Avatar-Forever: Decoupled Parallel Training for High-Quality Real-Time Infinite Avatars
يُعد Avatar-Forever إطار عمل تدريب متوازي ومنفصل يجمع بين التقطير كامل المعلمات للحصول على جودة بصرية عالية وبين مُكيِّف خفيف الوزن طويل الأمد يتم تدريبه عبر تدريب التدحرج الموجه بالاسترداد، مما يتيح توليد أفاتار مدفوع بالصوت بشكل مستقر وفي الوقت الفعلي ولأمد غير محدود على وحدة معالجة رسومية واحدة من نوع H100.
البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالماً يمكنك فيه التحدث إلى صديق رقمي يبدو، ويتحرك، ويتحدث تماماً مثل الشخص الحقيقي، وإلى الأبد. هذا ليس مجرد حلم من أفلام الخيال العلمي؛ بل هو هدف مجال يسمى الحوسبة المرئية (visual computing)، حيث يعلم العلماء الحواسيب كيفية فهم وإنشاء الصور المتحركة. وللقيام بذلك، يستخدم الباحثون نماذج الذكاء الاصطناعي (AI models) — وهي عقول رقمية ضخمة تم تدريبها على ملايين الفيديوهات — لتعلم كيف يبدو البشر وكيف يتحركون. أحد التحديات الرئيسية في هذا المجال هو توليد الفيديو المتدفق (streaming video generation). فكر في الأمر كأنه سباق تتابع: يقوم الكمبيوتر بتوليد بضع ثوانٍ من الفيديو، ثم يستخدم هذه النتيجة كنقطة انطلاق للثواني القليلة التالية، وهكذا. المشكلة هي أنه إذا ارتكب الكمبيوتر خطأً طفيفاً في الثواني الأولى، فإن هذا الخطأ ينتقل عبر الخط، ويكبر ويصبح أكثر غرابة مع كل خطوة، حتى يبدأ الشخص الرقمي في الذوبان أو نسيان هويته. تعالج هذه الورقة البحثية مشكلة الحفاظ على المظهر المثالي والتمثيل الطبيعي للبشر الرقميين، حتى عندما يتحدثون لساعات دون توقف.
أدرك الباحثون وراء Avatar-Forever أن محاولة إصلاح مشكلة "سباق التتابع" هذه باستخدام الطرق القديمة كان يشبه محاولة تعليم طالب الجري بسرعة وعدم التعثر في نفس الوقت باستخدام خطة درس واحدة مربكة. كانت الطريقة القديمة تحاول حشر هدفين مختلفين تماماً في عملية تدريب واحدة: جعل توليد الفيديو فائق السرعة (ليشعر بأنه في الوقت الفقيقي) وجعله فائق المتانة (حتى لا ينهار بعد دقيقة واحدة). ويرى المؤلفون أن هذين الهدفين يتصارعان في الواقع؛ فإذا ركزت كثيراً على السرعة، سيصبح الفيديو مهتزاً، وإذا ركزت كثيراً على إصلاح الأخطاء، سيصبح التوليد بطيئاً جداً.
لذا، بدلاً من إجبار الكمبيوتر على تعلم المهاراتتين معاً، قامت Avatar-Forever بتقسيم التدريب إلى مسارين منفصلين ومتوازيين. تخيل صالة ألعاب رياضية رقمية بمسارين مختلفين. في المسار الأول، فرع الكفاءة (Efficiency Branch)، يتدرب الذكاء الاصطناعي على الجري لمسافات قصيرة (سبرينت). يتعلم توليد فيديو عالي الجودة في خطوات قليلة فقط، مع التركيز حصرياً على السرعة والمظهر الجيد على المدى القصير. أما في المسار الثاني، فرع المتانة (Robustness Branch)، فيتدرب الذكاء الاصطناعي على مهارة مختلفة: الاستعادة. هنا، يقوم الباحثون بتعمد إفساد نقطة البداية للذكاء الاصطناعي — عن طريق تشويه الصورة، أو إضافة ضجيج، أو إخفاء أجزاء من الوجه — ثم يطلبون من الذكاء الاصطناعي توليد الثواني القليلة التالية على أي حال. يُسمى هذا التدريب على التتابع الموجه نحو الاستعادة (Recovery-oriented Rollout Training - RRT). إنه يشبه تعليم لاعب الجمباز القيام بشقلبة خلفية مثالية حتى لو تعثر في الخطوة الأولى. يتعلم الذكاء الاصطعي كيفية إصلاح أخطائه أثناء حدوثها، بدلاً من مجرد الأمل في عدم وقوعها.
بمجرد تدريب الذكاء الاصطناعي على كلا المسارين، يقوم الباحثون بدمج المهاراتين. يأخذون العداء السريع وخبير الاستعادة ويدمجونهما في رياضي خارق واحد. يمكن لهذا الـ "أفاتار" الجديد توليد الفيديو في الوقت الفعلي، وفي الوقت نفسه يكون قوياً بما يكفي للتعامل مع ساعات من الكلام دون فقدان هويته أو اتزانه. ولجعل هذا أسرع، قدموا حيلة ذكية تسمى ForeverCache. عادةً، في كل مرة يولد فيها الذكاء الاصطناعي جزءاً جديداً من الفيديو، يتعين عليه إعادة قراءة التاريخ الكامل لما صنعه للتو، وهو ما يشبه إعادة قراءة كتاب كامل في كل مرة تكتب فيها جملة جديدة. ForeverCache يشبه علامة مرجعية ذكية؛ فهو يتذكر الأجزاء المستقرة من القصة (الخلفية، وجه الشخص) بحيث لا يضطر الذكاء الاصطناعي لإعادة حسابها في كل مرة. إنه يركز فقط على الكلمات الجديدة التي تُكتب الآن.
النتائج مبهرة. فبناءً على نموذج أساسي للفيديو يحتوي على 22 مليار معلمة (parameter)، يمكن لـ Avatar-Forever توليد فيديوهات عالية الدقة (768 × 512 بكسل) بسرعة 27.2 إطاراً في الثانية على بطاقة رسوميات واحدة من نوع H100. وهذا سريع بما يكفي للتفاعل في الوقت الفعلي. وفي الاختبارات، تمكن النظام من جعل الـ "أفاتار" الرقمي يتحدث بشكل طبيعي لأكثر من 11 دقيقة دون أن يذوب الوجه، أو ينحرف الصوت، أو تصبح الحركات آلية. وبينما بدأت الطرق الأخرى في إظهار "انحراف الهوية" (حيث يبدو الشخص كأنه شخص آخر) أو حركات متكررة ومتيبسة بعد فترة من الوقت، حافظ Avatar-Forever على اتساق الشخصية وانسيابية الحركة. كما أنشأ الفريق مجموعة بيانات اصطناعية بالكامل لتدريب النموذج، مما يعني أنهم ولدوا فيديوهات التدريب بأنفسهم باستخدام الذكاء الاصطناعي لضمان الجودة المثالية والمحاذاة، وتجنب فوضى فيديوهات الإنترنت الواقعية.
تشير الورقة البحثية إلى أن نهج "المسار المنقسم" هذا هو طريقة أفضل لبناء بشر رقميين طويلي الأمد مقارنة بالطرق المتداخلة القديمة. فمن خلال فصل الحاجة إلى السرعة عن الحاجة إلى الاستقرار، وجد الباحثون مساراً عملياً لإنشاء بشر رقميين يمكنهم التحدث، أو التدريس، أو الترفيه عنا إلى ما لا نهاية، دون العيوب الرقمية التي تفسد الإيهام عادةً. وبينما تم تحسين النظام حالياً للخوادم القوية وليس لأجهزة الكمبيوتر المنزلية بعد، إلا أنه يفتح الباب أمام مستقبل يمكن فيه لرفاقنا الرقميين أن يكونوا معنا طالما احتجنا إليهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.