Learning human joint torques from pixels

تخيل أنك تشاهد فيديو بالتصوير البطيء للاعب كرة سلة وهو يقوم بضرب الكرة نحو السلة (dunk). بالنسبة للعين المجردة، يبدو الأمر وكأنه براعة رياضية خالصة. ولكن بالنسبة لعالم الميكانيكا الحيوية (biomechanist)، فإن تلك اللحظة الواحدة هي عاصفة فوضوية من القوى غير المرئية. داخل جسد اللاعب، تعمل العضلات مثل محركات صغيرة، وتعمل مفاصله كأذرع مفصلية تحت ضغط هائل. يطلق العلماء على قوة الالتواء التي تجعل هذه المفاصل تتحرك اسم "عزم الدوران" (torque). لعقود من الزمن، كان تحديد مقدار عزم الدوران بدقة يشبه محاولة تخمين القوة الحصانية لمحرك بمجرد النظر إلى أنبوب عادم السيارة؛ فأنت لا تستطيع رؤية التروس وهي تدور، لذا يتعين عليك لصق أجهزة استشعار في كل مكان على جلد الشخص، أو ربطه في مختبر مع كاميرات ضخمة، أو بناء روبوت ليتظاهر بأنه هو. هذه الطرق دقيقة، لكنها أيضاً معقدة، ومكلفة، ومن المستح المستحيل استخدامها بينما يلعب شخص ما كرة القدم في حديقة أو يرقص في غرفة معيشته. السؤال الكبير كان دائماً: هل يمكننا النظر إلى فيديو بسيط ومعرفة الفيزياء الخفية للحركة فوراً؟

يقول هذا البحث: "نعم، يمكننا ذلك"، وقد بنوا الأدوات لإثبات ذلك. أنشأ الباحثون مجموعة بيانات ضخمة جديدة تسمى VID، وهي تشبه مكتبة عملاقة تضم 63,369 إطار فيديو متزامنة لأشخاص حقيقيين يتحركون. لكن هذا ليس مجرد مجموعة من الأفلام؛ إنه "مكتبة فائقة" حيث يأتي كل إطار فيديو مع "ورقة غش" سرية. فإلى جانب الفيديو، لديهم البيانات الرياضية الدقيقة لسرعة حركة المفاصل ومقدار عزم الدوران الذي كانت تولده، والتي تم حسابها باستخدام برامج فيزيائية متقدمة. ثم قاموا بتدريب ذكاء اصطناعي خاص، أطلقوا عليه اسم VID-Network، لكي ينظر إلى إطارات الفيديو ويتعلم العلاقة بين مظهر الشخص والقوى غير المرئية بداخله. النتائج مبهرة: تعلم الذكاء الاصطناعي التنبؤ بعزوم دوران المفاصل مباشرة من بكسلات كاميرا عادية، متفوقاً على أفضل الطرق السابقة بنسبة تقارب 40%. الأمر كما لو أن الذكاء الاصطناعي تعلم قراءة "رياضيات العضلات" بمجرد مشاهدة الرقص، دون الحاجة إلى أجهزة استشعار أو روبوتات لمساعدته.

غرفة المحرك الخفية

لفهم سبب أهمية هذا الأمر، دعونا نفكك المشكلة. الحركة البشرية هي رقصة معقدة بين العظام والعضلات والجاذبية. عندما تركل كرة، فإن ركبتك لا تنثني فحسب؛ بل يجب أن تولد مقداراً معيناً من قوة الالتواء، أو عزم الدوران، للتغلب على الجاذبية ووزن جسمك. في الماضي، إذا أراد عالم معرفة هذا الرقم، كان عليه وضع الشخص في "قفص مختبر". كانوا يضعون أجهزة استشعار ملصقة بالجلد لقراءة الإشارات الكهربائية من العضلات، ويضعون الشخص على أرضية خاصة تقيس مدى قوة ضغطه للأسفل، ويحيطون الشخص بكاميرات لتتبع علامات صغيرة على مفاصله. الأمر يشبه محاولة فهم كيفية عمل محرك السيارة من خلال الاضطرار إلى تفكيك المحرك، وقياس كل مسمار، وتشغيله على مسار اختبار. هذا يعمل، لكن لا يمكنك القيام بذلك أثناء القيادة على الطريق السريع.

حاول علماء آخرون نهجاً بديلاً باستخدام ألعاب الفيديو والمحاكاة. لقد علموا الحواسيب مراقبة روبوت رقمي وهو يتحرك وتخمين القوى. لكن هناك مشكلة: الروبوتات في ألعاب الفيديو لا تتحرك تماماً مثل البشر الحقيقيين. إنها مثالية جداً، وسلسة جداً، وتفتقر إلى التمايلات والعيوب الصغيرة الموجودة في اللحم والعظم الحقيقيين. الأمر يشبه محاولة تعلم كيفية قيادة سيارة حقيقية من خلال لعب لعبة سباق فقط؛ قد تعرف القواعد، لكنك لن تعرف كيف يكون ملمس عجلة القيادة عندما يصبح الطريق وعراً.

"المشاهد الفائق" الجديد

قرر مؤلفو هذا البحث تجاوز أقفاص المختبرات وروبوتات ألعاب الفيديو. بدلاً من ذلك، بنوا جسراً بين العالم الحقيقي الفوضوي وعالم الفيزياء الدقيق. كانت خطوتهم الأولى هي إنشاء مجموعة بيانات VID. لقد أخذوا بيانات مفتوحة المصدر لأشخاص حقيقيين يتحركون وقاموا بالعمل الشاق لمزامنتها. تخيل أخذ فيديو لشخص يقفز وجدول بيانات منفصل للحسابات الفيزيائية، ثم ترتيبهما بعناية بحيث يتطابق كل إطار فيديو مع اللحظة المنقسمة بالضبط من الحسابات. انتهى بهم المطاف بأكثر من 63,000 إطار لبشر حقيقيين، كاملة مع طولهم، ووزنهم، وقيم عزم الدوران الدقيقة لمفاصلهم. مجموعة البيانات هذه هي "الكتاب المدرسي" الذي سيدرسه الذكاء الاصطناعي.

بعد ذلك، بنوا VID-Network، وهو برنامج حاسوبي ذكي مصمم ليكون "مشاهداً فائقاً". يحتوي هذا الشبكة على ثلاثة أجزاء رئيسية تعمل معاً مثل فريق من المحققين:

1. محقق الوضعية (The Pose Detective): أولاً، ينظر إلى الصورة ويحدد بدقة أين توجد مفاصل الشخص في الفضاء ثلاثي الأبعاد. الأمر كما لو أن الذكاء الاصطناعي يرسم ذهنياً هيكلاً من الخطوط فوق الفيديو.
2. متتبع العلامات (The Marker Tracker): بعد ذلك، يتنبأ بمكان النقاط المحددة في الجسم (مثل مكان اتصال العضلة) حتى لو لم تكن مرئية. هذا يساعد الذكاء الاصطناعي على فهم بنية الجسم بشكل أفضل.
3. المسافر عبر الزمن (The Time Traveler): أخيراً، هو لا ينظر فقط إلى صورة واحدة مجمدة. بل ينظر إلى تسلسل من الإطارات، مثل تقليب كتاب قصص مصورة، لفهم كيفية تحرك الجسم بمرور الوقت. يستخدم "دماغ محول" (Transformer) خاص (وهو نفس نوع التكنولوجيا التي تشغل روبوتات الدردشة الذكية) لربط النقاط بين الماضي والحاضل والمستقبل للحركة لتخمين القوى.

النتائج: رؤية غير المرئي

عندما اختبروا هذا الذكاء الاصطناعي الجديد، كانت النتائج نقطة تحول. قارنوا VID-Network بأفضل طريقتين متاحتين حالياً: إحداهما تستخدم مزيجاً من الفيزياء وأجهزة الاستشعار، والأخرى تعتمد على محاكاة الروبوتات. ارتكبت الطرق القديمة أخطاءً، بمتوسط قدره 2.93 و 2.92 وحدة (مقاسة بنيوتن متر لكل كيلوغرام). ومع ذلك، خفض VID-Network الجديد ذلك الخطأ إلى 1.7612 نيوتن متر/كجم. هذا يمثل تحسناً بنسبة 39.81%.

يظهر البحث أن هذه الطريقة الجديدة أفضل في كل شيء تقريباً. سواء كان الشخص يمشي، أو يقوم بحركات القرفصاء، أو يقفز للأسفل، فقد خمن الذكاء الاصطناعي القوى بدقة أكبر من الطرق القديمة. لقد كان بارعاً بشكل خاص في الحركات الصعبة مثل "تمدد الفقرات القطنية" (الانحناء في أسفل الظهر)، حيث حسن الدقة بهامش كبير. المرة الوحيدة التي تعثر فيها قليلاً كانت في بعض أنماط المشي المحددة حيث كانت للمحاكاة أفضلية طفيفة، ويرجع ذلك على الأرجح إلى وجود الكثير من أمثلة المشي في بيانات التدريب مما جعل المحاكاة جيدة جداً في ذلك الشيء المحدد. ولكن بشكل عام، انتصر نهج الصور الحقيقية.

لماذا يهم هذا الأمر؟

الجزء الأكثر إثارة في هذا البحث ليس فقط أن الأرقام أفضل؛ بل هو أن الذكاء الاصطناعي تعلم القيام بذلك باستخدام الصور الحقيقية فقط. لم يكن بحاجة إلى أجهزة استشعار، أو منصات قوة، أو محاكاة روبوتية. لقد تعلم رؤية الفيزياء غير المرئية في فيديو عادي. يشير المؤلفون إلى أن هذه هي المرة الأولى التي ينجح فيها أي شخص في بناء معيار لهذا النوع من "الديناميكا العكسية القائمة على الرؤية" باستخدام بيانات بشرية حقيقية.

هذا يفتح الباب أمام مستقبل حيث يمكننا تحليل كيفية تحرك الرياضيين، أو كيفية تعافي المرضين من الإصابات، أو كيفية مشي الناس في الطبيعة، بمجرد توجيه كاميرا نحوهم. وبينما يشير البحث إلى أنه لا يزال هناك عمل يتعين القيام به — مثل التأكد من أن الذكاء الاصطناعي يعمل على أشخاص لم يسبق له رؤيتهم أو التعامل مع البيئات "العشوائية في الواقع" — إلا أنه أثبت أن الحلم بقراءة الحركة البشرية من فيديو بسيط لم يعد مجرد خيال، بل أصبح واقعاً جاهزاً للاختبار في العالم الحقيقي.