SR-JEPA: Learning Predictive Latent State in 3D Scenes

المهندس الخفي: كيف يتعلم الذكاء الاصطناعي "رؤية" ما ليس موجوداً

تخيل أنك تسير في غرفة، ولكن شخصاً ما قد مسح كرسياً من أمام نظرك بسحر ما. لا يمكنك رؤية الكرسي، لكن يمكنك رؤية الأرضية التي سيستقر عليها، والجدار خلفه، والطاولة بجانبه. يقوم الدماغ البشري فوراً بملء الفجوة: "آه، هناك كرسي في ذلك المكان". نحن لا نحتاج لرؤية الكرسي لنعرف أنه ينتمي إلى ذلك الموضع؛ فدماغنا يستخدم سياق الغرفة للتنبؤ بالقطعة المفقودة. هذه القدرة على تخمين غير المرئي بناءً على المرئي هي قوة خارقة للذكاء البشري، وهي "الكأس المقدسة" لتعليم الحواسيب فهم العالم.

في عالم الذكاء الاصطناعي، يحاول الباحثون بناء أنظمة تفعل ذلك دون مجرد حفظ الصور. إنهم يستخدمون حيلة ذكية تسمى بنية التضمين المشترك التنبؤية (JEPA). لا تنظر إلى (JEPA) كرسام يحاول إعادة إنشاء صورة بكسل تلو الآخر، بل كـ "محقق" ينظر فقط إلى الأدلة (الأجزاء المرئية من المشهد) ويحاول تخمين الفكرة أو "جوهر" المشتبه به المفقود. بدلاً من رسم الكرسي المفقود، يتنبأ الذكاء الاصطناعي بـ مفهوم الكرسي. السؤال الكبير الذي طرحه العلماء هو: إذا علمنا الذكاء الاصطناعي التنبؤ بهذه المفاهيم المخفية، فهل يتعلم حقاً ماهية الشيء، أم أنه مجرد تخمين بناءً على الأنماط؟ تغوص هذه الورقة البحثية في هذا السؤال، وتحديداً في المساحات ثلاثية الأبعاد، لترى ما إذا كان "محرك التنبؤ" لدى الذكاء الاصطناعي ذكياً بما يكفي لإكمال مشهد بمفرده.

---

SR-JEPA: الذكاء الاصطناعي الذي يملأ الفراغات

تعرف على SR-JEPA، وهو نوع جديد من نماذج الذكاء الاصطناعي المصممة لفهم الغرف ثلاثية الأبعاد المكونة من ملايين النقاط الصغيرة (التي تسمى السحب النقطية - point clouds). أراد الباحثون اختبار جزء محدد للغاية من هذا الذكاء الاصطناعي: "مساره التنبؤي". هذا هو الجزء من الدماغ الذي يقول: "أرى فجوة هنا؛ ماذا يجب أن يكون هناك؟".

لاختبار ذلك، لعب العلماء لعبة "الغميضة" مع أشياء ثلاثية الأبعاد. أخذوا مسحاً رقمياً ثلاثي الأبعاد لغرفة، ووجدوا جسماً مثل خزانة أو كرسياً، ثم حذفوا كل نقطة كانت تشكل ذلك الجسم. اختفى الجسم تماماً. لكنهم تركوا "استعلاماً" (query) صغيراً عديم الشكل (مجموعة ثابتة من 3ert 32 نقطة) في المكان الذي كان يشغله الجسم تماماً. كان الأمر يشبه ترك مخطط شبحي بلا شكل، مجرد موقع فقط.

بعد ذلك، سألوا الذكاء الاصطناعي المدرب مسبقاً والمجمد: "ما الذي ينتمي لهذا الموقع؟" كان على الذكاء الاصطناعي النظر إلى بقية الغرفة — الجدر_ان، الأرضية، الأثاث الآخر — واستخدام مساره التنبؤي لتخمين هوية الجسم المفقود. لم يُسمح له بالنظر إلى الشكل الأصلي أو لون الجسم؛ كان عليه الاعتماد كلياً على سياق الغرفة.

سحر السياق

كانت النتائج قوية بشكل مفاجئ. عندما حاول الذكاء الاصطناعي تخمين هوية الجسم المفقود في مجموعة اختبار مكونة من 5,953 عنصراً مختلفاً من مسوحات ثلاثية الأبعاد حقيقية (تسمى ARKitScenes)، أصاب الإجابة الصحيحة بنسبة 43.13% من المرات.

ولوضع ذلك في المنظور، لو كان الذكاء الاصطناعي قد خمن عشوائياً أو نظر إلى أبسط الأدلة الممكنة (مثل مركز النقطة المفقودة فقط)، لكان قد أصاب بنسبة 20.95% تقريباً. لقد أضاف "دماغ التنبؤ" لدى الذكاء الاصطناعي 22.18 نقطة مئوية ضخمة من الدقة فوق تلك التخمينات البسيطة. وهذا يثبت أن الذكاء الاصطناعي لا يخمن فحسب؛ بل يستخدم بالفعل المشهد المحيط ليعرف ما هو المفقود.

لكن هذا هو الجزء الرائع حقاً: أراد الباحثون معرفة كيف كان يفعل ذلك. هل كان يحفظ الغرفة فحسب؟ أم أنه يفهم حقاً العلاقة بين الأشياء؟

أجروا اختبارين لـ "التخريب":

1. الدماغ العشوائي: أبقوا "عيون" الذكال الاصطناعي (المُشفّر/encoder) كما هي، لكنهم قاموا بخلخلة "دماغ التنبؤ" (المتنبئ/predictor). انخفضت الدقة بمقدار 9.78 نقطة. أظهر هذا أن الطريقة المحددة التي تعلم بها الذكاء الاصطناعي التنبؤ أمر بالغ الأهمية.
2. الغرفة الخاطئة: أبقوا دماغ الذكاء الاصطناعي كما هو، لكنهم استبدلوا خلفية الغرفة بغرفة أخرى غير ذات صلة (مشهد "مانح"). انخفضت الدقة بشكل حاد بمقدار 21.98 نقطة. أثبت هذا أن تخمين الذكاء الاصطناعي يعتمد كلياً على السياق المحيط الصحيح. إذا وضعت استعلام مطبخ في غرفة نوم، فسيصاب الذكاء الاصطناعي بالارتباك.

من التخمين إلى البناء

لم يتوقف الباحثون عند مجرد تخمين اسم الشيء. أرادوا معرفًة ما إذا كانت هذه المعلومات "المكتملة" يمكن أن تساعد الذكاء الاصطناعي في اتخاذ قرارات هيكلية، مثل معرفة ما إذا كان جسم ما يدعم جسماً آخر (على سبيل المثال، هل هناك كتاب على طاولة؟).

اختبروا ذلك على 8,570 زوجاً من الأشياء. عندما دمجوا "الهوية المخمنة" من قبل الذكاء الاصطناعي للجسم المفقود مع الهندسة الفعلية (الشكل والموقع) للأجسام المرئية، حقق النظام متوسط دقة (AP) قدره 41.15.

جاءت النتيجة الأكثر إثارة للاهتمام عندما قارنوا ذلك بنسخة "فائقة القدرة" حيث أعطوا الذكاء الاصطناً الهوية الحقيقية للجسم المفقود (أي تزويده بالحقيقة المطلقة). حتى مع وجود الحقيقة المطلقة، كان الأداء أعلى بـ 2.48 نقطة فقط من تخمين الذكاء الاصطناعي نفسه. في الواقع، عندما استخدموا الهوية التي خمنها الذكاء الاصطناعي بنفسه، وصل إلى 39.37 AP، وهو قريب جداً من الحقيقة المطلقة.

يشير هذا إلى تقسيم جميل للعمل: المسار التنبؤي للذكاء الاصطناعي بارع حقاً في تحديد ماهية الشيء المفقود (الهوية)، ويمكن لعملية حسابية بسيطة بعد ذلك تحديد كيفية ملاءمته (الهندسة). لا يحتاج الذكاء الاصطناعي لحفظ كل قاعدة "كتاب على طاولة" ممكنة؛ يحتاج فقط لمعرفة ماهية الكتاب وأين توجد الطاولة، والباقي يتبع ذلك.

ماذا يعني هذا؟

تخلص الورقة البحثية إلى أن SR-JEPA قد أنشأ حالة تنبؤية ثلاثية الأبعاد تركيبية وقابلة للاستعلام. باللغة البسيطة، تعلم الذكاء الاصطناعي "نموذجاً عقلياً" لغرفة حيث يمكنه أن يسأل: "ما الذي يوضع هنا؟" ويحصل على إجابة مفيدة بناءً على السياق، حتى لو كان الجسم مفقوداً تماماً.

ومع ذلك، يوضح المؤلفون بحذر ما لا يفعله هذا النظام بعد. يعمل هذا النظام في مشاهد ثابتة ومجمدة. إنه لا يعرف كيف يتحرك، أو كيف يخطط لمسار، أو كيف يتعامل مع الأشياء التي تتغير بمرور الوقت. إنه لقطة من الذكاء، وليس فيلماً. لكنه لقطة قوية. فهو يظهر أنه من خلال تعليم الذكاء الاصطناعي التنبؤ بـ "جوهر" الأشياء المفقودة في الفضاء ثلاثي الأبعاد، يمكننا بناء أنظمة تفهم العالم ليس فقط برؤيته، بل بتخيل ما ينتمي إليه.

وجد الباحثون أن قدرة الذكاء الاصطناعي على إكمال المشهد هي قدرة حقيقية، قابلة للقياس، وتعتمد على كل من مهارات التنبؤ المتعلمة والسياق الصحيح. إنها خطوة نحو آلات لا تعالج البيانات فحسب، بل تفهم حقاً بنية العالم من حولها، وتملأ الفراغات بدقة مذهلة.