Evaluation Resolution Confounds Learning-Rule Comparisons in Model-Brain RSA of Early Visual Cortex

تخيل أنك تحاول تعليم روبوت كيف يرى العالم كما يفعل البشر. العلماء في مجال يُسمى "الذكاء الاصطناوي العصبي" (NeuroAI) مهووسون بهذا السؤال: "ما هي أفضل مجموعة من القواعد لتعليم الكمبيوتر كيفية التعرف على قطة أو سيارة؟" لديهم عدة "كتب قواعد" للاختيار من بينها. أحدها هو الطريقة القياسية فائقة الكفاءة المستخدمة في معظم أنظمة الذكاء الاصطناعي الحديثة (تُسمى الانتشار العكسي أو backpropagation). أما الطرق الأخرى فهي "قواعد قابلة للمحاكاة بيولوجياً"، وهي تحاول محاكاة كيفية تعلم الأدمغة الحقيقية، مثل كيفية استجابة الخلايا العصبية للتوقيت أو كيفية تنبؤ الدماغ بما سيراه تالياً.

ولمعرفة أي كتاب قواعد يعمل بشكل أفضل، يستخدم الباحثون حيلة ذكية تسمى "تحليل التشابه التمثيلي" (RSA). فكر في الأمر كأنها لعبة "تخمين الروابط". إنهم يأخذون "أفكار" الروبوت الداخلية (تمثيلاته الرقمية) حول صورة ما، ويقارنونها بالنشاط الكهربائي الفعلي في دماغ بشري أثناء النظر إلى نفس الصورة. إذا كانت أفكار الروبوت تتطابق مع نشاط الدماغ بشكل وثيق، فإننا نقول إن لدى الروبوت فهماً "شبيهاً بالدماغ". والأمل الكبير هو أنه من خلال إيجاد القاعدة التي تجعل الروبوت أكثر شبهاً بالدماغ، قد نتمكن أخيراً من فك شفرة الرؤية البشرية. لكن هناك عقبة: الدماغ الحقيقي معقد للغاية، والروبوتات التي يمكننا تدريبها حالياً باستخدام هذه القواعد البيولوجية المتطورة لا تزال صغيرة وبسيطة.

هذه الورقة البحثية تكشف الستار عن فخ خفي في هذه المقارنات. فقد اكتشف الباحث أن الإجابة على سؤال "أي قاعدة هي الأفضل؟" تتغير تماماً اعتماداً على شيء واحد: حجم الصورة التي تعرضها على الروبوت. فقد تبين أنه عندما يقارن العلماء هذه الروبوتات الصغيرة المستوحاة بيولوجياً بالدماغ البشري، فإنهم غالباً ما يستخدمون صوراً عالية الدقة وتفصيلية (مثل 224 بكسل عرضاً) لاختبارها، رغم أن الروبوتات تم تدريبها فقط على صور صغيرة وضبابية (32 بكسل). وتجد الدراسة أن هذا عدم التطابق يخلق وهماً سحرياً. فعند اختبارهم على صور كبيرة وتفصيلية، يبدو الربح غير المدرب (العشوائي) فجأة وكأنه يمتلك قدرة تضاهل، أو حتى تتفوق على، الروبوت الذكي المدرب في فهم الأجزاء المبكرة من النظام البسكري. يوضح المؤلف أن هذا ليس لأن الروبوت العشوائي عبقري في السر، بل لأن طريقة قياسنا هي المتحيزة بحجم الصورة.

فخ الدقة (The Resolution Trap)

الاكتشاف الجوهري هنا هو أن "الفائز" في مسابقة مطابقة الدماغ يعتمد كلياً على دقة صور الاختبار. تخيل أنك تحكم في مسابقة طبخ؛ لديك طاهٍ تدرب على صنع طبق في مقلاة صغيرة بحجم 3 بوصات، ولديك شخص عشوائي قام فقط برمي المكونات في وعاء دون طهيها. إذا طلبت منهما تقديم الطبق على صينية ضخمة بطول قدمين، فقد يبدو الشخص العشوائي أفضل بالصدفة لأن الصينية الضخمة ستخفي حقيقة أن الطعام نيء. ولكن إذا قدمت لهما الطعام في نفس المقلاة الصغيرة ذات الـ 3 بوصات التي تدرب عليها، فسيلمع الطاهي المدرب، وسيبدو الشخص العشوائي سيئاً للغاية.

في هذه الدراسة، "المقلاة الصغيرة" هي دقة الـ 32 بكسل التي تدربت عليها الروبوتات، و"الصينية الضخمة" هي دقة الـ 224 بكسل التي تُستخدم غالباً لاختبارهم مقابل بيانات الدماغ. عندما اختبر الباحث الروبوتات على نفس حجم الـ 32 بكسل الذي تعلمت عليه، كانت الروبوتات المدربة (باستخدام الانتشار العكسي) أفضل قليلاً من غير المدربة، تماماً كما تتوقع. ولكن عندما انتقلوا إلى الصور الأكبر حجماً (224 بكسل)، انقلبت النتائج. فجأة، بدا الشبكة العشوائية غير المدربة أكثر شبهاً بالقشرة البصرية المبكرة (V1) في الدماغ البشري من الشبكة المدربة. بل إن الفجوة بينهما نمت باستمرار مع زيادة حجم الصورة، حيث انتقلت من فرق ضئيل قدره (-0.001) عند 32 بكسل إلى فرق كبير قدره (+0.044) عند 224 بكسل.

استبعاد المشتبه بهم

لم يتوقف المؤلف عند اكتشاف المشكلة فحسب؛ بل لعب دور المحقق لمعرفة سبب حدوث ذلك. كان لديه أربعة مشتبه بهم رئيسيين، وقد تبرأ من جميعهم واحداً تلو الآخر.

أولاً، اشتبهوا في أنها مجرد مشكلة "عدم تطابق": رب maybe الروبوتات المدربة تؤدي بشكل أسوأ عندما تُعرض عليها صور لم تتدرب عليها. ولاختبار ذلك، جربوا روبوتات تم تدريبها بالفعل على الصور الكبيرة (224 بكسل) (مثل ResNet-50 وSwin-Tiny transformer). لو كانت نظرية عدم التطابق صحيحة، لكانت هذه الروبوتات الكبيرة المدربة هي الأفضل عند دقة 224 بكسل. لكنها لم تكن كذلك؛ فقد أدت بشكل أفضل عند الدقات المنخفضة وساء أداؤها كلما زاد حجم الصور. لذا، لم يكن الأمر مجرد التدريب على الحجم الخاطئ.

ثانياً، بحثوا في إعدادات الروبوت "غير المدرب". غالباً ما تكون إعدادات "التطبيع" (normalization) في الروبوتات غير المدربة (والتي تساعد في موازنة البيانات) مضبوطة على قيم افتراضية، بينما تمتلك الروبوتات المدربة إعدادات متعلمة. اعتقد المؤلف أن هذا الإعداد الافتراضي قد يكون هو السر. قاموا بتعديل إعدادات الروبوت غير المدرب يدوياً لتتطابق تماماً مع بيانات التدريب. وحتى مع هذه الإعدادات المثالية، ظل الروبوت غير المدرب يتفوق على المدرب عند الدقات العالية. لذا، لم يكن خللاً في الإعدادات.

ثالثاً، تحققوا مما إذا كانت الروبوتات تحاكي مجرد أنماط بصرية بسيطة، مثل الطريقة التي تظهر بها بقع الضوء والظلام (مرشحات غابور - Gabor filters) أو البكسلات الخام. وجدوا أن الروبوتات التي تشبه هذه الأنماط البسيطة لم تكن بالضرى هي الأكثر شبهاً بالدماغ. في الواقع، بدا أحد الروبوتات المدربة "شبيهاً بغابور" جداً، ومع ذلك لم يتطابق جيداً مع الدماغ. لذا، لم تكن الأنماط البسيطة هي القصة بأكملها.

رابعاً، فكروا في أنه مع كبر حجم الصورة، يقوم الروبوت بعمل متوسط لعدد أكبر من البكسلات، مما قد يجعل إجابته النهائية مجرد مقياس بسيط للسطوع العام للصورة. وجدوا أن رقماً واحداً يمثل متوسط سطوع الصورة طابق بيانات الدماغ بنفس جودة الروبوت غير المدرب تقريباً. كان هذا دليلاً كبيراً: الروبوت غير المدرب كان يقوم بالكثير من "المطابقة" بمجرد التخمين بناءً على السطوع. ومع ذلك، حتى بعد أخذ السطوع في الاعتبار، لم يختفِ تأثير الدقة تماماً.

الجاني الحقيقي: تفاصيل الصورة

لإيجاد السبب الحقيقي، أجرى المؤلف تجربة أخيرة وذكية. أخذوا الصور الكبيرة، وقاموا بتقليصها إلى حجم الـ 32 بكسل الصغير (لتحديد التفاصيل)، ثم أعادوا تكبيرها إلى الحجم الكبير. هذا يعني أن الروبوت كان لا يزال ينظر إلى صورة كبيرة ويقوم بعمل متوسط لعدد كبير من البكسلات، ولكن المعلومات الفعلية في الصورة ظلت محصورة في الدقة المنخفضة.

كانت النتيجة دراماتيكية. عندما تم تحديد التفاصيل عند دقة التدريب، توقفت الروبوتات المدربة عن التدهور مع زيادة حجم الصورة. واختفت الفجوة الكبيرة بين الروبوتات المدربة وغير المدربة تقريباً. أثبت هذا أن التأثير لم يكن ناتجاً عن رؤية الروبوت لعدد أكبر من البكسلات (الدمج/pooling)، بل بسبب رؤية الروبوت لـ تفاصيل أكثر لم يتعلم التعامل معها. التفاصيل الإضافية في الصور عالية الدقة كانت تضر الروبوتات المدربة وتفيد الروبوتات العشوائية، لكن المؤلف يعترف بأنهم لا يفهمون تماماً لماذا تستفيد المرشحات العشوائية من هذه التفاصيل الإضافية بينما تعاني المرشحات المدربة.

ما الذي يهم حقاً

تنتهي الورقة بلمحة مطمئنة. بينما كان الجزء المبكر من النظام البصري (V1) يتشتت بسبب حجم الصورة، فإن الأجزاء الأعلى من الدماغ (تسمى LOC) حكت قصة مختلفة. في هذه المستويات العليا، تفوقت الروبوتات المدربة باستمرار على غير المدربة، بغض النظر عن حجم الصورة. هذا يعني أن التعلم يغير بالفعل الطبيعة الشبيهة بالدماغ للشبكة، لكن "ضجيج" دقة الصورة كان يحجب الإشارة في المراحل المبكرة.

الخلاصة الرئيسية هي تحذير للعلماء: إذا كنت تريد معرفة أي قاعدة تعلم هي الأفضل، فعليك أن تكون حذراً جداً بشأن حجم الصور التي تستخدمها للاختبار. "الفائز" ليس خاصية ثابتة للقاعدة؛ بل هو نتيجة لكيفية اختيارك لقياسها. وحتى يتفق العلماء على طريقة معيارية لمطابقة حجم الصورة مع منطقة الدماغ التي يدرسونها، فإن المقارنات عند القشرة البصرية المبكرة قد تكون مضللة. تقترح الورقة أنه يجب علينا الاختبار عند الدقة التي تدرب عليها النموذج، وذكر تلك الدقة بوضوح، حتى لا نقع في فخ الدقة.