Adversarial Learning of Classifier-Free Guidance Schedules

تخيل أنك تحاول تعليم روبوت كيفية رسم لوحات بناءً على أوصافك المنطوقة. تقول له: "ارسم كلباً أسود نائماً على خريطة"، فيبدأ بلوحة بيضاء تبدو كأنها تشويش تلفزيوني (static). ثم يبدأ الروبوت ببطء في تنظيف هذا الضجيج، خطوة بخطوة، محولاً ذلك التشويش إلى صورة واضحة. هكذا تعمل نماذج "الانتشار" (diffusion) الحديثة. لكن الجزء الصعب هنا هو أن الروبوت يحتاج إلى دفعة بسيطة ليتأكد من أنه يستمع لكلماتك ولا يكتفي برسم كلب عشوائي أو خريطة عشوائية. هذه الدفعة تسمى "التوجيه" (guidance). فكر في الأمر كمرشد سياحي يمسك بمقود؛ إذا شد المرشد المقود بلطف شديد، سيتيه الروبوت ويتجاهل تعليماتك، وإذا شد بقوة مفرطة، سيصاب الروبوت بالارتباك، وتصبح الصورة مشبعة بشكل غريب وغير واقعي، أو قد تبدو كنسخة كرتونية من الواقع.

لفترة طويلة، استخدم العلماء نهج "القياس الواحد للجميع": حيث كانوا يضبطون قوة شد المرشد على رقم ثابت واحد طوال عملية الرسم. كان الأمر يشبه إخبار المرشد السياحي بأن يشد المقود بنفس القوة تماماً من الثانية الأولى للمشي وحتى الثانية الأخيرة. ورغم أن هذا الأسلوب نجح بشكل مقبول، إلا أنه غالباً ما أدى إلى نتائج فوضوية لأن مراحل الرسم المختلفة تتطلب مستويات مختلفة من المساعدة. فبعض أجزاء الصورة تحتاج إلى دفعة لطيفة، بينما تحتاج أجزاء أخرى إلى يد حازمة. والسؤال الكبير في هذا المجال كان: هل يمكننا تعليم المرشد كيف يغير قوة شده ديناميكياً، اعتماداً على ما يفعله الروبوت بالضبط في تلك اللحظة المحددة؟

يقترح هذا البحث طريقة جديدة وذكية لتعليم مرشد الروبوت كيف يشد المقود. فبدلاً من أن يقوم إنسان بتصميم جدول زمني يدوياً لتحديد متى يشد بقوة ومتى يشد بلطف، ترك المؤلفون الروبوت يتعلم ذلك من خلال لعبة "تخمين الشيء الحقيقي". لقد وضعوا نظاماً يتكون من "مميز" (discriminator) - وهو قاضٍ ذكي - يحاول التمييز بين صورة حقيقية وبين ما يرسمه الروبوت حالياً. ومن خلال هذه اللعبة، يتعلم مرشد الروبوت كيفية ضبط قوة شده بحيث تبدو لوحة الروبوت مطابقة لصورة حقيقية لدرجة لا يستطيع القاضي التمييز بينهما. ومن خلال لعب هذه اللعبة، يتعلم المرشد بالضبط مقدار القوة التي يجب أن يشد بها في كل خطوة من العملية، بما يتناسب مع الصورة المحددة والكلمات التي قدمتها أنت. وتشير النتائج إلى أن هذه الطريقة تنتج صوراً ليست أكثر واقعية فحسب، بل تلتزم أيضاً بوصفك الأصلي بشكل أكبر بكثير من الطرق الثابتة القديمة.

المشكلة في مقود "القياس الواحد للجميع"

تخيل أنك تمشي مع كلب في حديقة. أحياناً يكون الكلب هادئاً، ويمكنك المشي بمقود مرتخٍ. وأحياناً أخرى، يلمح الكلب سنجاباً ويحتاج إلى قبضة قوية لمنعه من الانطلاق بعيداً. إذا أبقيت المقود بنفس درجة الشد طوال الوقت، فقد تترك الكلب يركض نحو حركة المرور (إذا كان مرتخياً جداً) أو قد تخنق الكلب (إذا كان مشدوداً جداً).

في عالم توليد الصور بالذكاء الاصطناعي، هذا "المقود" هو وزن التوجيه (والذي يُسمى غالباً $\omega$). لسنوات، استخدم الباحثون قيمة ثابتة، عادة ما تكون حوالي 7.5، طوال الوقت الذي ينشئ فيه الذكاء الاصطناعي صورة. هذا يعمل، لكنه ليس مثالياً. فأحياناً يتحمس الذكاء الاصطناعي بشكل مفرط فتصبح الألوان نيون ومشبعة بشكل زائد؛ وفي أحيان أخرى، يتجاهل تفاصيل طلبك (prompt).

حاول العلماء إصلاح ذلك عبر إنشاء "جداول زمنية" (schedules) — وهي قواعد يدوية تقول: "شد بقوة في البداية، ثم شد بلطف في المنتصف". لكن هذه القواعد تشبه خريطة عامة: فهي لا تعرف ما إذا كان كلبك الخاص هو من فصيلة "تشيواوا" أم "جيرمان شيبرد". فهي تطبق نفس القاعدة على كل صورة، بغض النظر عن مدى تعقيد النص أو شكل الصورة الحالي.

الاستراتيجية الجديدة: لعبة "الحقيقي مقابل المزيف"

قرر مؤلفو هذا البحث التوقف عن التخمين ووضع القواعد، وبدلاً من ذلك، تركوا الذكاء الاصطناعي يتعلمها من خلال لعبة. لقد استخدموا مفهوم التعلم التنافسي (adversarial learning)، وهو يشبه لعبة القط والفأر بين شبكتين:

1. المولد (الفنان): وهو الجزء الذي ينشئ الصورة ويقرر مدى قوة شد المقود (وزن التوجيه) في كل خطوة.
2. المميز (القاضي): وهو ناقد ذكي مدرب على النظر إلى صورة وقول: "هل هذه صورة حقيقية من مجموعة البيانات، أم أنها محاولة الذكاء الاصطناعي الحالية؟"

إليك الخدعة السحرية: يريد المؤلفون أن تتطابق صورة الذكاء الاصطناعي "الموجهة" مع توزيع الصور الحقيقية تماماً في كل لحظة زمنية. وهم يسمون هذا الاتساق الهامشي (marginal consistency).

لتعليم "الفنان"، وضعوا حلقة عمل:

• ينظر "القاضي" إلى صورة حقيقية وإلى صورة الذكاء الاصطناعي "الموجهة" الحالية.
• يحاول "القاضي" التمييز بينهما.
• يحاول "الفنان" تعديل وزن التوجيه الخاص به لخداع "القاضي".
• إذا لم يستطع "القاضي" التمييز بينهما، فهذا يعني أن "الفنان" يقوم بعمل جيد.

من خلال لعب هذه اللعبة، يتعلم "الفنان" جدولاً زمنياً ديناميكياً. يتعلم أنه بالنسبة لطلب بسيط مثل "قطة"، قد يحتاج إلى شد لطيف، ولكن بالنسبة لطلب معقد مثل "كلب أسود نائماً على خريطة"، فإنه يحتاج إلى شد بشكل مختلف بناءً على ما إذا كان يتم تشكيل فراء الكلب أو تفاصيل الخريطة.

ماذا وجدوا؟

اختبر الفريق هذه الطريقة الجديدة على مجموعة بيانات قياسية لمهام تحويل النص إلى صورة (MS-COCO) باستخدام نماذج بأحجام مختلفة. وقارنوا "المرشد المتعلم" الخاص بهم مقابل المقود الثابت والجدول الزمني اليدوي.

كانت النتائج واعدة. طريقتهم، التي يسمونها GAN + MC (الشبكة التنافسية التوليدية مع الاتساق الهامشي)، أنتجت باستمرار صوراً يفضلها البشر أكثر. وتحديداً:

• توافق أفضل: تطابقت الصور مع النصوص المطلوبة بشكل أفضل. على سبيل المثال، عندما طُلب منها رسم "كلب أسود يستلقي على كتاب خرائط"، قام الذكاء الاصطناعي باستخدام طريقتهم برسم الكلب وهو يتفاعل مع الكتاب، بينما فشلت الطرق الأخرى أحياناً في التقاط التفصيل أو جعلت الكلب يبدو عادياً.
• درجات جمالية أعلى: بدت الصور أكثر جمالاً وطبيعية بالنسبة للمقيمين البشريين.
• المقايضة: كانت هناك عقبة صغيرة. فقد كان مقياس "FID" (وهو مقياس يقيس مدى قرب إحصائيات الصورة من الصور الحقيقية) أعلى قليلاً (أي أسوأ) لطريقتهم مقارنة ببعض النماذج المرجعية. يوضح المؤلفون أن هذا أثر جانبي معروف لاستخدام التدريب التنافسي وإشارات المكافأة؛ حيث يعطي النموذج الأولوية لكونه "رائعاً" ومطابقاً للطلب على حساب مطابقة البصمة الإحصائية الدقيقة لبيانات التدريب. ومع ذلك، من حيث ما يحبه البشر فعلياً، فقد انتصرت طريقتهم.

لماذا هذا مهم؟

يشير هذا البحث إلى أننا لسنا بحاجة لأن نكون نحن من يصمم القواعد يدوياً لكيفية رسم الذكاء الاصطناعي. بدلاً من ذلك، يمكننا إنشاء نظام يتعلم فيه الذكاء الاصطناعي "شد المقود" المثالي لكل لحظة من لحظات الخلق.

يشير المؤلفون إلى أنه رغم نجاح هذا الأمر، إلا أن له بعض الحدود. فـ "المرشد" الذي دربوه خاص بنوع نموذج الذكاء الاصطناعي الذي تدرب عليه؛ فلا يمكنك أخذ هذا المرشد واستخدامه على روبوت مختلف تماماً دون إعادة تدريبه. كما أن عملية التدريب معقدة وتتطلب توازناً دقيقاً. ولكن في الوقت الحالي، يشير هذا إلى أن ترك الذكاء الاصطناعي يتعلم جدول التوجيه الخاص به من خلال لعبة "الحقيقي مقابل المزيف" هو وسيلة قوية لجعل فن الذكاء الاصطناعي أكثر طاعة لكلماتنا وأكثر جمالاً لأعيننا.