تخيل أنك تحاول تعليم روبوت ليكون صديقك المفضل، ومرشدك السياحي، ومساعدك الشخصي في آن واحد. تريد منه أن يشاهد فيلماً معك، ويتذكر كل تحول في الحبكة منذ ساعة مضت، ويلاحظ عندما يعطس أحد الشخصيات في الوقت الفعلي، بل وحتى يقفز للبحث في الإنترنت عن تاريخ ميلاد الممثل إذا سألته عن ذلك. هذا هو عالم الوكلاء الذكاء الاصطناعي متعدد الوسائط (multimodal AI agents) — وهي برامج حاسوبية يمكنها الرؤية، والسمع، والتحدث. ولكن إليك المشكلة: معظم هذه الروبوتات سيئة للغاية في التعامل مع "اللعبة الطويلة". إنها تشبه أسماك الزينة التي تملك ذاكرة مدتها ثلاث ثوانٍ فقط. إذا عرضت عليها فيديو مدته ساعتان، فغالبًا ما ستتذكر الثواني القليلة الأخيرة فقط. كما أنها تميل إلى أن تكون سلبية، حيث تنتظر منك أن تسأل سؤالاً قبل أن تقول أي شيء، بدلاً من ملاحظة شيء مهم والتحدث من تلقون. لقد حاول العلماء بناء روبوتات يمكنها التعامل مع هذه التدفقات المستمرة والطويلة من الفيديو والصوت دون أن تنسى البداية بحلول وصولها إلى النهاية، لكن كان من الصعب للغاية اختبار ما إذا كانت تفعل ذلك حقاً أم أنها مجرد تخمين.

يقدم هذا البحث طريقة جديدة لاختبار هذه الروبوتات وتصميماً جديداً لروبوت يجتاز الاختبار بالفعل. فقد بنى الباحثون StreamArena، وهو ملعب ضخم يضم 243 فيديو كامل الطول (يبلغ متوسط طولها حوالي 88.8 دقيقة) مليئة بآلاف الأسئلة الصعبة. وبخلاف الاختبارات السابقة التي استخدمت مقاطع قصيرة وأسئلة اختيار من متعدد (والتي تسمح للروبوتات بالتخمين بناءً على خيارات الإجابة)، فإن StreamArena يجبر الروبوتات على مشاهدة الفيلم بأكمله، وتذكر تفاصيل حدثت قبل ساعة، والإجابة على أسئلة مفتوحة دون أي تلميحات. وقد وجدوا أن معظم الروبوتات الحالية تفشل فشلاً ذريعاً؛ فإذا حاولت تذكر الماضي، تفقد التفاصيل البصرية، وإذا حاولت الحفاظ على العناصر البصرية، تنسى التاريخ. ولحل هذه المشكلة، صمم المؤلفون StreamMind، وهو روبوت يمتلك دماغاً خاصاً يتكون من جزأين. جزء يتعامل مع المحادثة الفورية ويراقب أحداثاً محددة في الوقت الفعلي، بينما يعمل جزء آخر مشغول في الخلفية لبناء مكتبة دائمة وقابلة للبحث لكل ما حدث. يسمح هذا التصميم الجديد للروبوت بتذكر الأحداث البعيدة، واستخدام أدوات مثل محركات البحث، وحتى تنبيهك عندما يحدث شيء مثير للاهتمام، كل ذلك دون أن يصاب بالارتباك أو البطء.

المشكلة: ذاكرة السمكة للذكاء الاصطناعي

تخيل أنك تشاهد فيلماً طويلاً ومثيراً مع صديق لديه ذاكرة سمكة الزينة. في كل مرة يبدأ فيها مشهد جديد، ينسى صديقك الحبكة بأكملها حتى تلك اللحظة. إذا سألته: "من كان الشرير في المشهد الأول؟"، فلن يتمكن من إجابتك لأنه يتذكر فقط الثواني الخمس الأخيرة من الفيلم. هذا هو بالضبط ما يحدث مع معظم نماذج الفيديو الحالية. فهي بارعة في الإجابة على الأسئلة حول ما يحدث الآن، لكنها تعاني في تذكر ما حدث قبل ساعة.

والأسوأ من ذلك، أن معظم هذه النماذج الذكية تكون سلبية. فهي تجلس صامتة حتى تسألهم سؤالاً. ومع ذلك، في العالم الحقيقي، قد ترغب في أن يلاحظ ذكاؤك الاصطناالي شيئاً مهماً من تلقاء نفسه — مثل: "مهلاً، لقد أسقط ذلك الشخص مفاتيحه للتو!" أو "لقد تغيرت الأغنية، والأجواء أصبحت حزينة". عادة ما تفوت هذه النماذج هذه اللحظات لأنها تنتظر فقط أن تتحدث أنت أولاً.

لاحظ الباحثون أن الاختبارات السابقة لهذه النماذج كانت سهلة للغاية. فقد استخدمت مقاطع فيديو قصيرة وأسئلة اختيار من متعدد. الأمر يشبه اختبار ذاكرة طالب من خلال إظهار صورة واحدة له وسؤاله: "هل هذا قط أم كلب؟". يمكن للطالب أن يخمن "قط" ويصيب الإجابة دون أن يعرف أي شيء فعلياً عن الصورة. أدرك الباحثون أنه لاختبار قدرة الذكاء الاصطناعي حقاً على فهم فيديو طويل، يحتاجون إلى اختبار أصعب: أفلام كاملة، وأسئلة مفتوحة (حيث يجب على الذكاء الاصطناعي ابتكار الإجابة بنفسه)، ومهام تتطلب تذكر أشياء حدثت منذ فترة طويلة.

الحل: StreamArena و StreamMind

لحل هذه المشكلات، أنشأ الفريق StreamArena. فكر في هذا كـ "أولمبياد" للذكاء الاصطناعي الذي يفهم الفيديو. فبدلاً من المقاطع القصيرة، جمعوا 243 فيديو كامل الطول، بمتوسط 88.8 دقيقة لكل منها. لم يكتفوا بطرح أسئلة بسيطة، بل وضعوا 3,646 مهمة معقدة تختبر أربع مهارات محددة:

1. الإدراك في الوقت الفعلي: هل يمكن للذكاء الاصطناعي وصف ما يحدث الآن؟ (مثلاً: "في أي غرفة رقم الممثلة؟")
2. الاسترجاع التاريخي: هل يمكن للذكاء الاصطناعي تذكر شيء حدث قبل ساعة؟ (مثلاً: "كم عدد المشاهد الفريدة التي ظهرت في آخر 5 دقائق؟")
3. التفاعل الاستباقي: هل يمكن للذكاء الاصطناعي التحدث دون أن يُطلب منه ذلك؟ (مثلاً: "أخبرني عندما تبدأ أغنية 'Les Mouchoirs Blancs' في العمل.")
4. استخدام الأدوات: هل يمكن للذكاء الاصطناعي استخدام أدوات خارجية، مثل محرك البحث، للعثين على معلومات ليست موجودة في الفيديو؟ (مثلاً: "ما هي جنسيات والدي الممثل؟")

عندما اختبروا نماذج الذكاء الاصطناعي الحالية على StreamArena، كانت النتائج مخيبة للآمال. فالنماذج التي حاولت تذكر كل شيء عن طريق تحويل الفيديو إلى نص فقدت التفاصيل البصرية. والنماذج التي تذكرت الثواني الأخيرة فقط لم تستطع الإجابة على الأسئلة المتعلقة بالماضي. بدا الأمر وكأن الروبوت لا يمكنه أن يكون محاوراً جيداً ومؤرخاً جيداً في نفس الوقت.

لذا، بنى الفريق StreamMind، وهو بنية ذكاء اصطناعي جديدة مصممة للتعامل مع هذا التوتر. تخيل StreamMind كمكتب مزدحم يعمل فيه فريقان متميزان معاً:

• مكتب الاستقبال (الواجهة الأمامية - Frontend): هذا الفريق يتحدث إليك. إنهم سريعون، وتفاعليون، ويتعاملون مع أسئلتك الفورية. كما أن لديهم فريق خاص من "المراقبين" (عمال المراقبة) الذين يراقبون تدفق الفيديو بحثاً عن أحداث محددة طلبت منهم تتبعها. إذا قلت لهم: "أخبرني عندما ينبح الكلب"، فسيجلس المراقب هناك يراقب الفيديو، مستعداً للصراخ "نباح!" بمجرد حدوثه، دون الحاجة لطلب الإذن أولاً.
• المكتبة (الواجهة الخلفية - Backend): بينما يقوم مكتب الاستقبال بالتحدث إليك، يعمل فريق المكتبة في الخلفية. إنهم يراقبون الفيديو باستمرار، وينظمونه، ويبنون بنك ذاكرة ضخم وقابل للبحث. هم لا يكتفون بكتابة ملخص فحسب؛ بل يحفظون الإطارات الرئيسية (الصور)، ويجمعون الأحداث في قصص، ويربطون الأشخاص والأشياء ببعضها البعض. عندما يحتاج مكتب الاستقبال للإجابة على سؤال حول شيء حدث قبل ساعة، فإنهم لا يحاولون تذكره بأنفسهم، بل يسألون المكتبة: "هل لدينا أي معلومات عن الكلب من قبل 45 دقيقة؟". تقوم المكتبة فوراً باستدعاء المشهد الدقيق والتفاصيل.

هذا الفصل هو السر. فمن خلال إبقاء "التفكير" و"التذكر" منفصلين عن "التحدث"، يمكن لـ StreamMind أن يظل سريعاً ومتجاوباً مع امتلاكه ذاكرة مثالية للفيديو بأكدله.

النتائج: بطل جديد

عندما وضع الباحثون StreamMind في اختبارات StreamArena، تفوق على كل الأنظمة الأخرى. لم يكن مجرد تحسن طفيف، بل كان قفزة هائلة للأمام.

• حسن الإدراك في الوقت الفعلي بنسبة 58.4% مقارنة بأفضل نماذج البث السابقة.
• حسن الذاكرة التاريخية بنسبة 53.7%، مما أثبت قدرته على تذكر الأشياء من ساعة مضت.
• حسن استخدام الأدوات بنسبة مذهلة بلغت 228.1%، مما أظهر أن قدرته على التنسيق مع محركات البحث كانت متفوقة بمراحل.
• حسن التفاعل الاستباقي بنسبة 54.7%، مما يعني أنه كان أفضل بكثير في ملاحظة الأحداث والإعلان عنها من تلقاء نفسه.

ولعل الأمر الأكثر إثارة للإعجاب هو أن StreamMind فعل كل هذا مع كونه أسرع. نظرًا لأنه قام ببناء مكتبة ذاكرته أثناء تشغيل الفيديو، لم يكن مضطرًا لإعادة مشاهدة الفيلم بأكمله للإجابة على سؤال ما. وقد قلل هذا من الوقت المستغرق للإجابة على السؤال بنسبة 66.2% مقارنة بالنماذج الأخرى التي كان عليها إعادة معالجة الفيديو في كل مرة.

لماذا يهم هذا الأمر؟

يشير هذا البحث إلى أن مستقبل المساعدين الذكيين لا يتعلق فقط بجعلهم أكثر ذكاءً أو منحهم عقولاً أكبر، بل يتعلق بتغيير كيفية عملهم. بدلاً من محاولة إجبار عقل واحد ضخم على القيام بكل شيء في وقت واحد، نحتاج إلى بناء أنظمة ذات أجزاء متخصصة تعمل معاً. يوضح StreamMind أنه من خلال فصل "الآن" عن "الآن سبق"، ومن خلال منح الذكاء الاصطناعي ذاكرة دائمة وقابلة للبحث، يمكننا أخيراً إنشاء مساعدين يمكنهم مشاهدة فيلم كامل معك، وتذكر كل تفصيل، ومساعدتك في العثور على الإجابات التي تحتاجها دون أن يفقدوا مكانهم أبداً.

يلاحظ الباحثون بحذر أنه على الرغم من أن StreamMind يعد خطوة كبيرة للأمام، إلا أنه لا يزال هناك عمل يتعين القيام به. فلا يزال النظام يعاني قليلاً عندما تصبح الفجوة الزمنية بين السؤال والإجابة طويلة جداً (أكثر من 30 دقيقة)، وهم يشتبهون في أن التحسينات المستقبلية ستحتاج إلى التركيز على كيفية تحديد ما هي التفاصيل المهمة بما يكفي لحفظها في بنك الذاكرة. ولكن في الوقت الحالي، وضعت StreamArena و StreamMind معياراً جديداً، مما يثبت أنه مع البنية الصحيحة، يمكن للذكاء الاصطناعي أخيراً مواكبة التدفق المستمر والطويل للحياة الواقعية.