UniJEPA: A Unified Joint-Embedding Predictive Architecture for Task-Agnostic Visual World Modeling

تخيل أنك تحاول تعليم روبوت كيف يفهم العالم. في الماضي، حاول العلماء القيام بذلك من خلال عرض ملايين الصور على الروبوت وسؤاله عن الشيء الذي سيأتي لاحقاً، أو بجعله يشاهد مقاطع فيديو ويتوقع الإطار التالي إطاراً تلو الآخر. هذا يشبه محاولة تعلم لغة عبر حفظ كل حرف في كل كتاب، أو محاولة رسم نسخة مثالية لمشهد قبل أن تتمكن من فهم القصة. إن ذلك يتطلب وقتاً هائلاً وقدرة حاسوبية ضخمة.

مؤخراً، ظهرت فكرة أكثر ذكاءً تسمى "بنية التضمين المشترك التنبؤية" (أو JEPA اختصاراً). بدلاً من محاولة إعادة رسم الصورة بأكملها، تعلم هذه الطريقة الروبوت فهم "جوهر" الأشياء. فكر في الأمر كتعلم حبكة فيلم دون الحاجة لتذكر لون قميص كل ممثل. يتعلم الروبوت عبر هذه الطريقة ضغط ما يراه إلى "ملاحظة ذهنية" صغيرة وفعالة (فضاء كامن) ثم يتنبأ بشكل هذه الملحوظة في المستقبل. ومع ذلك، حتى الآن، كان على العلماء بناء روبوتات مختلفة لوظائف مختلفة: روبوت لفهم كيف تتغير الصورة عند تعديل السطوع، وروبوت مختلف تماماً لفهم كيف يتحرك الفيديو للأمام عبر الزمن. لقد كانوا مثل مكتبتين منفصلتين لا يمكنهما التحدث مع بعضهما البعض.

هنا يأتي دور UniJEPA، وهو نهج جديد يعمل كمترجم عالمي لهذه الملحوظات الذهنية. أراد الباحثون وراء هذه الورقة البحثية معرفة ما يلي: هل يمكننا بناء عقل روبوت واحد يتعلم في آن واحد كيف تتغير الصور تحت تأثير تأثيرات الإضاءة (مثل السطوع أو تغير الألوان) وكيف تتحرك المشاهد عبر الزمن؟ وقد وجدوا أنه ليس فقط من الممكن القيام بذلك، بل إن القيام به معاً يجعل الروبوت أكثر ذكاءً وسرعة. باستخدام مجموعة موحدة من القواعد، تتعلم UniJEPA التنبؤ بكل من "مظهر" المشهد و"حركة" المشهد دون الحاجة إلى إعادة بناء التفاصيل الفوضوية للبكسلات الخام. اتضح أن عقلاً واحداً يمكنه التعامل مع كلا المهمتين، حيث يتعلم طريقة مرنة لرؤية العالم جاهزة للتخطيط للعمليات فوراً.

الفكرة الكبرى: عقل واحد، قوتان خارقتان

فكر في الطريقة القديمة لتدريب الذكاء الاصطناعي على أنها وجود طالبين منفصلين في فصل دراسي. الطالبة الأولى، لنسمّها "متنبئة الصور"، مسموح لها فقط بدراسة الصور الثابتة. إذا أريتها صورة قطة ثم سألتها أن تتخيل القطة في إضاءة مختلفة، فسيتعين عليها تعلم ذلك من الصفر. أما الطالب الآخر، "متنبئ الفيديو"، فيجلس في غرفة أخرى ويدرس فقط مقاطع الفيديو المتحركة. هو يتعلم كيف تتدحرج كرة أو كيف يمشي شخص، لكن ليس لديه أدنى فكرة عن شكل الصورة إذا غيرت ألوانها.

المشكلة هي أن هذين الطالبين يتعلمان عن نفس العالم ولكنهما يتحدثان لغات مختلفة؛ فلا يمكنهما مشاركة ملاحظاتهما. إذا كنت تريد روبوتاً يمكنه فهم صورة والتنبؤ بحركة مستقبلية في آن واحد، فعليك تدريب نموذجين منفصلين ومكلفين، وتأمل أن يعملا معاً بشكل جيد.

تغير UniJEPA قواعد اللعبة بوضع كلا الطالبين في نفس الغرفة وإعطائهما كتاباً مدرسياً واحداً. تُظهر الورقة البحثية أنه يمكنك تدريب نموذج واحد للقيام بشيئين في وقت واحد:

1. التنبؤ الضوئي (Photometric Prediction): تخيل أخذ صورة ورفع درجة سطوعها أو تغيير درجتها اللونية. تتعلم UniJEP التنبؤ بما ستكون عليه "الملاحظة الذهنية" لتلك الصورة بعد التغيير، دون تغيير البكسلات الفعلية على الشاشة أبداً.
2. التنبؤ الزمني (Temporal Prediction): تخيل مشاهدة فيديو لكرّة تتدحرج. تتعلم UniJEPA التنبؤ بـ "الملاحظة الذهنية" للإطار التالي، وتحديد مكان الكرة في الخطوة التالية.

السحر يكمن في أن UniJEPA تتعلم هاتين المهارتين في نفس المساحة الذهنية. الأمر كما لو أن الروبوت يتعلم أن "تغيير الضوء" و"التحرك للأمام في الزمن" هما مجرد طريقتين مختلفتين للتفاعل مع نفس الواقع الأساسي.

كيف تعمل: خدعة "مضاد الانهيار"

قد تتساءل: "إذا طلبت من روبوت تعلم شيئين مختلفين في آن واحد، ألن يرتبك ويعطي نفس الإجابة المملة لكل شيء؟" في مصطلحات الذكاء الاصطناعي، يُسمى هذا "الانهيار" (Collapse)، حيث يتوقف النموذج عن التعلم ويخرج ببساطة خطاً مسطحاً.

تقدم الورقة البحثية شبكة أمان ذكية تسمى المنظم الغاوسي (Gaussian regularizer). فكر في هذا كمعلم صارم يتأكد من أن الطلاب لا يجلسون جميعاً في نفس الكرسي. يقوم المعلم بإجبار الطلاب على نشر "ملاحظاتهم الذهنية" بحيث تكون كل ملحوظة فريدة ومتميزة. لقد أثبت المؤلفون رياضياً أن هذه القاعدة البسيطة كافية لمنع الروبوت من الانهيار، دون الحاجة إلى حيل معقدة مثل "إيقاف التدرجات" (وهي حيلة شائعة ولكنها فوضوية في طرق أخرى) أو استخدام عقول مدربة مسبقاً. إنها قاعدة واحدة نظيفة تحافظ على صحة عملية التعلم.

النتائج: أسرع، أذكى، وأبسط

اختبر الباحثون UniJEPA على الصور (مثل مجموعة بيانات ImageNet الشهيرة)، والفيديوهات (مثل أشخاص يطبخون أو يقومون بإيماءات يدوية)، ومهام التحكم (مثل تنقل روبوت في متاهة). إليكم ما وجدوه:

• إنها بارعة في كل شيء: قدمت UniJEPA أداءً يضاهي، أو حتى يتفوق على، الروبوتات المتخصصة التي تم تدريبها فقط للصور أو فقط للفيديوهات. في اختبارات الصور، سجلت دقة بنسبة 74.9%، متفوقة على "متنبئ الصور" المتخصص الذي سجل 73.5%. وفي اختبارات الفيديو، حققت 78.1%، متفوقة على "متنبئ الفيديو" المتخصص الذي حقق 77.3%.
• إنها آلة تخطيط: الاختبار الحقيقي كان التخطيط. هل يمكن للروبوت معرفة كيفية الوصول إلى هدف ما؟ بعد تدريب إضافي بسيط على البيانات السابقة، استطاعت UniJEPA التخطيط لكيفية الوصول إلى هدف بصري (مثل "الوصة إلى المربع الأحمر") دون الحاجة لإنسان ليرشدها إلى الطريق. وقد نجحت في ذلك بنسبة 75.8% من المرات.
• إنها فائقة السرعة: هذا هو الفوز الأكبر. لأن UniJEPA تتنبأ في ملاحظاتها الذهنية المدمجة بدلاً من محاولة إعادة رسم الصورة بأكملة في كل مرة، فهي سريعة للغاية. تشير الورقة البحثية إلى أن UniJEPA تخطط بسرعة تصل إلى 44 ضعفاً مقارنة بنماذج العالم التوليدية (تلك التي تحاول رسم كل بكسل). بينما قد تستغرق النماذج الأخرى ثوانٍ لتخطيط حركة ما، تقوم UniJEPA بذلك في جزء من الثانية.

لماذا يهم هذا الأمر؟

تجادل الورقة البحثية بأننا لسنا بحاجة إلى عقل مختلف لكل مهمة مختلفة. من خلال توحيد كيفية تعليم الآلات الرؤية والتنبؤ، نحصل على نظام أكثر كفاءة، وأسهل في التدريب (فهو يحتاج فقط إلى إعداد رئيسي واحد للضبط)، وأكثر مرونة.

كما أظهر المؤلفون أنه يمكنك التحكم فيما يتعلم الروبوت التركيز عليه. إذا أخبرت الروبوت أن يولي اهتماماً أكبر لجزء "الصورة"، فسيصبح بارعاً جداً في تجاهل تغيرات الإضاءة (ثابت الخصائص/Invariant). وإذا أخبرته أن يركز على جزء "الفيديو"، فسيصبح بارعاً جداً في تتبع الحركة (متماثل الخصائص/Equivariant). يمكنك تحريك مقبض للوصول إلى التوازن المثالي لاحتياجاتك.

باخت-اختصار، تثبت UniJEPA أن عقلاً واحداً موحداً يمكنه تعلم فهم كل من الجمال الساكن للصورة والتدفق الديناميكي للفيديو، كل ذلك مع التخطيط لحركته التالية بسرعة مذهلة. إنها خطوة نحو بناء وكلاء ذكاء اصطناعي يمكنهم حقاً فهم عالمنا والتنقل فيه دون الغرق في التفاصيل.