تخيل أنك تتحدث إلى فنان آلي فائق الذكاء، قد رأى الملايين من الصور ويعرف كيف يرسم أي شيء تصفه له تقريبًا. يعيش هذا الروبوت في عالم "تحويل النص إلى صورة"، حيث تكتب جملة مثل "قط يرتدي قبعة" فيقوم برسم لوحة. ولكن ماذا يحدث عندما تطلب شيئًا أكثر شاعرية، مثل "قط بجمال السحاب في النعومة"؟ هنا تصبح الأمور معقدة. أنت لا تطلب ظهور سحابة في الصورة؛ بل تطلب من الروبوت أن يستعير "إحساس" نعومة السحاب ويمنحه للقط. هذا ما يسمى "التشبيه". وهو وسيلة لوصف الأشياء عبر مقارنتها بشيء آخر، مثل قولك "هو يركض كالريح" (أنت لا تتوقع رؤية الريح تركض بجانبه، بل تقصد أنه سريع فقط).

السؤال الكبير الذي كان العلماء يتساءلون عنه هو: هل يفهم هذا الفنان الآلي النكتة حقًا؟ أم أنه يرتبك ويفكر: "أوه، أنت تريد قطًا وسحابة؟" فيقوم برسم كليهما؟ هذا البحث يتعمق في هذه المشكلة تحديدًا. لقد تعاملوا مع ارتباك الروبوت كخطأ محدد يسمى "انحياز التجسيد الحرفي" (literalization bias)، حيث يأخذ النموذج "موضوع المقارنة" (وسيلة التشبيه) ويرسمه كشيء مادي وحقيقي بدلاً من مجرد استخدام صفاته. أراد الباحثون بناء اختبار لمعرفة عدد المرات التي يحدث فيها ذلك ولماذا، لأنه إذا لم تستطع الروبوتات فهم الاستعارات، فلن تتمكن من فهم الطريقة الإبداعية والملونة التي يتحدث بها البشر.

اختبار "الخبز الحجري" العظيم

لمعرفة ما إذا كان هؤلاء الفنانون الآليون مبدعين حقًا أم مجرد مقلدين حرفيين، بنى الباحثون ساحة لعب ضخمة ومنضبطة. لم يطلبوا من الروبوتات رسم أشياء عشوائية فحسب؛ بل أنشأوا مجموعة محددة من التعليمات تسمى "مطالبات التشبيه". اختاروا 80 جسمًا مختلفًا يمكن للكمبيوتر التعرف عليها بسهولة (مثل الأحجار، أو السحب، أو المقصات) وخلطوها مع 14 قالب جملة مختلفًا.

على سبيل المثال، قد يطلبون من الروبوت رسم "رجل يأكل خبزًا صلبًا كالحجر". الإجابة الصحيحة هي صورة لخبز يبدو قاسيًا ومقرمشًا، ولكن دون وجود حجر حقيقي على الطاولة. إذا رسم الروبوت حجرًا، فقد فشل في الاختبار. يطلق الباحثون على هذا الفشل اسم "انحياز التجسيد الحرفي". الأمر يشبه لو قلت لطفل: "أنا جائع كالدب"، فقام بإحضار دب حقيقي إلى المطبخ بدلاً من مجرد فهم أنك جائع جدًا.

عمل المحققين: كيف أمسكوا بالروبوتات

اختبر الفريق خمسة نماذج مختلفة من مولدات الصور بالذكاء الاصطناعي الشهيرة. ولمعرفة ما إذا كانت الروبوتات تسيء تفسير التعليمات، استخدموا أداة كشف رقمية تسمى YOLO (والتي تعني "لا ترى إلا مرة واحدة"، وهي أدادة سريعة جدًا للكشف عن الأشياء). قامت هذه الأداة بفحص كل صورة صنعتها الروبوتات لترى ما إذا كان "موضوع المقارنة" (مثل الحجر في مثال الخبز) قد ظهر بالخطأ في الصورة.

كانت النتائج متباينة نوعًا ما، لكنها كانت سيئة في معظمها بالنسبة لمهارات الفهم لدى الروبوتات.

• مجموعة الفشل العالي: كان أحد النماذج، وهو Qwen-Image، هو الأسوأ على الإطلاق. ففي حوالي 61.4% من الصور، رسم الشيء الحرفي (الحجر، السحابة، إلخ) بدلاً من مجرد الصفة. ورسم نموذج آخر، وهو PixArt، ذلك في حوالي 49.5% من المرات.
• المجموعة الأفضل ولكن المعيبة أيضًا: كانت النماذج الأخرى (Dreamlike، FLUX، وSD3.5) أفضل، لكنها لا تزال ترتكب الخطأ نفسه بنسبة تتراوح بين 30% إلى 35% تقريبًا.

كما طلب الباحثون من حكام بشريين النظر في الصور. واتفق البشر مع الكاشف الكمبيوتري: عندما كان "الشيء" (الحجر أو السحابة) مرئيًا في الصورة، صنف البشر الصورة على أنها تفسير سيئ للتشبيه. ومن المثير للاهتمام أنه كلما أخطأت الروبوتات في الجزء "الحرفي"، قلّت قدرتها على التقاط المعنى الفعلي للجملة. إنها عملية مقايضة: كلما رسموا الشيء الإضافي، قلّ فهمهم للوصف.

لماذا فاتت الأخطاء الاختبارات القياسية

هنا توجد التفاتة مضحكة: حاول الباحثون استخدام "تقارير درجات" قياسية تُستخدم عادةً لتقييم فن الذكاء الاصطناعي، مثل CLIPScore وPickScore. من المفترض أن تخبرك هذه الأدوات بمدى مطابقة الصورة للجملة. لكنها فشلت تمامًا هنا! فقد أعطت درجات عالية لصور تحتوي على أشياء خاطئة. إنه يشبه معلمًا يعطي درجة "امتياز" لطالب رسم دبًا عندما طُلب منه الكتابة عن الجوع، لمجرد أن الرسم كان عالي الجودة. يثبت هذا البحث أننا بحاجة إلى نوع جديد من الاختبارات خصيصًا للاستعارات، لأن الاختبارات القديمة عمياء جدًا عن رؤية هذا النوع من الارتباك.

إلقاء نظرة داخل عقل الروبوت

لفهم لماذا ترتكب الروبوتات هذه الأخطاء، استخدم الباحثون أداة خاصة تسمى "عدسة الانتشار" (Diffusion Lens). تخيل عقل الروبوت ككعكة متعددة الطبقات. الطبقات السفلية هي حيث يبدأ التفكير في الأشكال الأساسية، والطبقات العليا هي حيث يضع التفاصيل النهائية.

وجدوا أن الروبوتات المختلفة "تفكر" في الشيء الخاطئ في أوقات مختلفة:

• المفكرون الأوائل: بدأت بعض النماذج (مثل FLUX وSD3.5) التفكير في "الحجر" أو "السحابة" فورًا تقريبًا، في الطبقات السفلية من عقلها. وبمجرد أن بدأت التفكير في ذلك، لم تستطع التوقف، فانتهى الأمر به في الصورة النهائية.
• المفكرون المتأخرون: انتظر نماذج أخرى (مثل Qwen-Image) حتى الطبقات العليا من عقلها لتفكر في الشيء. وبحلول الوقت الذي فكرت فيه، كان الوقت قد فات لمنع ظهوره في الرسم النهائي.
• المثبطون: قامت بعض النماذج (مثل Dreamlike) بالتفكير في الشيء في الطبقات الوسطى، ولكنها نجحت في "تثبيط" أو حذف الشيء قبل اكتمال الصورة النهائية. وهذا هو سبب امتلاكها لأخطاء أقل.

هل يمكننا الإصلاح؟

جرب الباحثون حيلتين لمعرفة ما إذا كان بإمكانهم منع الروبوتات من رسم الأشياء الخاطئة دون تغيير التعليمات.

1. رمي النرد (إعادة التوليد العشوائي): طلبوا من الروبوتات محاولة رسم الصورة مرة أخرى، مع تغيير رقم "البذرة" العشوائي (مثل رمي النرد للحصول على نتيجة مختلفة). ساعد هذا قليلاً. بالنسبة للروبوت الأسوأ (Qwen-Image)، انخفض معدل الخطأ من 61.4% إلى 24.4%. الأمر يشبه طلب تجربة أخرى من فنان مرتبك؛ أحيانًا يصيب بالحظ.
2. تغيير طبقة الدماغ (إعادة التوليد القائم على الطبقة): حاولوا إجبار الروبوت على استخدام طبقة مختلفة من عقله لاتخاذ القرار. وقد نجح هذا بشكل أفضل لبعض النماذج. بالنسبة لـ PixArt، انخفض معدل الخطأ من 49.5% إلى 17.6%.

ومع ذلك، يوضح البحث أن هذا ليس علاجًا سحريًا. فمجرد توقف الروبوت عن رسم الحجر الحرفي لا يعني أنه فهم "صلابة" الخبز بشكل مثالي. إنه يعني فقط أنه توقف عن ارتكاب هذا الخطأ المحدد والواضح.

الخلاصة

يظهر هذا البحث أن حتى أكثر مولدات صور الذكاء الاصطناعي تقدمًا لا تزال تعاني مع فن التشبيه. فهي غالبًا ما تأخذ الاستعارات بمعناها الحرفي، وترسم موضوع المقارنة بدلاً من مجرد صفاته. وبينما يمكننا تقليل هذا الخطأ من خلال طلب إعادة المحاولة أو تعديل طريقة تفكيرهم، إلا أنهم لم يتقنوا المفهوم تمامًا بعد. لقد بنى الباحثون طريقة جديدة لقياس هذه المشكلة، مما يثبت أن الاختبارات القياسية ليست كافية لرصد هذه المفاهيم الخاطئة الإبداعية. إنه تذكير بأنه لكي تفهم الروبوتات اللغة البشرية حقًا، فإنها تحتاج لتعلم ليس فقط ما تعنيه الكلمات، بل كيف نستخدمها لنرسم صورًا في عقولنا.