تخيل أنك تحاول تعليم روبوت كيفية الجلوس على كرسي دون السقوط. للقيام بذلك، يحتاج الروبوت إلى فهم "التفاعل بين الإنسان والمشهد" (human-scene interaction)—وهي طريقة منمقة للقول كيف تتلامس أجسادنا وتتناسب مع العالم من حولنا. لا يقتصر الأمر على مجرد الجلوس فحسب؛ بل هو "الخلطة السرية" وراء جعل شخصيات ألعاب الفيديو تتحرك بواقعية، ومساعدة الروبوتات على التنقل في منازلنا، وإنشاء عوالم واقع افتراضي تبدو نابضة بالحياة حقًا. حاليًا، تحاول الحواسيب حل هذه المعضلة من خلال النظر إلى كل نقطة صغيرة على نموذج ثلاثي الأبعاد لجسم بشري (مثل شبكة رقمية مكونة من آلاف النقاط) والتحقق مما إذا كانت كل نقطة بمفردها تلمس شيئًا ما. الأمر يشبه محاولة العثور على إبرة في كومة قش من خلال فحص كل قطعة قش، حتى تلك التي تطفو بوضوح في الهواء. هذا النهج ثقيل للغاية، وبطيء، ومليء بالضجيج غير الضروري، مما يجعل من الصعب على الحواسيب العمل بسرعة أو بدقة.

هنا يأتي طرح فكرة جديدة من باحثين في AIOZ، وجامعة ليفربول، وجامعة نانجينغ للعلوم والتكنولوجيا (NTHU)، الذين يقترحون أننا لسنا بحاجة إلى النظر في كل شيء لفهم الصورة الكاملة. هم يقترحون أن تلامس الإنسان هو في الواقع "متناثر" (sparse)، بمعنى أن عددًا قليلًا من النقاط المحددة في أجسامنا هي التي تلمس العالم في أي لحظة معينة. فكر في الأمر مثل تسليط ضوء (كشاف) على خشبة المسرح: بدلًا من إضاءة المسرح بأكمله، تحتاج فقط إلى تسليط الضوء على يدي الممثل وقدميه لتعرف أين يتفاعلان مع الديكور. تقدم الورقة البحثية طريقة تسمى ECO (التمثيل الفعال للتلامس - Efficient Contact Representation) والتي تعمل كمرشح ذكي. فهي تستخدم "أقنعة تلامس متناثرة" لتجاهل جميع النقاط غير المفيدة وغير المتلامسة في الجسم الرقمي فورًا، مع الاحتفاظ فقط بنقاط التلامس الأساسية. ومن خلال القيام بذلك، يستبدلون المعالجة "الكثيفة" البطيئة والثقيلة بنظام "متناثر" فائق السرعة يقوم بالعمليات الحسابية على الأجزاء المهمة فقط. والنتيجة؟ يمكن للحاسوب التنبؤ بمكان لمس الشخص للمشهد، بل وحتى إنشاء المشهد نفسه بشكل أسرع بكثير—بما يصل إلى 12 مرة أسرع من الطرق السابقة—مع الحصول على إجابة أكثر دقة أيضًا.

المشكلة: الكثير من الضجيج، القليل من الإشارة

تخيل أنك تحاول حل لغز، ولكن شخصًا ما قد لصق آلاف القطع الإضافية وغير المفيدة على اللوحة. هذا ما تواجهه النماذج الحاسوبية الحالية عندما تحاول فهم كيفية تفاعل البشر مع بيئتهم. إنها تعالج كل رأس (vertex) (نقطة صغيرة على الجلد الرقمي للإنسان) كما لو كان قد يلمس جدارًا، أو كرسيًا، أو الأرض. لكن في الواقع، عندما تجلس على أريكة، فإن الجزء السفلي من جسمك ومرفقيك ربما يلمسانها فقط؛ بينما يتدلى باقي جسمك في الهواء.

تجادل الورقة البحثية بأن معاملة كل نقطة على أنها مهمة هو هدر للوقت والطاقة. إنه يشبه محاولة الاستماع إلى محادثة في غرفة مزدحمة من خلال الصراخ فوق الجميع، بدلًا من التركيز فقط على الشخصين اللذين يتحدثان. هذا النهج "الكثيف" يخلق الكثير من البيانات المكررة، مما يبطئ الحاسوب وأحيانًا يربك النموذج بالضجيج. لقد استبعد المؤلفون صراحةً فكرة أننا بحاجة إلى الاحتفاظ بكل هذه البيانات الإضافية للحصول على نتائج جيدة. بدلاً من ذلك، اقترحوا أن المفتاح للسرعة والدقة هو تعلم كيفية تجاهل الضجيج.

الحل: المرشح الذكي (ECO)

يقترح الباحثون خدعة ذكية مكونة من خطوتين لتنظيف هذه الفوضى.

الخطوة 1: "أقنعة التلامس"
أولاً، يستخدمون مجموعة من "أقماعة التلامس المتناثرة". تخيل هذه الأقنعة كأنها قوالب أو مناخل. بدلًا من النظر إلى الجسم الرقمي بالكامل، يستخدم الحاسوب هذه الأقنعة لاختيار النقاط المحددة التي من المرجح أن تلمس شيئًا ما. هم لا يستخدمون قناعًا واحدًا فحسب؛ بل يجربون العديد من الأقنعة المختلفة أثناء التدريب لمعرفة أي منها يلتقط المعلومات الأكثر أهمية. ثم يستخدمون نظام تسجيل لتحديد أفضل الأقنعة التي تعمل كـ "مرشحات". خلال الاختبار الفعلي، يحتفظون فقط بأفضل عدد قليل من الأقنعة (لقد وجدوا أن استخدام 3 أقنعة فقط من أصل 50 هو النقطة المثالية). هذا يرمي فورًا النقاط "غير المفيدة"، تاركًا قائمة صغيرة وفعالة من نقاط التلامس.

الخطوة 2: "المشغلات المتناثرة"
بمجرد أن يمتلك الحاسوب هذه القائمة القصيرة والنظيفة من نقاط التلامس، فإنه لا يعالجها بالطريقة العادية. لقد بنى المؤلفون "مشغلات متناثرة" خاصة (أدوات رياضية مصممة للبيانات المتناثرة) لتحل محل الأدوات القياسية الثقيلة المستخدمة في التعلم العميق. هذه الأدوات الجديدة تشبه مكنسة كهربائية متخصصة لا تشفط إلا الغبار (نقاط التلامس) وتتجاهل بقية الغرفة. ولأن الحاسوب لا يهدر طاقته في المساحات الفارغة، فإنه يعمل بسرعة مذهلة.

ماذا وجدوا: أسرع وأذكى

اختبر الفريق طريقتهم على ثلاثة مجموعات بيانات عامة مختلفة (مجموعات من البيانات المستخدمة لتدريب واختبار الذكاء الاصطناعي) وقارنوها بأفضل النماذج الموجودة. كانت النتائج مبهرة.

• السرعة: كانت طريقتهم أسرع بـ 12 مرة من المنافس المباشر. ومن حيث الأرقام الخام، استغرق الأمر 0.009 ثانية فقط لمعالجة عينة واحدة، مقارنة بـ 0.17 ثانية أو أكثر للطرق الأخرى.
• الدقة: للمفاجأة، من خلال التخلص من "الضجيج"، أصبح النموذج أفضل في أداء مهمته. في مجموعة بيانات PROXD، حققت طريقتهم دقة إعادة بناء بلغت 93.69%، متفوقة على أفضل نتيجة سابقة وهي 92.04%.
• الاتساق: قاموا أيضًا بقياس مدى اتساق النتائج، وحصلت طريقة ECO على 0.981، وهو أعلى من أي طريقة أخرى اختبروها.

تشير الورقة البحثية إلى أن هذا النهج ينجح لأنه يتماشى مع كيفية عمل الواقع الفيزيائي: التفاعلات بطبيعتها متناثرة. ومن خلال محاكاة هذا التناثر، لا يصبح الحاسوب أسرع فحسب، بل يصبح أذكى أيضًا لأنه يتوقف عن التشتت بالبيانات غير ذات الصلة.

تصور الفرق

لرؤية كيف يعمل هذا، تخيل خريطة حرارية لشخص يجلس على كرسي.

• الطرق القديمة (الكثيفة): الخريطة الحرارية عبارة عن فوضى ضبابية، تضيء الجسم بأكمله لأن الحاسوب غير متأكد من الأجزاء التي تلمس الكرسي. إنها تشبه كشافًا واسع جدًا، مما يؤدي إلى طمس التفاصيل.
• طريقة ECO (المتناثرة): الخريطة الحرارية حادة ومركزة. تضيء فقط الجزء السفلي واليدين، بالضبط حيث يحدث التلامس. لقد اختفى "الضجيج"، تاركًا صورة واضحة ودقيقة للتفاعل.

الحدود والمستقبل

يلاحظ المؤلفون بحذر أن طريقتهم ليست عصا سحرية تحل كل شيء. فقد اعترفوا بأن تدريب النموذج باستخدام كل تلك الأقنعة المختلفة يتطلب قدرة حوسبة أكبر في البداية. كما تعتمد الطريقة على اختيار العدد الصحيح من الأقنعة ونسبة "التناثر" الصحيحة (مقدار البيانات التي يتم التخلص منها). إذا تخلصت من الكثير، ستفقد التفاصيل المهمة؛ وإذا تخلصت من القليل جدًا، فلن تحقق فائدة السرعة. لقد وجدوا أن الاحتفاظ بـ 3 أقنعة مع نسبة تناثر تبلغ 90% هو التوازن الأفضل.

هناك أيضًا حالات فشل. في المواقف المحيرة للغاية حيث يمكن للشخص أن يجلس بطرق متعددة مختلفة، قد يولد النموذج مشهدًا يبدو صحيحًا في معظمه ولكن مع وجود بعض الأشياء في أماكن خاطئة. ومع ذلك، حتى في هذه الحالات الصعبة، يظل التفاعل الرئيسي (مثل "الجلوس") صحيحًا.

لماذا يهم هذا الأمر؟

تشير هذه الورقة البحثية إلى طريقة جديدة للتفكير في كيفية رؤية الحواسيب للعالم. بدلًا من محاولة معالجة كل شيء في وقت واحد، يمكننا تعليمهم التركيز فقط على ما يهم. هذا "التناثر الواعي بالتلامس" يمكن أن يجعل الواقع الافتراضي يبدو أكثر واقعية، ويساعد الروبوتات على التحرك بأمان أكبر في منازلنا، ويجعل رسوم ألعاب الفيديو المتحركة أكثر سلاسة. ومن خلال إثبات أن القليل من البيانات يمكن أن يؤدي بالفعل إلى نتائج أفضل، فتح المؤلفون الباب أمام مستقبل لا تكون فيه تفاعلاتنا الرقمية أسرع فحسب، بل تصبح أيضًا أكثر إنسانية في فهمها للمس.