FactorJEPA: Factorizing Monolithic Futures into Layout-Agent-Interaction Channels for Crowded and Chaotic Global South Urban Worlds

تخيل أنك تحاول تعليم روبوت كيف يفهم العالم. أنت لا تريد منه فقط أن يتعرف على قطة أو سيارة؛ بل تريده أن يتنبأ بما سيحدث بعد ذلك. إذا تدحرجت كرة نحو جدار، يجب أن يعرف الروبوت أنها سترتد. إذا كانت هناك حشود من الناس تسير، يجب أن يخمن الروبوت كيف سيتنقلون حول بعضهم البعض دون الاصطدام. هذا المجال من العلوم يسمى "نمذجة العالم". إنه يشبه منح الذكاء الاصطناعي كرة بلورية، ولكن بدلاً من السحر، يستخدم الرياضيات والفيديو لتخمين المستقبل.

لفترة طويلة، اختبر العلماء هذه الروبوتات في عوالم مرتبة ومنظمة للغاية. فكر في طريق سريع بخطوط بيضاء واضحة، حيث تلتزم السيارات بمساراتها ويتبع الجميع القواعد بدقة. الأمر يشبه لعب لعبة فيديو على "الوضع السهل". لكن العالم الحقيقي ليس كذلك. ففي العديد من المدن الصاخبة حول العالم، تكون حركة المرور عبارة عن رقصة فوضوية. لا توجد مسارات صارمة، والناس يسيرون حيث يريدون، وعربات "الريكشا" تضغط بجانب الحافلات، والحيوانات تتجول في الشوارع. إنه "الوضع الصعب". السؤال الكبير الذي طرحه العلماء هو: هل يمكن لنماذج الذكاء الاصطناعي الحالية التعامل مع هذه الواقع الفوضوي والمزدحم، أم أنها تعمل فقط عندما يكون كل شيء مرتباً؟

هذه الورقة البحثية، التي تحمل عنوان FactorJEPA، تعالج هذه المشكلة تحديداً. فقد أدرك الباحثون أن نماذج الذكاء الاصطناعي القياسية كانت تشعر بالارتباك بسبب فوضى المدن المزدحمة، لذا قاموا ببناء مجموعة بيانات جديدة تماماً تسمى DENSEWORLD. لقد جمعوا 1000 ساعة من الفيديو من 22 مدينة مختلفة، التقطت كل شيء من الأسواق المزدحمة والأزقة الضيقة إلى الجسور والشرائط الساحلية. ووجدوا أن نماذج الذكاء الاصطناعي الموجودة، والتي تعمل بشكل رائع عادةً على الطرق السريعة المنظمة، تعثرت في التنبؤ بما سيحدث تالياً في هذه المشاهد المزدحمة. كانت النماذج تدرك الفكرة العامة، لكنها تغفل التفاصيل المحددة لكيفية تفاعل الناس والمركبات.

ولإصلاح ذلك، ابتكر الفريق طريقة جديدة تسمى FactorJEPA. فبدلاً من محاولة تخمين المستقبل بأك-مله في كتلة واحدة ضخمة وفوضوية، علموا الذكاء الاصطناعي كيفية تقسيم التنبؤ إلى ثلاثة "قنوات" منفصلة، مثل طاهٍ يفصل المكونات قبل طهي طبق معقد:

1. المخطط (Layout): الأشياء الثابتة التي لا تتحرك كثيراً، مثل المباني والطرق والجدران.
2. الوكلاء (Agents): الأشياء المتحركة، مثل الناس والسيارات وعربات الريكشا.
3. التفاعلات (Interactions): كيف ترتبط تلك الأشياء المتحركة ببعضها البعض، مثل مشاة يبتعدون عن طريق حافلة أو دراجتين تمران بجانب بعضهما البعض.

من خلال فصل هذه الأشياء الثلاثة، استطاع الذكاء الاصطناعي التعلم بشكل أفضل بكثير. الأمر يشبه محاولة فهم حفلة مزدحمة؛ إذا حاولت حفظ الغرفة بأكملها دفعة واحدة، فستشعر بالإرهاق. ولكن إذا ركزت على شكل الغرفة أولاً، ثم الأشخاص، وأخيراً كيف يتحدثون مع بعضهم البعض، يصبح من السهل جداً تخمين من سيتحرك تالياً.

كانت النتائج مبهرة. فعند اختبار هذا الذكاء الاصطناعي "المنفصل" الجديد على فيديوهات المدن الفوضوية، كان أفضل بكثير في التنبؤ بالمستقبل من النماذج القديمة التي تعمل بنظام "الكل في واحد". لقد ارتكب أخطاء أقل بشأن مكان وجود الأشياء، وكان أفضل في فهم ما سيحدث إذا انحرفت سيارة فجأة (وهو اختبار يسمى "التدخل")، وظل دقيقاً حتى عندما كانت أجزاء من الفيديو مخفية أو ضبابية. تُظهر الورقة أنه من خلال تنظيم كيفية تفكير الذكاء الاصطنال في العالم — عبر تقسيمه إلى مخطط، ووكلاء، وتفاعلات — يمكننا أخيراً بناء روبوتات تفهم الواقع الفوضوي والمزدحم والرائع للمدن البشرية.