تخيل أنك تحاول تعليم روبوت الرقص. تعطي الروبوت صورة لشخص وتدفقاً من حركات الرقص، وتريد منه أن ينشئ فوراً فيديو لهذا الشخص وهو يؤدي الرقصة. هذا هو عالم "التحريك البشري الموجه بالوضعية" (pose-driven human animation). لفترة طويلة، كانت أفضل الروبوتات قادرة على فعل ذلك فقط في "وضع عدم الاتصال" (offline mode). فكر في الأمر كخبز كعكة معقدة: تخلط المكونات، وتنتظر ساعات حتى ترتفع، ثم تخبزها، وأخيراً تقدمها. إذا أردت تغيير حركة الرقص، فسيتعين عليك بدء عملية الخبز بأكملها من جديد. هذا أمر رائع لصناعة الأفلام، ولكنه سيء جداً للبث المباشر أو ألعاب الفيديو حيث تحتاج إلى أن يستجيب الروبوت الآن. كان التحدي الكبير هو جعل الروبوت ذكياً للغاية (ليبدو واقعياً ويحافظ على الاتساق) وسريعاً للغاية (ليواكب البث المباشر) دون أن يتفكك الفيديو بعد بضع دقائق.

إليك LiveAnimate، وهو نظام جديد يجسّر هذه الفجوة أخيراً. لقد بنى الباحثون "راقصاً رقمياً" يمكنه إنشاء فيديو لشخص يرقص في الوقت الفعلي، كتلة تلو الأخرى، مع الحفاظ على وجه الشخص وملابسه كما هي تماماً طوال مدة البث. إنه يشبه امتلاك محرك دمى حي لا يتعب أبداً، ولا ينسى أب Never شكل الدمية، ويمكنه مواصلة العرض لساعات دون أن يذوب وجه الدمية أو يتغير لون ملابسها. تُظهر الورقة البحثية أن هذا النظام يمكنه العمل بسرعة تقارب 20 إطاراً في الثانية (وهو ما يعطي شعور الحركة في الوقت الفلي) على أجهزة كمبيوتر قوية، مع الحفاظ على جودة عالية لمدة ثلاث دقائق متواصلة، وهو إنجاز لم تستطع الطرق السابقة القيام به، فإما لم تكن قادرة على العمل في الوقت الفعلي أو كانت ستستغرق ساعات للحوسبة.

الخدعة السحرية: كيف يعمل؟

لفهم كيف ينفذ LiveAnimate هذه الخدعة، علينا النظر في المكونات الثلاثة الرئيسية التي يمزجها معاً: عقل فائق الذكاء، وروتين تدريب خاص، وحيلة ذاكرة ذكية.

1. العقل: محول فيديو عملاق (Video Transformer)
في قلب النظام يوجد نموذج ذكاء اصطناعي ضخم يسمى "محول الانتشار" (Diffusion Transformer أو DiT) بـ 14 مليار معلمة (parameter). تخيل هذا كأنه مكتبة ضخمة لكل طريقة ممكنة يمكن أن يتحرك بها جسم الإنسان ويبدو عليها. عادةً ما تكون هذه المكتبات "ثنائية الاتجاه"، مما يعني أنها يمكنها النظر إلى المستقبل والماضي لفهم المشهد. لكن بالنسبة للبث المباشر، لا يمكنك النظر إلى المستقبل؛ يمكنك فقط الاستجابة لما يحدث الآن. اضطر الباحثون إلى إعادة تدريب هذا العقل الضخم ليكون "سببياً" (causal)، مما يعني أنه ينظر فقط إلى الماضي والحاضر، تماماً مثل إنسان يشاهد رقصة في الوقت الفعلي.

2. التدريب: مرحلتان من التعلم
لا يمكنك مجرد إخبار عقل بـ 14 مليار معلمة بأن "يذهب للبث المباشر" وتتوقع أن يعمل. تصف الورقة عملية تدريب مكونة من مرحلتين لتجهيزه:

• المرحلة 1 (المعلم): أولاً، يعلمون النموذج باستخدام "الإجبار المعلم المرتكز على المرجع" (Reference-Anchored Teacher-Forcing). تخيل معلماً يمسك بنص مثالي (الحقيقة الأرضية/ground truth) ويوجه الطالب (الذكاء الاصطناعي) خلال الرقصة، كتلة تلو الأخرى. يتعلم الطالب نسخ الحركات بدقة مع وضع الصورة المرجعية في اعتباره دائماً ليبقى الراقص يبدو كالشخص الصحيح.
• المرحلة 2 (سباق السرعة): المرحلة الأولى لا تزال بطيئة جداً للوقت الفعلي. لذا، في المرحلة الثانية، يستخدمون تقنية تسمى "تقطير التدمج الذاتي عبر الكتل" (Block-wise Self-Forcing Distillation). هذا يشبه أخذ الطالب، وتركه يتدرب على الرقص بمفرده دون المعلم، ثم تصحيح الحركة الحالية التي يقوم بها الآن فقط. هذا يسمح للنموذج بالتعلم من أخطائه دون الحاجة لتذكر التاريخ الكامل للرقصة في ذاكرته دفعة واحدة. النتيجة؟ يتعلم النموذج توليد فيديو عالي الجودة في 3 خطوات فقط بدلاً من الـ 50 المعتادة، مما يجعله سريعاً بما يكفي للعمل في الوقت الفعلي.

3. حيلة الذاكرة: مجمع استرداد الوضعية (Pose-Retrieval Sink)
هذا هو الجزء الأكثر إبداعاً. إذا طلبت من كمبيوتر تذكر فيديو مدته 3 دقائق، فسيستهلك الذاكرة عادةً أو يبدأ في الارتباك. إذا اتخذ الراقص وضعية قام بها قبل دقيقتين، فقد ينسى النظام العادي كيف بدا في تلك الوضعية بالضبط، مما يؤدي إلى خلل غريب أو جعل الوجه يبدو مختلفاً قليلاً.

يحل LiveAnimate هذه المشكلة بنظام ذاكرة ذكي يسمى Pose-Retrieval Sink Attention (PR-Sink). تخيل أن لدى الذكاء الاصطناعي دفتر ملاحظات لاصق صغير (نافذة متدحرجة/Rolling Window) يحمل فقط الثواني القليلة الأخيرة من الرقصة. لكن لديه أيضاً "مكتبة وضعيات" (Memory Bank) حيث يخزن لقطات لوضعيات محددة رآها من قبل.

• المجمع الثابت (Static Sink): هذا هو المرساة الدائمة. فهو يبقي الإطار الأول من الفيديو مثبتاً في الذاكرة للأبد، مما يضمن عدم انحراف هوية الراقص بعيداً.
• المجمع الديناميكي (Dynamic Sink): هذا هو السحر. عندما يتخذ الراقص وضعية تطابق واحدة في "مكتبة الوضعيات"، يقوم النظام فوراً بجلب "الملاحظة اللاصقة" من تلك اللحظة الماضية ولصقها في المشهد الحالي. الأمر يشبه أن يتذكر الراقص فجأة: "أوه، لقد قمت بهذه الحركة قبل دقيقتين، وبدت رائعة حينها!" وينسخ ذلك المظهر بدقة فوراً. يحدث هذا دون أن يحتاج النظام لتذكر الفيديو الكامل لمدة 3 دقائق، مما يحافظ على استخدام الذاكن ثابتاً مهما طال البث.

النتائج: سريع، مستقر، وواقعي

اختبر الباحثون LiveAnimate على تسلسل رقص مدته ثلاث دقائق. كانت النتائج مذهلة. بينما استغرقت الأنظمة الأخرى إما ساعتين إلى 5 ساعات لتوليد نفس المقطع أو بدأت في التدهور (يصبح الوجه ضبابياً، أو تتغير ألوان الملابس، أو تتبدل الهوية) بعد دقيقة واحدة، حافظ LiveAnimate على جودة ثابتة من الثانية الأولى وحتى الأخيرة.

• السرعة: يعمل بسرعة تقارب 19.63 إطاراً في الثانية على وحدتي معالجة رسوميات NVIDIA H100 عالية الأداء. هذا سريع بما يكفي ليشعر المستخدم بالتفاعل الحي.
• الاتساق: حافظ النظام على درجة شبه مثالية للجودة البصرية واتساق الهوية طوال الدقائق الثلاث. في المقابل، شهدت الطرق الأخرى انخفاضاً كبيراً في الجودة مع زيادة طول الفيديو.
• الكفاءة: يظل استخدام الذاكرة ثابتاً سواء كان الفيديو 10 ثوانٍ أو 10 دقائق، بفضل حيلة "مكتبة الوضعيات" الذكية.

ما الذي لا يفعله (بعد)

توضح الورقة البحثية بعناية ما لا يفعله هذا النظام حالياً. فهو يولد الفيديو حالياً بدقة 480×480 بكسل، وهي دقة جيدة للشاشات ولكنها ليست بجودة سينما هوليوود. كما أنه يركز على مشاهد الشخص الواحد ولا يتعامل بعد مع عدة أشخاص يرقصون معاً أو حركات كاميرا معقدة. يقترح المؤلفون أن دفع هذه الحدود نحو دقة أعلى ومشاهد أكثر تعقيداً هو الخطوة التالية للعمل المستقبلي.

لماذا هذا مهم؟

يمثل LiveAnimate نقطة تشغيل جديدة للذكاء الاصطناعي. فهو يثبت أنه ليس علينا الاختيار بين "الجودة العالية" و"السرعة في الوقت الفعلي". من خلال الجمع بين عقل ذكاء اصطناعي ضخم ونظام ذاكرة ذكي ومحدود، نجح الباحثون في إنشاء أداة يمكنها تشغيل الجيل القادم من الصور الرمزية (avatars) التفاعلية، والحفلات الموسيقية الافتراضية الحية، وأنظمة التواجد عن بُعد حيث يمكن للإنسان الرقمي أن يرقص، ويتحدث، ويتفاعل معك فوراً، دون أن ينسى أبداً من هو.