Stream Forcing: Constructing Unified Training Trajectory for Robust Streaming Video Generation

تخيل عالماً لا تكتفي فيه الحواسيب بمشاهدة مقاطع الفيديو فحسب، بل يمكنها ابتكار فيديوهات جديدة، إطاراً تلو الآخر، في الوقت الفعلي. هذا هو الأفق المثير لـ "توليد الفيديو المتدفق" (streaming video generation)، وهو فرع من فروع الذكاء الاصطناعي يهدف إلى العمل كـ "نموذج عالم" (world model) — أي عقل رقمي يفهم كيف يتحرك العالم ويتغير ليتوقع ما سيحدث بعد ذلك. فكر في الأمر كأنه مخرج سينمائي لا يتوقف عن التصوير أبداً؛ فبدلاً من انتظار كتابة السيناريو بالكامل، يقوم هو بابتكار المشهد التالي بناءً على ما حدث للتو، خالقاً تدفقاً بصرياً مستمراً ولا نهائياً. وللقيام بذلك، يستخدم الذكاء الاصطناعي تقنية تسمى "الانتشار" (diffusion)، وهي تشبه إلى حد ما عملية النحت. تخيل أنك تبدأ بدلو من الثلج الفوضوي المليء بالضجيج (الضوضاء/noise) ثم تقوم ببطء بنحت هذا الضجيج لتكشف عن صورة واضحة ومتحركة تحتها. الجزء الصعب هو أنه لكي يتمكن الكمبيوتر من القيام بذلك بسلاسة في الوقت الفعلي، فإنه يحتاج إلى تعلم كيفية نحت الضجيج بطريقة محددة ومنظمة للغاية. ومع ذلك، فإن تعليم الكمبيوتر هذه الطريقة المحددة غالباً ما يجعله سيئاً في تعلم القواعد العامة لكيفية حركة الأشياء، بينما تعليمه القواعد العامة يجعله يتعثر عندما يحاول أن يكون محدداً. إنها معضلة "البيضة والدجاجة" (catch-22) للذكاء الاصطناعي: لا يمكنك الحصول على الأمرين معاً، أو هكذا ظن الجميع.

هنا يأتي نهج جديد يسمى Stream Forcing (فرض التدفق)، وهو طريقة تدريب ذكية صُممت لحل هذا التجاذب. أدرك الباحثون وراء هذه الورقة البحثية أنه بدلاً من إجبار الذكاء الاصطناعي على الاختيار بين أن يكون طالباً صارماً يتبع القواعد أو فناناً فوضوياً يطلق العنان لخيال، يمكنهم تعليمه القيام بكليهما عبر إنشاء "رحلة تدريب" تنتقل ببطء من أسلوب إلى آخر. لقد عاملوا مستويات الضوضاء في إطارات الفيديو ليس كتخمينات عشوائية، بل كقصة مترابطة حيث يعتمد كل إطار على الإطار الذي سبقه. وباستخدام "خريطة" رياضية (عملية عشوائية/stochastic process) لتوجيه الذكاء الاصطناعي، أنشأوا مساراً سلساً يبدأ بتعليم الذكاء الاصطناعي من إطارات عشوائية مستقلة تماماً، ثم يتحول تدريجياً إلى عملية منسقة للغاية وخطوة بخطوة تطابق كيفية أدائه في العالم الحقيقي.

وجدت الورقة أن نهج "التعلم المنهجي" (curriculum learning) هذا يحقق نتائج مذهلة. فعندما اختبروا طريقتهم على مجموعة بيانات مرجعية تسمى UCF-101، والتي تحتوي على مقاطع قصيرة لأفعال بشرية، أنتج الذكاء الاصطناعي فيديوهات أفضل بنسبة 36.6% في الجودة (مقاسة بدرجة تسمى FVD) مقارنة بالطرق الرائدة السابقة. والأمر الأكثر إثارة للإعجاب هو أن الذكاء الاصطناعي لم يكتفِ فقط بالتحسن في المقاطع القصيرة؛ بل تعلم "مدّ" معرفته لإنشاء فيديوهات أطول بكثير لم يسبق له رؤيتها. وفي اختبار "الصفر المعرفي" (zero-shot)، حيث كان على الذكاء الاصطناعي توليد 128 إطاراً (تسلسل طويل) بعد تدريبه فقط على تسلسلات أقصر، فقد حسّن الجودة بنسبة 27.9% على مجموعة بيانات UCF-101. كما أظهروا أن هذه الطريقة تعمل للمهام المعقدة مثل محاكاة القيادة الذاتية، حيث نجح الذكاء الاصطناعي في توليد فيديوهات قيادة بمعدلات خطأ أقل بكثير من النماذج الحالية.

جوهر اكتشافهم هو أنك لست مضطراً لاختيار جانب واحد. فمن خلال بناء "مسار تدريب" مستمر، يمكن للذكال الاصطناعي الاستمتاع بالتنوع الواسع للتعلم من العينات العشوائية مع إتقان الإيقاع الصارم والمتسق المطلوب للبث في الوقت الفعلي. لقد دحضوا فكرة وجوب الالتزام بأسلوب تدريب واحد فقط (إما عشوائي بحت أو متسلسل بحت) للحصول على نتائج جيدة. وبدلاً من ذلك، أثبتوا أن الانتقال السلس بين الاثنين هو "الخلطة السرية". لا تدعي الورقة أنها تحل كل مشاركل الذكاء الاصطناعي، لكنها تشير إلى أن هذه الطريقة المحددة لـ "فرض" تطور التدال بشكل سلس هي خطوة كبيرة للأمام لجعل مولدات الفيديو عالية الجودة وقادرة على العمل بلا نهاية دون الخروج عن السياق.

قصة Stream Forcing

المشكلة: ذكاء اصطناعي بـ "قدمين يساريتين"
تخيل أنك تعلم روبوتاً الرقص. لديك طريقتان لتعليمه:

1. طريقة "الارتجال الحر": تعرض للروبوت مجموعة من حركات الرقص العشوائية، واحدة تلو الأخرى، دون أي اتصال بينها. يتعلم الروبوت الكثير من الحركات المختلفة (تغطية رائعة!)، لكنه لا يتعلم أبداً كيفية ربطها ببعضها بسلاسة. وعندما تطلب منه الرقص في عرض حقيقي، يتجمد لأنه لا يعرف الإيقاع.
2. طريقة "البروفة الصارمة": تجبر الروبوت على ممارسة الرقصة بالترتيب الدقيق الذي ستؤدى به، خطوة بخطوة. يتعلم الإيقاع بشكل مثالي (اتساق رائع!)، لكنه يتعلم ذلك الروتين المحدد فقط. إذا طلبت منه الارتجال أو تعلم أسلوب جديد، فإنه يفشل لأنه لم يرَ تنوع الحركات "الفوضوية".

لفترة طويلة، كانت مولدات فيديو الذكاء الاصطناعي عالقة في هذه المعضلة. فإذا تدربت مثل راقص "الارتجال الحر"، بدت فيديوهاتها مهتزة وغير مترابطة. وإذا تدربت مثل راقص "البروفة الصارمة"، لم تستطع توليد تدفقات فيديو طويلة ومستمرة دون أن تنهار.

الحل: رحلة تدريب سلسة
قرر المؤلفون في هذه الورقة، يو تيتينغ زو وفريقه، التوقف عن إجبار الذكاء الاصطناعي على الاختيار. بدلاً من ذلك، بنوا مسار تدريب — طريقاً طويلاً ومتعرجاً يبدأ بـ "الارتجال الحر" وينحني بلطف نحو "البروفة الصارمة".

أطلقوا على هذه الطريقة اسم Stream Forcing. وإليك كيف تعمل، باستخدام استعارة بسيطة:

تخيل أن الذكاء الاصطناعي طالب يتعلم رسم جدارية طويلة ومستمرة.

• المرحلة 1: الإحماء (العينات المستقلة). في بداية التدريب، يُسمح للطالب برسم كل قسم من الجدار بشكل مستقل تماماً. يمكنه رسم الجانب الأيسى بألوان حمراء زاهية والجانب الأيمن بألوان زرقاء باردة، دون أي اعتبار لكيفية اتصالهما. هذا يعلم الطالب أساسيات الرسم ويمنحه تنوعاً هائلاً من الألوان للعمل بها.
• المرحلة 2: الجسر (الانتقال المنهجي). هذا هو الجزء السحري. يبدأ المعلم (خوارزمية Stream Forcing) ببطء في إعطاء الطالب تلميحات. "مهلاً، لاحظ كيف يمتزج اللون الأحمر على اليسار مع الأزرق على اليمين؟ دعنا نحاول جعل هذا الاتصال أكثر سلاسة". المعلم لا يغير القواعد فجأة؛ بل يدفع الطالب، إطاراً تلو الآخر، ليبدأ في الانتباه لجيرانه. يستخدمون أداة رياضية خاصة (Gaussian Copula) للتأكد من أن أنماط الضوضاء في إطار واحد مرتبطة بلطف بالإطار التالي، مثل سلسلة من قطع الدومينو التي تسقط.
• المرحلة 3: الأداء (العينات المتوافقة مع الاستدلال). بحلول نهاية التدريب، يكون الطالب قد تطور طبيعياً. لم يعد يرسم مجرد بقع عشوائية غير مترابطة، بل أصبح يرسم جدارية سلسة ومتدفقة حيث تعرف كل ضربة فرشاة بدقة ما ستكون عليه الضربة التالية. إنه مستعد للأداء في العالم الحقيقي، وتوليد تدفقات فيديو سلسة ومتسقة وعالية الجودة.

"الخلطة السرية": المعايرة المشتركة
للتأكد من أن هذا الانتقال لا يبدو كقفزة مفاجئة (التي قد تربك الذكاء الاصطناعي)، اخترع الباحثون خوارزمية "المعايرة المشتركة" (Joint Calibration). فكر في هذا كقائد أوركسترا؛ إذا ارتفع صوت الكمان بينما انخفض صوت الطبول، ستبدو الموسيقى سيئة. القائد (الخوارزمية) يتحقق باستمرار من مستوى الصوت (مستوى الضوضاء) لكل آلة (كل إطار فيديو) لضمان أن الجميع يعزفون بمستوى متوازن ومتسق مع تغير الموسيقى. هذا يضمن عدم تعرض الذكاء الاصطناعي للارتباك بسبب نوع واحد من البيانات بينما يتجاهل نوعاً آخر.

النتائج: معيار جديد
عندما وضعوا Stream Forcing تحت الاختبار، كانت النتائج مبهرة.

• في اختبار UCF-101 (وهو اختبار قياسي لتوليد الفيديو)، حسنت طريقتهم درجة الجودة بنسبة 36.6% مقارنة بأفضل الطرق الموجودة.
• اختبروا أيضاً ما إذا كان بإمكان الذكاء الاصطناعي التعامل مع المهام "طويلة الأمد" — توليد فيديوهات أطول بكثير مما تدرب عليه. هذا يشبه طلب أداء رقصة منفردة لمدة 10 دقائق من راقص تدرب فقط على رقصات مدتها دقيقة واحدة. وقد نجح Stream Forcing في ذلك، حيث حسن جودة هذه الفيديوهات الطويلة بنسبة 27.9%.
• حتى أنهم جربوا ذلك على محاكاة القيادة الذاتية (باستخدام مجموعة بيانات nuScenes)، حيث كان على الذكاء الاصطناعي التنبؤ بما ستراه السيارة تالياً. عملت الطريقة هناك أيضاً، منتجة فيديوهات قيادة أكثر وضوحاً ودقة من النماذج السابقة.

لماذا هذا مهم؟
تشير الورقة إلى أن المفتاح لجعل الذكاء الاصطناعي قادراً على توليد تدفقات فيديو عالية الجودة ولا نهائية ليس اختيار استراتيجية تدريب واحدة، بل إنشاء مسار متطور وسلس يجمع بين أفضل ما في العالمين. ومن خلال معاملة عملية التدريب كرحلة وليس كوجهة نهائية، يسمح Stream Forcing للذكاء الاصطناعي بتعلم تنوع العالم مع إتقان الاتساق اللازم للتنقل فيه. إنه تذكير بأن أفضل طريقة للوصول من النقطة أ إلى النقطة ب ليست دائماً خطاً مستقيماً، بل منحنىً مدروساً وسلساً.