Chain of Spatial Thoughts: Modality-Agnostic Spatial Grounding for Vision Language Models

تخيل أنك تعلم روبوتًا كيفية التنقل في غرفة معيشة فوضوية. تعرض عليه صورة لأريكة، وطاولة قهوة، وقطة. قد يقول روبوت بسيط: "أرى أريكة". ولكن لكي يتمكن فعليًا من التقاط لعبة دون قلب الطاولة، يحتاج الروبوت إلى معرفة المزيد بكثير: ما حجم الأريكة؟ ما مدى بعدها عن الحائط؟ هل القطة تجلس على الطاولة أم تحتها؟ هذا هو الفرق بين مجرد "الرؤية" وبين "فهم الفضاء" حقًا. في عالم الذكاء الاصطناعي، يسمى هذا "الذكاء المكاني". لفترة طويلة، كانت أجهزة الكمبيوتر بارعة في التعرف على الأشياء ولكنها سيئة جدًا في فهم كيفية توافق تلك الأشياء مع بعضها البعض في فضاء ثلاثي الأبعاد. ولإصلاح ذلك، حاول العلماء القيام بشيئين رئيسيين: إما جعل عقل الكمبيوتر (النموذج) ضخمًا ومكلفًا، أو إضافة أدوات خاصة وشاقة لقياس المسافات. كلاهما يعمل، لكنهما بطيئان وغير مرنين.

الآن، توصل فريق من الباحثين إلى حيلة ذكية جديدة تسمى "رموز الفضاء" (Space Tokens). فكر في نموذج الذكاء الاصطناعي القياسي كطالب يؤدي اختبارًا. عادةً، إذا احتاج الطالب إلى معرفة كيفية قياس غرفة، فعليه إحضار منقلة وشريط قياس (أدوات إضافية) أو حفظ موسوعة ضخمة من الهندسة (عقل ضخم). تقترح هذه الورقة البحثية نهجًا مختلفًا: ماذا لو استطاع الطالب فقط أن "يفكر" بالقياسات؟ لقد وجد الباحثون طريقة لتعليم الذكاء الاصطناعي إنشاء "ملاحظات ذهنية" غير مرئية داخل عملية تفكيره الخاصة. هذه الملاحظات، أو "الرموز"، تعمل مثل همسات هندسية مستمرة وصغيرة يمكن للذكاء الاصطناعي استخدامها للتفكير في الحجم والمسافة والشكل دون الحاجة إلى أدوات إضافية أو عقل أكبر. إنه يشبه منح الذكاء الاصطناعي حساً داخلياً بالفضاء يمكنه استخدامه أثناء التحدث، مما يجعله أكثر ذكاءً فيما يتعلق بالعالم المادي دون إبطائه.

المشكلة: العقول الضخمة مقابل الأدوات الثقيلة

تخيل أن لديك صديقًا ذكيًا جدًا بارعًا في وصف الصور. تعرض عليه صورة لمطبخ، ويمكنه أن يخبرك: "هذه ثلاجة، وتلك محمصة خبز". ولكن إذا سألته: "هل يمكنني وضع صندوق بيتزا عملاق بين الثلاجة والمحمصة؟" فقد يخمن بشكل خاطئ لأنه لا "يشعر" بالمساحة حقًا.

لإصلاح ذلك، جرب العلماء مسارين رئيسيين. المسار الأول هو "التوسع"، وهو بمثابة إخبار الصديق بقراءة كل كتاب في المكتبة وحفظ كل تخطيط غرفة ممكن. هذا يعمل، ولكنه يتطلب عقلًا ضخمًا يستغرق وقتًا طويلاً للعمل. المسار الثاني هو "الأدوات المتخصصة"، وهو بمثابة إعطاء الصديق جهاز قياس بالليزر وماسح ضوئي ثلاثي الأبعاد لاستخدامه في كل مرة ينظر فيها إلى صورة. هذا دقيق، ولكنه بطيء ومكلف، ولا يمكن للصديق استخدامه إذا كان في عجلة من أمره أو إذا لم تكن الأدوات متاحة.

تساءل مؤلفو هذه الورقة سؤالًا بسيطًا: هل يمكننا تعليم الصديق كيف "يعرف" المساحة في رأسه، دون الحاجة إلى المكتبة أو جهاز القياس بالليزر؟

الحل: رموز الفضاء (Space Tokens)

قدم الباحثون طريقة تسمى رموز الفضاء (Space Tokens). بدلاً من إضافة أجهزة جديدة أو جعل نموذج الذكاء الاصطناعي ضخمًا، علموا الذكاء الاصطناعي توليد "رموز" خاصة (وهي مجرد قطع صغيرة من البيانات) تمثل الفضاء ثلاثي الأبعاد.

فكر في هذه الرموز مثل ملاحظات لاصقة غير مرئية يلصقها الذكاء الاصطناعي على أفكاره الخاصة.

1. ملاحظات على مستوى المشهد: تصف بعض الملاحظات الغرفة بأكملها. فهي تلتقط شكل الأرضية، وموقع الجدران، وعمق الغرفة.
2. ملاحظات على مستوى الكائن: تصف ملاحظات أخرى عناصر محددة. فهي تحمل معلومات حول مكان الكائن، وحجمه، والاتجاه الذي يواجهه.

السحر يكمكم في أن هذه الملاحظات "مستمرة"، مما يعني أنها ليست مجرد تسميات بسيطة مثل "كبير" أو "صغير". إنها مثل الإحداثيات والقياسات الدقيقة التي يمكن للذكاء الاصطناعي استخدامها لإجراء العمليات الحسابية في ذهنه. يتعلم الذكاء الاصطناعي إنشاء هذه الملاحظات من خلال النظر إلى أمثلة من نموذج "معلم" (نظام إعادة بناء ثلاثي الأبعاد ذكي جدًا) ثم التدرب حتى يتمكن من القيام بذلك بمفرده.

كيف علموا الذكاء الاصطناعي

تمت عملية التدريب عبر ثلاث مراحل، مثل لعبة فيديو ذات ثلاثة مستويات:

• المستوى 1: تعلم لغة الفضاء. عُرضت صور على الذكاء الاصطناعي وعُلّم كيفية توليد "الملاحظات اللاصقة" (الرموز) التي تتوافق مع الهندسة ثلاثية الأبعاد للمشهد. تعلم كيفية مواءمة أفكاره الداخلية مع الأشكال ثلاثية الأبعاد الدقيقة للعالم.
• المستوى 2: التفكير باستخدام الملاحظات. بمجرد أن عرف الذكاء الاصطناعي كيفية صنع الملاحظات، علموها كيفية استخدامها للإجابة على الأسئلة. أجبروا الذكاء الاصطناعي على النظر إلى الملاحظات والقول: "بما أن الثلاجة تبعد مترين، فإن صندوق البيتزا لن يتسع". هذا يسمى "سلسلة الأفكار" (Chain-of-Thought)، ولكن الآن تشمل الأفكار بيانات مكانية.
• المستوى 3: التحسن من خلال الممارسة. أخيرًا، استخدموا تقنية تسمى "التعلم المعزز". حاول الذكاء الاصطناي الإجابة على الأسئلة، وإذا أصاب في الحجم أو المسافة، حصل على "مكافأة". وإذا أخطأ، تعلم من خطئه. ساعد هذا الذكاء الاصطناعي على أن يصبح أكثر حدة في استخدام ملاحظاته المكانية.

ما الذي وجدوه

كانت النتائج مبهرة. اختبر الباحثون طريقتهم الجديدة على معيار يسمى VSI-Bench، وهو اختبار صعب للفهم المكاني.

• عندما طبقوا هذه الطريقة على نموذج يسمى Qwen3-VL-8B، ارتفعت الدرجة بنسبة 4.3%.
• وعند تطبيقها على نموذج أقوى يسمى SenseNova-SI-1.3، ارتفعت الدرجة بنسبة 1.3%.

لكن الفوز الحقيقي كان في مهام محددة. أصبحت الطريقة الجديدة هي الأفضل عالميًا في تخمين حجم الكائن (بنسبة نجاح 79.2%) وحجم الغرفة (بنسبة نجاح 75.7%). هذه مهام تتطلب عادةً أدوات ثلاثية الأبعاد ثقيلة، لكن هذه الطريقة فعلت ذلك بمجرد استخدام "ملاحظاتها اللاصقة" الداخلية.

لماذا يهم هذا الأمر

الجزء الأكثر إثارة هو أن الذكاء الاصطناعي لم يحتاج إلى تغيير دماغه أو حمل أدوات إضافية. لقد تعلم فقط كيف يفكر بشكل مختلف. أظهر الباحثون أيضًا أن هذه "الملاحظات اللاصقة" حقيقية؛ حيث استطاعوا فك تشفيرها وإعادتها إلى أشكال ثلاثية الأبعاد ورؤية أن الذكاء الاصطناعي قد تعلم بالفعل هندسة الغرفة. لم يكن مجرد تخمين؛ بل كان لديه فهم حقيقي للمساحة.

يشير هذا إلى أننا لسنا بحاجة لبناء نماذج ذكاء اصطناعي أكبر أو أبطأ أو أغلى ثمناً لجعلها ذكية مكانياً. نحن بحاجة فقط لتعليمها كيفية إنشاء واستخدام هذه الملاحظات المكانية الداخلية. إنها طريقة أخف وأسرع وأكثر مرونة لمنح الآلات القدرة على التنقل في عالمنا ثلاثي الأبعاد، وهي خطوة كبيرة نحو الأمام لأشياء مثل الروبوتات التي تحتاج للتنقل في منازلنا أو السيارات التي تحتاج للقيادة بأمان.

باختصار، تظهر الورقة البحثية أنه من خلال منح الذكاء الاصطناعي وسيلة لـ "التفكير ثلاثي الأبعاد" باستخدام رموز داخلية بسيطة، يمكننا جعله أفضل بكثير في فهم العالم المادي دون جعله أثقل أو أبطأ. إنه تغيير صغير في كيفية تفكير الذكاء الاصطناعي يؤدي إلى قفزة كبيرة فيما يمكنه القيام به.