تخيل أنك تعلم روبوتاً كيف يفهم العالم، ولكن لديك قاعدة صارمة: لا يمكنك إظهار أي تسميات له. لا يمكنك قول "هذه قطة"، أو "تلك سيارة". هذا المجال من الدراسة يسمى التعلم الخاضع للإشراف الذاتي (Self-Supervised Learning). على الروبوت أن يتعلم من خلال النظر إلى صور العالم واستنتاج الأنماط بنفسه، دون معلم يخبره بما هو موجود.

للقيام بذلك، يحتاج الروبوت إلى بناء خريطة ذهنية، أو "تمثيل" (Representation)، لما يراه. فكر في هذا الأمر كأنه مكتبة؛ إذا قام الروبوت بمجرد حفظ كل بكسل في كل صورة، فستكون المكتبة عبارة عن فوضى عارمة من الغبار والورق. ولكن إذا تعلم كيفية تجميع الأشياء حسب معناها — مثل وضع كل "القطط" على رف واحد و"السيارات" على رف آخر — فقد تعلم تمثيلاً مفيداً. السؤال الكبير الذي يسأله العلماء هو: ما هي الحد الأدنى من القواعد التي يحتاجها الروبوت ليتّبعها لبناء هذه المكتبة بشكل صحيح دون أن يرتبك أو يستسلم؟

لفترة طويلة، جرب الباحثون حيلًا مختلفة. البعض أخبر الروبوت أن ينظر إلى صورتين مختلفتين لنفس الشيء ويتأكد من أنهما متشابهتان (مثل التعرف على قطة سواء كانت نائمة أو تلعب). وآخرون أخبروه أن ينظر إلى جزء من صورة ويخمن كيف يبدو الجزء المفقود (مثل لعبة الأحجية). ولكن غالباً ما كان الروبوت يعلق. كان يتعلم "طريقاً مختصراً" حيث يخرج دائماً نفس الإجابة المملة لكل صورة، وكأنه يقول: "لا يهمني، كل شيء متشابه". وهذا ما يسمى الانهيار (Collapse)، وهو أكبر شكل من أشكال الفشل في هذا المجال. الورقة البحثية التي ستطالعها الآن تتعمق في أسباب حدوث هذه الإخفاقات وتقترح كتاب قواعد جديد مكون من ثلاثة أجزاء لمنع حدوث ذلك.

---

الوصفة ذات الثلاث مكونات لروبوت ذكي

يجادل مؤلفو هذه الورقة، نيكوس وباشكاليس وتانيا، بأنه لتعليم روبوت كيف يرى بدون تسميات، لا يمكنك الاعتماد على حيلة أو اثنتين فقط. أنت بحاجة إلى ثلاثة مكونات متميزة تعمل معاً. إذا تركت واحداً منها، فإن عقل الروبوت إما سينكسر، أو سيصبح بسيطاً جداً، أو سيفقد إحساسه بالمكان. هم يسمون هذه المبادئ الثلاثة: الملاحظة (Observation)، التنبؤ (Prediction)، والتنظيم (Regularization).

فكر في تدريب الروبوت مثل تدريب محقق لحل لغز ما.

1. الملاحظة: قاعدة "الشيء نفسه"

المبدأ الأول هو الملاحظة. يتعلق هذا بتعليم الروبوت أن صورتين مختلفتين لنفس الشيء هما في الواقع نفس الشيء. إذا التقطت صورة لكلب في الصباح وأخرى في الظهيرة، يحتاج الروبوت إلى إدراك: "مهلاً، هذا هو نفس الكلب!".

بلغة الورقة البحثية، يتعلق هذا بـ الثبات الدلالي (Semantic Invariance). تخيل أنك تنظر إلى صديق لك من خلال مشكال (Kaleidoscope). الألوان تتغير، والأشكال تلتوي، لكنك لا تزال تعرف أنه صديقك. يحتاج الروبوت إلى "جهاز عرض" (أداة في عقله) يعمل على تجريد الالتواءات المربكة والتركيز على الهوية الجوهرية. إذا كان لديك هذه القاعدة فقط، فسيصبح الروبوت جيداً في التعرف على ماهية الأشياء، ولكنه سينسى أين توجد. إنه مثل معرفة أن الكلب هو كلب، ولكن ليس لديك أدنى فكرة عما إذا كان الكلب جالساً على اليسار أم على اليمين.

2. التنبؤ: لعبة "القطعة المفقودة"

المبدأ الثاني هو التنبؤ. يتعلق هذا بالبنية المكانية. تخيل أنك غطيت جزءاً من صورة بصندوق أسود. يجب على الروبوت أن يخمن ما بداخل هذا الصندوق بناءً على بقية الصورة.

هذا هو مبدأ التنبؤ. إنه يجبر الروبوت على فهم كيفية ترابط الأشياء في الفضاء. إذا كان لديك هذه القاعدة فقط، فسيصبح الروبوت بارعاً في حل الألغاز لصورة واحدة، ولكنه سيرتبك إذا أريته نفس الشيء من زاوية مختلفة. قد يعتقد أن قطة تُرى من الجانب هي مخلوق مختلف تماماً عن قطة تُرى من الأمام. إنه يتعلم "خريطة" لصورة محددة، لكنه لا يتعلم أن الخريطة تبقى كما هي حتى لو قمت بتدوير الصورة.

3. التنظيم: قاعدة "مكافحة الغش"

المبدأ الثالث هو التنظيم. هذا هو الجزء الأكثر أهمية لمنع الروبوت من استخدام الطرق المختصرة. تذكر "الروبوت الذي يعلق" والذي يخرج دائماً نفس الإجابة لكل شيء؟ هذا ما يسمى الانهيار.

يوضح المؤلفون أنه بدون قاعدة محددة لمنع هذا، فإن الروبوت سوف يجد طريقة لاستخدام طريق مختصر. تخيل طالباً يؤدي اختباراً أدرك فيه أنه إذا كتب "42" لكل الإجابات، فسيحصل على درجة كاملة لأن نموذج التصحيح الخاص بالمعلم معطل. يفعل الروبوت الشيء نفسه: يجد طريقاً مختصراً حيث يتوقف عن التعلم ويقوم فقط بإخراج رقم ثابت.

مبدأ التنظيم يشبه المراقب الصارم الذي يفحص عمل الطالب ليتأكد من أنه لا يكتفي بكتابة نفس الإجابة. إنه يجبر "مكتبة" الروبوت الداخلية على أن تكون ممتلئة ومتنوعة. إنه يضمن أن الروبوت يستخدم كل طاقته الذهنية ولا ينهار إلى خط مسطح وممل. توضح الورقة أنه إذا حاولت استخدام "الأمثلة السلبية" (إظهار ما لا يجب مطابقتُه للروبوت) لمنع هذا الطريق المختصر، فالأمر يشبه محاولة وقف تسرب باستخدام ضمادة؛ فهو يساعد قليلاً، ولكن في النهاية سيجد الروبوت طريقة للالتفاف حوله. أنت بحاجة إلى قاعدة قوية وصريحة (قيد هندسي) لمنع الانهيار حقاً.

الاكتشاف الكبير: أنت بحاجة إلى الثلاثة معاً

لم يكتفِ المؤلفون بالتخمين؛ بل بنوا إطاراً رياضياً ("تفكيك الطاقة") يجمع هذه القواعد الثلاث في معادلة واحدة. ثم أجروا تجارب لمعرفة ما يحدث عندما يزيلون مكوناً واحداً في كل مرة.

إليكم ما وجدوه:

• إذا حذفت الملاحظة: يفقد الروبوت قدرته على التعرف على أن الشيء نفسه يبدو مختلفاً في أضواء أو زوايا مختلفة. يصبح عبقرياً مكانياً ولكنه غبي دلالياً.
• إذا حذفت التنبؤ: يفقد الروبوت إحساسه بالمكان. يعرف ماهية الأشياء، لكن لا يمكنه إخبارك أين توجد أو كيف ترتبط ببعضها البعض. في اختباراتهم، أصبح الروبوت أسوأ بكثير في العثور على أجزاء محددة من الصورة (مثل العثور على ورقة شجر معينة).
• إذا حذفت التنظيم: ينهار الروبوت. يتوقف عن التعلم تماماً. أثبت المؤلفون رياضياً أنه بدون هذه القاعدة، يمكن للروبوت تحقيق درجة "مثالية" عبر إخراج نفس الرقم الممل لكل صورة. إنه فشل كلي.

كما نظروا في حيلة شائعة تُستخدم في العديد من نماذج الذكاء الاصطنا الحديثة تسمى المُشفّر الزخمي (Momentum Encoder). وهي تقنية حيث يستخدم الروبوت نسخة "بطيئة الحركة" من نفسه للمساعدة في التعلم. أظهر المؤلفون أنه بينما تساعد هذه الحيلة الروبوت على التعلم بسرعة أكبر في البوادي، إلا أنها لا تمنع الروبوت من الانهيار على المدى الطويل. بمجرد أن يستقر الروبوت، يقوم المُشفّر الزخمي ببساطة بنسخ ما يفعله الروبوت الرئيسي. إذا انهار الروبوت الرئيسي، سينهار الزخمي أيضاً. الشيء الوحيد الذي يضمن بقاء الروبوت ذكياً هو قاعدة التنظيم الصريحة.

لماذا هذا مهم؟

توحد هذه الورقة تقريباً كل الأساليب الرئيسية في التعلم الخاضع للإشراف الذاتي. وسواء كانت الطريقة تسمى "تباينية" (مثل SimCLR) أو "تنبؤية" (مثل JEPA)، يوضح المؤلفون أنها جميعاً مجرد طرق مختلفة لخلط هذه المكونات الثلاثة. بعض الأساليب تمزج الملاحظة والتنظيم ولكنها تتجاهل التنبؤ. وأساليب أخرى تمزج التنبؤ والتنظيم ولكنها تتجاهل الملاحظة.

أظهرت تجارب المؤلفين، التي أُجريت على مجموعة بيانات صغيرة تسمى STL-10 وباستخدام نموذج ViT-Tiny، أنه عند دمج القواعد الثلاث، تحصل على أفضل النتائج. وتحديداً، حقق النموذج الذي يحتوي على المبادئ الثلاثة دقة قدرها 55.0% في اختبار قياسي، بينما انخفضت دقة النماذج التي تفتقر إلى أحد المبادئ بشكل كبير (على سبيل المثال، نقص الملاحظة أدى إلى انخفاض الدقة بمقدار 13.4 نقطة).

كما أثبتوا أن هذه القواعد الثلاث لا تتعارض مع بعضها البعض. فقاعدة "الملاحظة" ترسل إشارة موحدة عبر الصورة بأكملها، بينما ترسل قاعدة "التنبؤ" إشارة محددة فقط إلى الأجزاء التي يتم التنبؤ بها. إنهما تعملان كفريق، وليس كشد وجذب.

الخلاية

الرسالة الرئيسية بسيطة ولكنها قوية: لا يمكنك بناء ذكاء اصطري مرئي قوي وذكي بالاعتماد على نوع واحد فقط من الحيل. أنت بحاجة إلى نظام يلاحظ التشابه، ويتنبأ بالأجزى المفقودة، ويُنظم بصرامة لمنع الطرق المختصرة.

يقترح المؤلفون على مصممي الذكاء الاصطناعي في المستقبل التوقف عن محاولة ابتكار حيل معقدة وخفية لمنع نماذجهم من الانهيار. بدلاً من ذلك، يجب عليهم بناء هذه المبادئ الثلاثة صراحةً في أنظمتهم. الأمر يشبه بناء منزل: أنت بحاجة إلى أساس (التنظيم)، وجدران (الملاحظة)، وسقف (التنبؤ). إذا تركت الأساس، سينهار البناء كله. إذا تركت السقف، سيتعرض الداخل للبلل. وإذا تركت الجدران، فلن يكون لديك منزل على الإطلاق.

لا تدعي هذه الورقة أنها صنعت أعظم أو أسرع ذكاء اصطناعي على الإطلاق. بدلاً من ذلك، فهي تقدم خريطة رياضية واضحة لسبب عمل الذكاء الاصطناعي بهذه الطريقة، وتثبت أن هذه المبادئ الثلاثة ليست مجرد اقتراحات مفيدة، بل هي شروط ضرورية ليتعلم الروبوت كيف يرى العالم بدون معلم.