تخيل أنك تحاول تعليم فنان سحري وخفي أن يرسم لوحة بناءً على وصف تعطيه له. تقول له: "ارسم قطة تجلس على سجادة حمراء"، فيرسم الفنان لوحة فنية رائعة. ولكن بعد ذلك، تطلب منه صورة ثانية بنفس الكلمات تماماً، وفجأة تصبح القطة زرقاء، وتختفي السجادة، وتصبح القطة عائمة في الفضاء. هذا هو الواقع الحالي لتقنية "تحويل الصورة إلى فيديو" (Image-to-Video) في الذكاء الاصطناعي. هذه برامج حاسوبية قوية يمكنها تحويل صورة واحدة وجملة إلى فيديو متحرك. إنها تشبه آلات الأحلام، قادرة على خلق أي شيء يمكنك تخيله. ومع ذلك، فهي أيضاً غير متوقعة للغاية. إنها تعمل بنوع من الحظ، مما يعني أنك إذا غيرت إعداداً صغيراً أو حتى مجرد الانتظار لثانية واحدة قبل الضغط على "توليد" (generate)، فقد تكون النتيجة مختلفة تماماً. بالنسبة للمبدعين المحترفين الذين يحتاجون لصنع مشهد محدد لفيلم أو إعلان، فإن نهج "رمي النرد" هذا يمثل كابوساً. لا يمكنهم مجرد الأمل في الحصول على الأفضل؛ بل يحتاجون إلى معرفة أن الذكاء الاصطناعي سينفذ ما يطلبونه بالضبط، في كل مرة.

تقدم هذه الورقة طريقة جديدة لترويض هؤلاء الفنانين الرقميين الجامحين. بدلاً من مجرد طلب "المحاولة مرة أخرى" مراراً وتكراراً حتى يحدث شيء جيد (وهي عملية تسمى التجربة والخطأ)، قام المؤلفون ببناء نظام ذكي ذاتي التصحيح يطلقون عليه اسم "التحسين الذاتي الوكيل" (Agentic Self-Improvement). فكر في الأمر كأنك تعطي الذكاء الاصطناعي محرراً صارماً وذكياً جداً ونظام تحديد مواقع (GPS). النظام لا يخمن فحسب؛ بل يخطط. إنه يفكك طلبك إلى قائمة مراجعة من أسئلة محددة، ويتحقق من الفيديو الذي صنعه مقابل قائمة المراجعة هذه، ثم يعيد كتابة طلبك أو يعدل الإعدادات لإصلاح أي أخطاء. يقوم بذلك في حلقة مستمرة، ويتحسن أكثر فأكثر حتى يتطابق الفيديو مع رؤيتك تماماً. والنتيجة هي طريقة تحول إنشاء الفيديو من لعبة حظ إلى عملية موثوقة وخطوة بخطوة، مما يجعل من السهل جداً الحصول على الفيديو الذي تريده بالضبط دون إضاعة ساعات من وقت الكمبيوتر.

المشكلة: صانع الفيديو الذي "يرمي النرد"

تخيل أنك مخرج تحاول تصوير مشهد لثلاث نساء يجلسن على درجات مبنى. لديك صورة للمبنى وتكتب أمراً (prompt): "مجموعة من النساء يجلسن على درجات مبنى". تضغط على الزر، فيقوم الذكاء الاصطناعي بتوليد فيديو. ولكن عندما تشاهد الفيديو، تجد شيئاً خاطئاً. ربما تمتلك إحدى النساء ستة أصابع، أو يتغير لون جدار المبنى في منتصف المقطع، أو تختفي النساء وتظهر كالأشباح.

يحدث هذا لأن نماذج فيديو الذكاء الاصطناعي الحالية هي "صناديق سوداء". إنها قوية، لكنها أيضاً "عشوائية" (stochastic)، وهي كلمة منمقة تعني "عشوائي". حتى لو كتبت نفس الكلمات تماماً واستخدمت نفس الصورة، فقد يعطيك الذكاء الاصطناعي فيديو مختلفاً تماماً في كل مرة بسبب إعدادات صغيرة غير مرئية تسمى "البذور" (seeds) و"مقاييس التوجيه" (guidance scales). للحصول على الفيديو المثالي، يضطر المبدعون حالياً لاستخدام طريقة "القوة الغاشمة": حيث يقومون بتوليد عشرات أو مئات الفيديوهات، آملين أن يكون أحدها صحيحاً. الأمر يشبه محاولة العثور على مفتاح محدد في كومة ضخمة من المفاتيح عن طريق التقاطها واحداً تلو الآخر فقط. إنه يستغرق وقتاً طويلاً، ويكلف الكثير من قدرة الكمبيوتر، وهو أمر محبط للغاية.

الحل: المحقق "الوكيل"

اقترح مؤلفو هذه الورقة طريقة أذكى. بد instead من توليد الفيديوهات بشكل أعمى، أنشأوا نظاماً يعمل كالمحقق أو المدرب. يطلقون عليه إطار عمل "التحسين الذاتي الوكيل" (Agentic Self-Improvement). يعمل في مرحلتين رئيسيتين، مثل رقصة من خطوتين لإتقان الفيديو.

المرحلة 1: مُحسِّن الأوامر (المحرر)
أولاً، ينظر النظام إلى طلبك الأصلي وصورتك. يستخدم ذكاءً اصطناعياً فائق الذكاء (يسمى نموذج لغة كبير متعدد الوسائط، أو mLLM) ليعمل كمحرر. هذا المحرر لا يقرأ كلماتك فحسب؛ بل يفككها إلى قائمة مراجعة محددة من الأسئلة.

• أسئلة الـ "DSG": هذه تشبه لغز المنطق. إذا قلت "نساء يجلسن على الدرجات"، يسأل الذكاء الاصطناعي: "هل النساء موجودات؟" "هل هن جالسات؟" "هل هن على الدرجات؟" "هل هناك مبنى؟"
• أسئلة الـ "CMQ": هذه تلتقط الأخطاء الغريبة التي يرتكبها الذكاء الاصطناعي غالباً. يسأل: "هل تظل وجوه النساء ثابتة؟" "هل أيديهن واقعية؟" "هل يختفين ويظهرن فجأة؟"

يقوم النظام بتوليد فيديو، ثم يشاهده الذكاء الاصطناعي "المحرر" ويجيب على هذه الأسئلة بـ "نعم" أو "لا". إذا قال الذكاء الاصطناعي "لا" لسؤال "هل النساء جالسات؟"، فإن النظام يعرف أن هناك خطأ ما. بعد ذلك، يعيد كتابة طلبك ليكون أكثر وضوحاً، مثل تغيير "نساء جالسات" إلى "ثلاث نساء يجلسن بثبات على الدرجات". يكرر هذه العملية، توليد وتحقق، حتى يجتاز الفيديو جميع الأسئلة.

المرحلة 2: مُحسِّن المعلمات الفائقة (المُضبط)
بمجرد أن يصبح الأمر (prompt) مثالياً، لا يزال النظام بحاجة إلى إيجاد "المقابض" الصحيحة لضبط آلة الذكاء الاصطناعي. هذه المقابض هي "البذرة" العشوائية (التي تحدد التفاصيل العشوائية المحددة) و"مقياس CFG" (الذي يحدد مدى التزام الذكاء الاصطناعي بتعليماتك).
بدلاً من التخمين، يستخدم النظام تقنية رياضية تسمى "التحسين البايزي" (Bayesian Optimization). تخيل أنك تحاول العثور على أكثر بقعة ساخنة على الشاطئ. البحث العشوائي سيكون مجرد ركض عشوائي في كل مكان. أما التحسين البايزي فهو يشبه امتلاك خريطة تتعلم من كل خطوة تخطوها. إذا كانت المياه باردة عند النقطة (أ)، فإن الخريطة تخبرك بالبحث بالقرب من النقطة (ب). يستخدم النظام هذا لإيجاد المزيج المثالي من البذرة والإعدادات التي تنتج أفضل فيديو، دون إضاعة الوقت في التوليفات السيئة.

كيف اختبروه: التصويت البشري

لرؤية ما إذا كان هذا يعمل حقاً، أجرى الباحثون اختباراً كبيراً. أخذوا 100 زوج مختلف من (الصورة والأمر) وطلبوا من نظامهم "الوكيل" صنع فيديوهات. وقارنوا هذه الفيديوهات بالفيديوهات المصنوعة بطريقة "البحث العشوائي" القديمة.

لم يعتمدوا فقط على أجهزة الكمبيوتر للحكم على الجودة؛ بل طلبوا من بشر حقيقيين مشاهدة الفيديوهات واختيار الفائز. وكانت النتائج واضحة:

• عندما سُمح للنظام بمحاولة 100 مرة (ميزانية 100 توليد)، فضّل البشر الفيديوهات التي صنعها نظامهم الذكي بنسبة 69% على الفيديوهات العشوائية.
• وحتى مع ميزانية أصغر مكونة من 10 محاولات فقط، فاز نظامهم بنسبة 47% من المرات، مقارنة بـ 14% فقط للطريقة العشوائية.

كما تحقق الورقة مما إذا كان الذكاء الاصطناعي "المحرر" جيداً حقاً في رصد الأخطاء. قارنوا إجابات الذكاء الاصطناعي بإجابات البشر في 100 مقطع فيديو. كانت دقة الذكاء الاصطنا ලෙස 92% في أسئلة المنطق (مثل "هل المرأة موجودة؟") و82% في أسئلة الحركة الصعبة. أثبت هذا المستوى العالي من الاتفاق أن الذكاء الاصطناعي يمكنه العمل كمحكم موثوق به.

ماذا يعني هذا

تشير الورقة إلى أنه من خلال التعامل مع إنشاء الفيديو كمسألة تحسين موجهة نحو هدف معين — حيث يتحقق الذكاء الاصطناعي من عمله باستمرار ويصلح نفسه — يمكننا تجاوز المرحلة "التخمينية" الحالية لإنشاء الفيديو. بدلاً من الأمل في الحصول على نتيجة سعيدة، يمكن للمبدعين استخدام هذا الإطار للحصول على فيديوهات عالية الجودة وموثوقة تلتزم برؤيتهم الأصلية.

يشير المؤلفون بحذر إلى أن هذا ليس عصا سحرية تحل كل المشكلات فوراً. فلا يزال النظام يستغرق وقتاً وقدرة حاسوبية لتشغيل الحلقات. كما أن الذكاء الاصطناعي "المحرر" لا يزال محدوداً بمدى قدرة الحواسيب الحالية على فهم الحركة والزمن المعقدين. ومع ذلك، توضح الدراسة أن هذا النهج "الوكيل" (Agentic) هو خطوة كبيرة للأمام. فهو يحول عملية إنشاء الفيديو الفوضوية القائمة على التجربة والخطأ إلى سير عمل منظم وقابل للتحكم، مما يجعل هذه الأدوات القوية أكثر فائدة للوظائف الواقعية مثل صناعة الأفلام والإعلانات.