PolyComp: A Polycube-based Benchmark for Compositional 3D Spatial Reasoning in Multimodal Models
تقدم الورقة البحثية PolyComp، وهو معيار يتم إنشاؤه إجرائياً يتكون من 120 مسألة مصممة لتقييم الاستدلال المكاني ثلاثي الأبعاد التركيبي في النماذج متعددة الوسائط، كاشفةً أنه بينما تحقق النماذج المتقدمة مثل GPT-5.6 Sol دقة متوسطة (50%)، فإن النماذج الأخرى تعاني بالقرب من مستويات التخمين العشوائي رغم تباين التكاليف وتنسيقات العرض.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). 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
تمتلك العقل البشري موهبة هادئة، تكاد تكون غريزية، في تفكيك الأشكال المعقدة وتخيل كيفية إعادة تركيبها. يمكننا النظر إلى قطعة أحجية، أو لعبة مكسورة، أو كومة من الصناديق، ونتصور فوراً كيف ترتبط الأجزاء بالكل، حتى عندما لا نتمكن من رؤية كل سطح. هذه القدرة، المعروفة باسم الاستدلال المكاني، هي حجر الزاوية في كيفية تنقلنا في العالم المادي. ولعقود من الزمن، تساءل العلماء عما إذا كان الجيل الجديد من الذكاء الاصطناعي، الذي يمكنه رؤية الصور وقراءة النصوص، قد طور هذا الإحساس الداخلي بالمساحة نفسه. وبينما تتفوق هذه الآلات في التعرف على القطط في الصور أو تلخيص المقالات، لا يزال من غير الواضح ما إذا كانت تستطيع حقاً فهم الهندسة ثلاثية الأبعاد للأجسام، أم أنها مجرد تخمين بناءً على أنماط رأتها من قبل.
تقدم دراسة جديدة اختباراً صارماً صُمم لحسم هذا السؤال، متجاوزاً مجرد التعرف على الصور البسيطة لسبر أغوار كيفية تفكير الآلات في الشكل والتجميع. فقد أنشأ الباحثون معياراً يسمى "PolyComp"، وهو مجموعة من 120 أحجية بصرية مبنية من هياكل مكعبة قائمة على الكتل. في كل أحجية، يُعرض على الذكاء الاصطناعي جسم مستهدف مكون من عدة مكعبات متصلة، من زاويتين مختلفتين. ثم يتم تقديمه بأربعة أزواج محتملة من القطع الصغيرة ويُطلب منه تحديد الزوج الذي، عند تدويره وتحريكه، سيتحد تماماً لإعادة إنشاء الجسم المستهدف الأصلي. تتطلب المهمة من النموذج بناء تمثيل ثلاثي الأبعاد للقطع ذهنياً، ومحاكاة كيفية دورانها في الفضاء، والتحقق مما إذا كانت تتناسب مع بعضها البعض دون فجوات أو تداخلات. هذا ليس اختباراً للذاكرة أو اللغة، بل هو اختبار نقي للمنطق الهندسي.
وضعت الدراسة ثلاثة من أكثر أنظمة الذكاء الاصطناعي تقدماً تحت الاختبار: GPT-5.6 Sol، وClaude Fable 5، وGemini 3.1 Pro Preview. طُلب من كل نظام حل نفس الـ 120 أحجية، ولكن تم تقديم الأحاجي بثلاث طرق مختلفة لمعرفة ما إذا كان تنسيق الصورة يساعد أو يعيق الاستدلال. في بعض الأحيان، ظهر الهدف والخيارات معاً في صورة واحدة؛ وفي أحيان أخرى، عُرض الهدف في صورة واحدة بينما تم تقسيم الخيارات الأربعة عبر أربع صور منفصلة، إما بملصقات عامة أو أسماء وصفية. كان الهدف هو معرفة ما إذا كان تقسيم المعلومات المرئية إلى قطع أصغر يجعل المهمة أسهل، أم أن النماذج ستعاني بغض النظر عن كيفية عرض المعلومات.
كشفت النتائج عن فجوة كبيرة بين الحدس البشري وقدرات الآلة الحالية. فقد تمكن النموذج الأفضل أداءً، GPT-5.6 Sol، من حل نصف الأحاجي فقط بشكل صحيح، محققاً دقة بنسبة 50 بالمائة. وحل النموذج الثاني، Claude Fable 5، حوالي 39 بالمائة، بينما كان أداء النموذج الثالث، Gemini 3.1 Pro Preview، قريباً من مستوى التخمين العشوائي، حيث حصل على 27.5 بالمائة فقط من الإجابات الصحيحة. وبما أن هناك أربعة خيارات لكل أحجية، فمن المتوقع أن يحصل الكمبيوتر الذي يخمن بعشوائية على 25 بالمائة بشكل صحيح. وهذا يعني أن النماذج الأكثر تقدماً كانت بالكاد أفضل من الصدفة، وأن الأقل تقدماً كانت تخمن فعلياً. كما وجدت الدراسة أن نوع الشكل كان أكثر أهمية من طريقة عرض الصور. فقد عانت النماذج أكثر مع الأحاجي التي تتضمن حلقات مستطيلة، حيث تشكل القطع بنية تشبه الحلقة، لكنها أدت بشكل أفضل قليلاً في الأحاجي التي تبدو ككتل بسيطة يتم تقسيمها أو دمجها معاً.
ومن المثير للاهتمام أن الطريقة التي عُرضت بها الأحاجي لم تحدث فرقاً كبيراً في النتيجة. إذ لم يؤدِ تقسيم الصور إلى ملفات منفصلة أو إضافة ملصقات وصفية إلى تعزيز الدرجات بشكل كبير لأي من النماذج. وهذا يشير إلى أن الصعوبة لا تكمن في قدرة النماذج على رؤية الصور بوضيد، بل في عدم قدرتها على بناء نموذج داخلي مستقر ثلاثي الأبعاد للأجسام ومحاكة كيفية تحركها. وأشار الباحثون إلى أنه عندما نجحت النماذج، كان ذلك غالباً لأن القطع كانت تمتلك شكلاً عاماً واضحاً جداً أو سطحاً مسطحاً كبيراً جعل من السهل مطابقتها. وعندما تطلبت الأحاجي تتبع زوايا صغيرة مخفية أو معرفة كيفية ملاءمة القطع داخل مساحة مجوفة، فشلت النماذج باستمرار.
كما سلطت الدراسة الضوء على تكلفة هذا النوع من الاستدلال العميق. فمن أجل حل 360 سؤالاً إجمالاً (120 أحجية مقدمة بثلاث طرق لكل منها)، استهلك النموذج الأكثر قدرة كمية هائلة من موارد الحوسبة، مما كلف ما يقرب من دولار واحد لكل سؤال عند استخدام الأسعار القياسية. وكانت النماذج الأقل قدرة أرخص في التشغيل ولكنها أيضاً أقل دقة. يشير هذا التبادل بين القوة والتكلفة إلى أنه حتى عندما ندفع مقابل الأنظمة الأكثر قوة المتاحة، فإنها لا تزال تفتقر إلى الذكاء المكاني الأساسي الذي يطوره البشر بشكل طبيعي. وقد أطلق الباحثون جميع الـ 120 أحجية والتعليمات البرمجية المستخدمة لإنشائها، داعين الآخرين لاختبار النماذج المستقبلية مقابل هذا المعيار ذاته.
في النهاية، يعمل هذا العمل كأداة تشخيصية واضحة، تظهر أنه بينما حقق الذكاء الاصطناعي خطوات هائلة في فهم اللغة والتعرف على الأشياء، فإنه لم يتقن بعد القدرة على التلاعب ذهنياً بالمساحة ثلاثية الأبعاد. يمكن للنماذج وصف مكعب أو تحديد شكل، لكنها لا تستطيع بعد الاعتماد على موثوقية تخيل كيف يمكن لقطعتين منفصلتين من شكل ما أن تتناسبا معاً إذا تم تدويرهما وتحريكهما في الهواء. وإلى أن تتمكن الآلات من بناء هذه الخرائط الداخلية ثلاثية الأبعاد ومحاكة التحولات داخلها، سيظل استدلالها المكاني هشاً، وعرضة للأخطاء التي قد يحلها طفل بشري بكل سهولة. لا تدعي الدراسة أن هذه القدرة مستحيلة على الآلات تعلمها، لكنها تثبت بقوة أن الأنظمة الحالية لم تحققها بعد، مما يترك مساراً واضحاً للأبحان المستقبلية لسد هذه الفجوة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.