا كولا
  • الموقع: شارع
  • الموضع: [إحداثيات محددة للشاحنة]
  • العمق: [مدى بُعد الشاحبة]

وجد البحث أنه عندما تم تدريب الذكاء الاصطناعي على هذه المخططات الهيكلية، تحسنت جودة الصور بشكل كبير. كلما زاد تفصيل المخطط (إضافة أشياء مثل العمق، والمواقع المحددة، والعلاقات بين الأجسام)، أصبح الذكاء الاصطناعي أفضل في رسم المشهد.

لإثبات أن هذا لم يكن مجرد ضربة حظ، قاس الباحثون "المعلومات" في المطالبات باستخدام أداتين ذكيتين:

1. GPG (زيادة الارتباك المرتكز على الأرضية - Grounded Perplexity Gain): تقيس مدى مساعدة الصورة للذكاء الاصطناعي في فهم النص. إنه يشبه سؤال: "هل رؤية الصورة تجعل الجملة أكثر منطقية؟"
2. ED (التفصيل الفعال - Effective Detailness): تتحقق من عدد الحقائق المحددة في النص التي تطابق الصورة بالفعل.

اكتشفوا رابطًا مباشرًا: كلما زادت "المعلومات" (الحقائق) في المطالبة، انخفض خطأ التدريب لدى الذكاء الاصطناعي. إنه خط مستقيم. المزيد من الحقائق = تعلم أفضل. المزيد من الكلمات (بدون حقائق جديدة) = لا تغيير.

الرقصة الثنائية: الكاتب والرسام

يقسم البحث العملية بأكملها إلى دورين متميزين، يسمونهما القابلية للانتشار (Diffusability) والقابلية للمطالبة (Promptability).

1. القابلية للانتشار (مهارة الرسام): تتعلق بمدى قدرة "الرسام" (الذكاء الاصطناعي) على قراءة التعليمات. وجد الباحثون أنه إذا أعطيت للرسام مخططًا هيكليًا، فيمكنه تعلم المهمة بشكل أسرع وارتكاب أخطاء أقل. لقد دربوا نموذج الذكاء الاصطناعي الخاص بهم على آلاف الصور المحولة إلى هذه المخططات. والنتيجة؟ أصبح النموذج بارعًا للغاية في اتباع التعليمات المعقدة، مثل رسم خمسة كراسي حيث يجلس أشخاص على الثاني والخامس فقط.

2. القابلية للمطالبة (مهارة الكاتب): هذا هو التحدي المتمثل في تحويل طلب المستخدم البسيط ("ارسم روبوتًا رائعًا") إلى ذلك المخطط الهيكلي المثالي. وبما أن المستخدمين لا يتحدثون بلغة المخططات، فقد بنى الفريق "مُطالبًا" (Prompter) خاصًا (نموذج لغة كبير) للقيام بعملية الترجمة.

   • أولاً، علموا هذا "المُطالب" كيفية كتابة المخططات من خلال عرض أمثلة عليه (الضبط الدقيق الخاضع للإشراف).
   • ثم، استخدموا طريقة "البداية الباردة" (Cold-Start) حيث تعلم الذكاء الاصطناعي تخيل التفاصيل التي لا يراها، باستخدام المنطق لملء الفجوات.
   • أخيرًا، استخدموا نظام "التحقق" (Verifier). يقوم الذكاء الاصطناعي بكتابة مخطط، ويقوم الرسام برسمه، ثم ينظر "قاضٍ" إلى النتيجة. إذا كان الرسم سيئًا، يخبر القاضي الكاتب بالضبط ما هو الخطأ (على سبيل المثال: "لقد نسيت عمق ذراع الروبوت")، ويحاول الكاتب مرة أخرى. هذه العملية، التي تسمى الضبط الدقيق بالتعزيز (Reinforcement Fine-Tuning)، جعلت "المُطالب" حاد الذكاء للغاية.

النتيجة: معيار جديد

عندما جمعوا المخططات فائقة التنظيم مع "المُطالب" فائق الذكاء، كانت النتائج مبهرة. تفوق نظامهم على معظم نماذج الذكاء الاصطناعي مفتوحة المصدر في الاختبارات التي تتطلب استدلالًا معقدًا، مثل عد الأجسام، وفهم العلاقات المكانية (يسار مقابل يمين)، واتباع التعليمات التفصيلية.

على سبيل المثال، عند طلب رسم مشهد بإضاءة محددة وأجسام متعددة، نجح نظامهم في ضبط التفاصيل بشكل صحيح أكثر بكما لو أنها اعتمدت فقط على الفقرات الطويلة الفوضوية. حتى أنهم أظهروا أنه يمكنك تعديل أجزاء معينة من الصورة بسهولة. إذا كنت تريد تغيير "مادة" الكرسي من الخشب إلى المعدن، فكل ما عليك فعله هو تغيير ذلك الحقل في المخطط، وسيعيد الذكភាព إعادة رسم الكرسي دون إفساد بقية الغرفة.

ماذا يعني هذا للمستقبل

يشير البحث إلى أن مستقبل فن الذكاء الاصطناعي ليس في كتابة مقالات أطول، بل في تنظيم المعلومات بشكل أفضل. من خلال التعامل مع توليد الصور كمسألة هندسية هيكلية بدلاً من تمرين في الكتابة الإبداعية، يمكننا الحصول على نتائج أكثر موثوقية وتفصيلًا.

اختبر المؤلفون أيضًا ما يحدث إذا تركت الذكاء الاصطناعي "يفكر" لفترة أطول. لقد أنشأوا حلقة حيث يمكن للذكاء الاصطناعي إنشاء مسودة، وتلقي نقد، ثم الإصلاح. ووجدوا أنه بينما ساعدت بعض جولات الإصلاح، إلا أن النظام المدرب كان جيدًا جدًا في إصابة الهدف من المرة الأولى لدرجة أنه لم يحتج إلى تجارب كثيرة. هذا يشير إلى أن تدريب الذكاء الاصطناعي على التفكير في هياكل هو أمر أقوى من مجرد إعطائه المزيد من الوقت للتخمين.

باختصار، يجادل البحث بأننا كنا نحاول تعليم فناني الذكاء الاصطناعي عبر الصراخ بمزيد من الكلمات في وجوههم. الاختراق الحقيقي يأتي من تعليمهم قراءة خريطة واضحة ومنظمة. الأمر لا يتعلق بكم تقول، بل بمدى وضوح ما تقوله.