NumerosityVLM: A Cognitively Inspired Benchmark for Interpreting Numerosity Representations in Vision-Language Models
تقدم الورقة البحثية NumerosityVLM، وهو معيار مرجعي مستوحى معرفياً يضم 10,800 صورة اصطناعية خاضعة للتحكم، يكشف أن إدراك نماذج الرؤية واللغة للعددية يتحدد أساساً من خلال بنيتها ومكوناتها اللغوية بدلاً من الظروف البصرية، مع ظهور إشارات عددية قابلة للفصل خطياً في مرحلة مبكرة من مشفر الرؤية.
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
يمتلك البشر قدرة فطرية مذهلة على إدراك عدد العناصر في مجموعة ما دون الحاجة لعدّها واحداً تلو الآخر. إذ يمكن للرضيع أن يميز بين كومة من ثلاث قطع بسكويت وكومة من أربع قطع قبل أن يتعلم الكلام، معتمداً على حسٍّ بالعدد ينشأ بشكل طبيعي في الدماغ النامي. هذه المهارة، المعروفة باسم "إدراك العدد"، هي جزء أساسي من كيفية فهمنا للعالم. وفي السنوات الأخيرة، وجه العلماء اهتمامهم إلى الذكاء الاصطناعي، وتحديداً إلى نوع من الأنظمة الحاسوبية يسمى "نموذج الرؤية واللغة" (vision-language model). صُممت هذه الأنظمة للنظر في الصور والإجابة عن أسئلة حولها، وغالباً ما تؤدي مهاماً معقدة بطلاقة تشبه طلاقة البشر. ومع ذلك، يظل هناك سؤال عالق: هل تفهم هذه الآلات حقاً مفهوم "كم العدد"، أم أنها مجرد تخمين بناءً على أنماط بصرية حفظتها؟
وللإجابة على ذلك، أنشأ فريق من الباحثين ميدان اختبار جديداً يسمى "NumerosityVLM". لقد بنوا مجموعة من 10,800 صورة مولدة حاسوبياً صُممت لتجريد الآلة من الحيل التي قد تخدعها. في العالم الحقيقي، غالباً ما يختلط الأمر في العدّ بسبب عوامل بصرية أخرى؛ فعلى سبيل المثال، قد تشغل مجموعة من الأجسام الكبيرة مساحة أكبر من مجموعة من الأجسام الصغيرة، مما يدفع النظام للاعتقاد بأن هناك عدداً أكبر من الأجسام الكبيرة لمجرد أنها تغطي مساحة أكبر. ولمنع حدوث ذلك، تحكم الباحثون في كل تفصيل من تفاصيل صورهم؛ حيث خلقوا سيناريوهات تتغير فيها أعداد العناصر بينما تظل المساحة الإجمالية التي تشغلها ثابتة، والعكس صحيح. كما قاموا بإزالة الملمس والشكل واللون على مراحل، تاركين وراءهم مجرد نقاط بسيطة، لمعرفة ما إذا كانت النماذج تعتمد على مظهر الأجسام أم على العدد الفعلي. واختبروا سبعة نماذج مختلفة مفتوحة المصدر، تتراوح من الأنظمة الأصغر والأقدم إلى الأنظمة الأكبر والأكثر تقدماً، طالبيين منها عدّ العناصر في كل صورة.
كشفت النتائج عن انقسام واضح بين النماذج؛ فالأنظمة الأكثر تقدماً، والتي تمتلك هياكل داخلية أكبر، حققت أداءً أفضل بكثير، محققة دقة عالية حتى عندما كانت القرائن البصرية مضللة. أما النماذج الأصغر والأقدم فقد عانت، وفشلت غالباً في التمييز بين الكميات المختلفة وأنتجت مجموعة محدودة من الإجابات بغض النظر عما يوجد في الصورة. ووجد الباحثون أن العامل الأكبر في تحديد النجاح لم يكن الظروف البصرية للصورة، بل بنية النموذج نفسه؛ إذ إن الطريقة التي بُنيت بها الآلة كانت أكثر أهمية بكثير من الحيل البصرية المحددة المستخدمة في الاختبار. وهذا يشير إلى أن القدرة على العد ليست مجرد مسألة رؤية واضحة، بل هي مسألة امتلاك الهيكل الداخلي المناسب لمعالجة تلك المعلومات.
وفي تعمق أكبر في كيفية عمل هذه النماذج، نظر الفريق في المراحل المختلفة لمسار معالجة الآلة. واكتشفوا أن القدرة على تمييز الأعداد تظهر في الواقع في مرحلة مبكرة جداً، تماماً عند نظر الآلة إلى الصورة لأول مرة. فحتى النماذج الأقل نجاحاً استطاعت اكتشاف عدد العناصر في طبقاتها البصرية الأولية. لكن المشكلة، كما تبين، حدثت لاحقاً؛ إذ يكمن الفرق بين النموذج الذي يستطيع العد جيداً والنموذج الذي لا يستطيع، في كيفية ترجمة تلك الإشارات البصرية إلى كلمات. فالنماذج الأكثر نجاحاً كانت أفضل في أخذ المعلومات الرقمية التي رأتها بالفعل وتحويلها إلى إجابة نصية صحيحة، بينما بدا أن النماذج الأقل نجاحاً تفقد تلك المعلومات أثناء انتقالها من مرحلة الرؤية إلى مرحلة التحدث.
كما بحثت الدراسة في كيفية تعامل هذه الآلات مع مقياس الأعداد. كانت النماذج الأفضل أداءً شبه مثالية عند عدّ المجموعات الصغيرة التي تصل إلى أربعة عناصر، وهو نطاق يمكن للبشر التعرف عليه فوراً. ومع زيادة الأعداد، انخفضت دقتها، وبدأت تخمن باستمرار أرقاماً أقل من العدد الفعلي. هذا النمط من التقدير بأقل من الواقع أصبح أقوى مع زيادة الأعداد، مما يحاكي قصوراً معروفاً في الإدراك البشري حيث يصبح تقدير الكميات الكبيرة أقل دقة. ومع ذلك، أظهرت النماذج الأكثر تقدماً هذا الانحياز في وقت متأخر كثيراً عن النماذج الأضعف، مما يشير إلى امتلاكها فهماً أكثر متانة للأعداد الكبيرة.
في الختية، تشير الأبحاث إلى أن نماذج الرؤية واللغة الحالية تمتلك بالفعل شكلاً من أشكال الفهم الرقمي، لكنه فهم هش ويعتمد بشدة على تصميمها. إن القدرة على رؤية "كم العدد" موجودة في المعالجة البصرية المبكرة لهذه الأنظمة، ولكن الخطوة النهائية المتمثلة في تحويل ذلك الإدراك إلى إجابة موثوقة هي المرحلة التي تفشل فيها الآلات غالباً. وتخلص الدراسة إلى أن الفجوة في الأداء ليست ناتجة عن نقص في البيانات البصرية، بل في كيفية بناء النماذج المختلفة لتفسير وتعبير تلك البيانات. ومن خلال عزل هذه العوامل، قدم الباحثون خريطة أوضح لمكان وقوف الذكاء الاصطناعي في رحلته نحو الإدراك الرقمي الحقيقي، موضحين أنه بينما تستطيع "عيون" الآلة رؤية العدد، فإن "عقل" الآلة لا يزال بحاجة لتعلم كيفية العد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.