تخيل أنك تحاول خبز الكعكة المثالية، ولكن بدلاً من خطوة واحدة، تتطلب الوصفة منك تحريك الخليط، وفحص درجة الحرارة، وتعديل الحرارة، وتذوقه مئات المرات على التوالي. هكذا تعمل "نماذج الانتشار" (diffusion models) الحديثة عندما تنشئ صوراً أو فيديوهات. فهي تبدأ بسحابة فوضوية من الضجيج الساكن (static noise) ثم تقوم ببطء، خطوة بخوة، بتنقيحها لتصبح صورة واضحة. إنها عملية جميلة، لكنها بطيئة للغاية وتستهلك طاقة حاسوبية كبيرة لأن النموذج يتعين عليه القيام بكمية هائلة من العمليات الحسابية لكل خطوة. ولتسريع ذلك، جرب العلماء حيلة ذكية: "التخزين المؤقت" (caching). فكر في الأمر كأنه مساعد طباخ ذكي يدرك أنه إذا لم يتغير الخليط كثيراً منذ آخر عملية تحريك، فلا داعة لتذوقه مرة أخرى؛ يمكنك ببساال تخمين أنه كما هو. هذا يوفر الوقت، لكن الطريقة القديمة في التخمين كانت خرقاء بعض الشيء؛ فقد كانت تنظر إلى الفرق المباشر بين الخطوات وتقرر: "مهلاً، هذا يبدو مشابهاً بما يكفي، فلنتخطى العمل". المشكلة هي أن تغيراً طفيفاً، غير مرئي تقريباً في مرحلة مبكرة من العملية، يمكن أن يتراكم ليصبح كارثة كبرى بحلول الوقت الذي تنتهي فيه الكعكة.

هذه الورقة البحثية، بعنوان "من عدم التطابق المحلي إلى التأثير العالمي"، تعالج هذه المشكلة تحديداً. فقد وجد الباحثون أن "مساعد الطباخ" القديم كان شديد التركيز على اللحظة الراهنة ولم يفهم كيف يمكن لخطأ صغير في البداية أن يفسد التحفة الفنية النهائية. هم يقترحون استراتيجية جديدة أكثر ذكاءً تسمى GCache (ذاكرة التأثير العالمي - Global-Impact Cache). فبدلاً من مجرد التحقق مما إذا كانت الخطوة الحالية تشبه الخطوة السابقة، يقوم GCache بحساب مدى الضرر الذي سيلحق بالنتيجة النهائية نتيجة قرار بتخطي خطوة ما. إنه يشبه امتلاك مساعد طباخ يعرف أن تخطي اختبار التذوق عندما يبدأ الفرن للتو في التسخين أمر خطير، لكن تخطي خطوة عندما تقترب الكعكة من الانتهاء هو أمر آٍمن تماماً. ومن خلال استخدام إطار رياضي متطور للتنبؤ بهذه "التأثيرات العالمية"، يمكنهم تخطي الخطوات الصحيحة والحفاظ على الجودة العالية. وتظهر اختباراتهم أن هذه الطريقة الجديدة تجعل إنشاء الفيديو والصور أسرع بشكل ملحوظ دون جعل الصور تبدو ضبابية أو غريبة، وفي بعض الحالات، حتى أنها تحافظ على الجودة أو تحسنها مقارنة بـ الطرق السريعة الأخرى، مع البقاء وفية لدقة الطريقة الأصلية البطيئة.

قصة كرة الثلج والماهر في التخطي

دعونا نتعمق في سحر كيفية عمل ذلك. تخيل أنك تدحرج كرة ثلج ضخمة على تلة طويلة ومتعرجة. تمثل هذه الكرة الصورة أو الفيديو الذي يحاول الكمبيوتر إنشاءه. في أعلى التلة تماماً، تكون كرة الثلج صغيرة وفوضوية (هذا هو الضجيج العشوائي). وبينما تتدحرج للأسفل، تلتقط الثلج وتكبر، لتصبح كرة ملساء ومثالية (الصورة النهائية).

في الطريقة القديمة، كان الكمبيوتر يتحقق من كرة الثلج عند كل بوصة من التلة. "هل تكبر؟ نعم. هل يتغير شكلها؟ نعم. حسناً، لنحسب البوصة التالية". هذا دقيق ولكنه مرهق. ولتسريع الأمر، حاولت الطرق السابقة أن تكون فعالة؛ حيث كانوا ينظرون إلى كرة الثلج، ويرون أنها تشبه إلى حد كبير ما كانت عليه قبل لحظة، ويقولون: "مهلاً، إنها تبدو متشابهة جداً. دعونا نتظاهر بأننا دحرجناها بوصة أخرى دون القيام بالعمليات الحسابية فعلياً". وهذا ما يسمى التشابه المحلي (local similarity). لقد قاسوا مدى اختلاف كرة الثلج الآن مقارنة بالثانية الماضية، وإذا كان الفرق صغيراً، فقد تخطوا العمل.

ولكن هنا تكمن العقبة: فإن نتوءاً صغيراً في أعلى التلة يمكن أن يرسل كرة الثلج منحدرة نحو الهاوية عند أسفلها.

أدرك مؤلفو هذه الورقة أن الطريقة القديمة كانت تشبه سائقاً ينظر فقط إلى عداد السرعة الخاص بالسيارة أمامه مباشرة. إذا كانت السرعة ثابتة، يعتقد أن كل شيء على ما يرام. لكنه لا ينظر إلى الطريق أمامه. إذا ارتكبت خطأً طفيفاً في التوجيه عند قمة تلة شديدة الانحدار، فإن هذا الخطأ سيتضاعف وأنت تهبط للأسفل. وبحلول الوقت الذي تصل فيه إلى القاع، قد تجد نفسك في خندق، رغم أنك كنت تقود "بمثالية" في كل لحظة فحصت فيها الطريق.

تظهر الورقة أن هذه النماذج من الذكاء الاصطناعي، إذا حدث خطأ صغير في مرحلة مبكرة من العملية (عندما تبدأ الصورة في التكون للتو)، فإن هذا الخطأ يتضاعف ويتضخم مع استمرار العملية. خطأ صغير في أول 10% من الخطوات يمكن أن يسبب فوضى عارمة في الصورة النهائية. وعلى العكس من ذلك، فإن الخطأ الذي يحدث في آخر 10% من الخطوات قد لا يهم على الإطلاق لأن الصورة قد تشكلت بالفعل في معظمها. الطرق "المحلية" القديمة لم تكن تعرف هذا؛ فقد عاملت كل خطوة على أنها متساوية الأهمية، مما أدى إلى قرارات غير مثالية.

دخول GCache: البلورة السحرية

لإصلاح ذلك، بنى الباحثون GCache. فبدلاً من مجرد النظر إلى الفرق المباشر، يسأل GCache سؤالاً أكبر: "إذا تخطيت هذه الخطوة، فما مدى الضرر الذي سيلحق بالصورة النهائية؟"

بدأوا بكتابة قاعدة رياضية صارمة ("الحد الأعلى النظري") تصف بالضبط كيف تنمو الأخطاء أثناء تدحرج كرة الثلج أسفل التلة. أثبتت هذه القاعدة أن الأخطاء تتضخم بالفعل بشكل أسي إذا حدثت في وقت مبكر. ومع ذلك، لاحظ المؤلفون أن هذه القاعدة الصارمة كانت متشائمة بعض الشيء؛ فقد كانت مثل خبير الأرصاد الجوية الذي يتنبأ بإعصار في كل مرة تهب فيها نسمة، لمجرد الأمان. ورغم أنها كانت آمنة، إلا أنها لم تكن مفيدة جداً للتخطيط لنزهة. افترضت القاعدة السيناريو الأسوأ، مما يعني أن الكمبيوتر كان لا يزال يقوم بالكثير من العمل، وكان مفرط الحذر.

لذا، ابتكروا طريقة ذكية لضبط هذه القاعدة. استخدموا أداة رياضية تسمى متعددات حدود برنشتاين (Bernstein polynomials) - (فكر في هذه كمسطرة مرنة يمكنها الانحناء لتناسب شكل التلة تماماً) - لضبط مقدار الوزن الذي يعطونه للأخطاء في أوقات مختلفة. لقد وضعوا لعبة من خطوتين، يسمونها التحسين ثنائي المستوى (bilevel optimization):

1. اللعبة الداخلية: يحاول الكمبيوتر إيجاد أفضل طريقة لتخطي الخطوات بناءً على "المسطرة المرنة" الحالية. ويسأل: "بالنظر إلى كيفية قياسي للأخطاء الآن، ما هو الجدول الزمني الأفضل لتخطي العمل؟"
2. اللعبة الخارجية: يتحقق الكمبيوتر بعد ذلك من النتائج الفعلية. "هل جعل تخطي تلك الخطوات الصورة تبدو سيئة؟" إذا كانت الصورة ضبابية، يقوم الكمبيوتر بتعديل "المسطرة المرنة" لتكون أكثر حساسية للأخطاء في تلك النقاط المحددة. وإذا كانت الصورة رائعة، فإنه يبقي المسطرة كما هي.

من خلال لعب هذه اللعبة مراراً وتكراراً، يتعلم GCache "جدول التخطي" المثالي. إنه يتعلم بالضبط متى يكون من الآمن أن يكون فعالاً ومتى يجب أن يكون دقيقاً. إنه يشبه متزلجاً ماهراً يعرف بالضبط أي المنعطفات يمكنه اتخاذها بسرعة وأيها يجب أن يبطئ عندها، بناءً على شكل الجبل، بدلاً من مجرد النظر إلى الثلج تحت زلاجاته مباشرة.

النتائج: أسرع وأفضل

اختبر الفريق GCache على بعض أكثر نماذج الذكاء الاصطناعي تقدماً لصنع الفيديوهات والصور اليوم، بما في ذلك النماذج التي يمكنها إنشاء أفلام كاملة من الأوصاف النصية. وكانت النتائج مبهرة.

على نموذج فيديو متطور يسمى Wan2.1، تمكن GCache من جعل إنشاء الفيديو أسرع بمقدار 2.17 مرة. ولكن إليكم المفاجأة: لم يكن أسرع فحسب، بل كانت جودة الفيديو أفضل بكثير مقارنة بالطرق السريعة الأخرى. قاس الباحثون الجودة باستخدام مقياس يسمى LPIPS (والذي يقيس مدى اختلاف الصورة عن الأصل بالنسبة للعين البشرية). سجلت الطريقة السريعة السابقة (ERTACache) درجة 0.1095، بينما خفض GCache هذه الدرجة إلى 0.0316. وفي عالم جودة الصور، الرقم الأقل هو الأفضل، لذا فهذا تحسن هائل مقارنة بالنهج المتسارعة الأخرى. وهذا يعني أن الفيديوهات بدت أكثر حدة ودقة في مطابقة الوصف مقارنة بتلك التي أنتجتها استراتيجيات التخزين الأخرى، مع الحفاظ على الدقة العالية للطريقة البطيئة الأصلية.

كما اختبروه على مولدات الصور مثل Flux-dev 1.0. وحتى عند السرعات العالية (أسرع بنحو 3 مرات)، أنتج GCache صوراً أكثر وضوحاً ودقة من الطرق السريعة الأخرى. وعندما نظروا إلى الصور، غال Turb methods often got things wrong—like drawing four smokestacks when the prompt asked for two, or making a person's face look weird. GCache, however, kept the details correct, preserving the "semantics" (the meaning) and the structure of the image.

تشير الورقة إلى أن هذا يحدث لأن GCache يمنع الذكاء الاصطناعي من ارتكاب أخطاء غير مثالية في الأوقات الخاطئة. فمن خلال التركيز على التأثير العالمي — أي كيف يؤثر قرار الآن على النتيجة النهائية — يضمن أن الكمبيوتر يبذل طاقته في الأماكن التي تهم حقاً.

لماذا يهم هذا الأمر

الأمر لا يتعلق فقط بجعل الذكاء الاصطناعي أسرع؛ بل بجعله أكثر ذكاءً. تجادل الورقة بأننا لا يمكننا فقط النظر إلى التكلفة المباشرة للقرار؛ بل يجب أن ننظر إلى العواقب طويلة المدى. ومن خلال الانتقال من "عدم التطابق المحلي" (هل هذه الخطوة مشابهة للسابقة؟) إلى "التأثير العالمي" (كيف ستؤثر هذه الخطوة على المنتج النهائي؟)، يحل GCache مشكلة جوهرية في كيفية تشغيل هذه النماذج المعقدة.

لم يكتفِ الباحثون بالتخمين بأن هذا سينجح، بل أثبتوا ذلك بالرياضيات واختبروه على نطاق واسع. لقد أظهروا أنه بينما يمكن للقواعد الرياضية الصارمة أن تكون متحفظة للغاية، والتخمين البسيط قد يكون محفوفاً بالمخاطر، فإن النظام الذي يتعلم الموازنة بينهما يمكنه تحقيق أفضل ما في العالمين. النتيجة هي أداة تسمح لنا بإنشاء فيديوهات وصور عالية الجودة في جزء بسيط من الوقت، دون التضحية بالسحر الذي يجعل هذه الإبداعات من الذكاء الاصطناعي مذهلة. إنها تحول عملية بطيئة ومضنية إلى رحلة سلسة وفعالة، مما يضمن وصول كرة الثلج إلى أسفل التلة وهي تبدو مثالية تماماً كما كان من المفترض أن تكون.