في عالم الذكاء الاصطناائي، تبرز فئة متنامية من الأنظمة تُعرف باسم النماذج اللغوية الكبيرة متعددة الوسائط. هذه حواسيب قوية يمكنها النظر إلى صورة، وقراءة النص الموجود بداخلها، والإجابة على أسئلة حول ما تراه. إنها بارعة في هذا الأمر بشكل ملحوظ، وغالباً ما تعمل مثل إنسان يلقي نظرة خاطفة على وثيقة ويفهم معناها العام على الفور. ومع ذلك، لا تزال هناك فجوة كبيرة بين مجرد رؤية وثيقة وبين قراءتها بدقة فعليّة. فعندما تكون الصفحة مزدحمة بخط صغير، أو جداول معقدة، أو رسوم بيانية ملونة، أو مخططات دقيقة، غالباً ما تخفق هذه النماذج في التقاط التفاصيل المحددة المطلوبة للإجابة على سؤال صعب. قد ترى أن الصفحة موجودة، لكنها تفشل في استخراج الرقم الدقيق، أو الاسم، أو العلاقة المخفية وسط الضجيج البصري. هذا القصور محبط للغاية لأن المعلومة موجودة أمام الحاسوب مباشرة؛ المشكلة هي أن النظام لا ينظر إلى المكان الصحيح بالعناية الكافية.

لقد طور باحثون في أمازون نهجاً جديداً لمعالجة هذه المشكلة، مبتعدين عن فكرة وجوب قيام الحاسوب بالإجابة في نظرة واحدة سريعة. بدلاً من ذلك، ابتكروا نظاماً يُسمى (Q-Guide)، والذي يعامل القراءة كعملية بطيئة ومتأنية. وبدلاً من محاولة فهم الوثيقة بأكملها دفعة واحدة، يعمل هذا النظام مثل محقق حذر يبحث أولاً في السؤال، ويحدد بالضبط ما هو الدليل المفقود، ثم يقوم بعملية تقريب (Zoom) أو يستخدم أدوات خاصة للعثين عليه. إنه أسلوب يعطي الأولوية للحصول على المعلومة الصحيحة على حساب الحصول على الإجابة بسرعة. ومن خلال تخصيص وقت إضافي وقدرة حوسبية أكبر للبحث بنشاط عن التفاصيل المفقودة، يمكن للنظام حل المشكلات التي تعجز عنها أكثر النماذج تقدماً والتي تعمل عبر تمريرة واحدة فقط.

الفكرة الجوهرية وراء هذا العمل هي أن الإدراك يجب أن يكون موجهاً بالسؤال نفسه. في الأنظمة التقليدية، تتم معالجة الوثيقة مرة واحدة، ويجيب النموذج بناءً على ما التقطه خلال تلك النظرة الأولى. هذا يعمل جيداً في الوثائق البسيطة، لكنه يفشل عندما تعتمد الإجابة على تسمية صغيرة على خريطة أو خلية محددة في جدول كثيف. يغير نظام (Q-Guide) هذا الأمر عبر إدخال حلقة تكرارية حيث يسأل الحاسوب نفسه عما يحتاج لمعرفته. فإذا كان السؤال يتعلق بقيمة محددة في رسم بياني، يوجه النظام انتباهه إلى ذلك الرسم، ويقوم بعملية تقريب لقراءة الأرقام بوضوح، ويتحقق من المعلومة قبل الالتزام بإجابة. هو لا يعتمد على رؤية واحدة ثابتة للصفحة، بل يمكنه استدعاء أدوات مختلفة لاستعادة النصوص، أو فحص التفاصيل البصرية، أو فهم تخطيط الوثيقة، مستخدماً فقط الأدوات الضرورية للسؤال المطروح.

لاختبار هذه الفكرة، قيم الباحثون النظام في نوعين مختلفين تماماً من التحديات. الأول كان مجموعة من ثمانين سؤالاً مستمداً من ثمانية أنواع مختلفة من الوثائق، بما في ذلك التقارير التجارية، والرسومات الهندسية، والخرائط، والملصقات العلمية. صُممت هذه الوثائق لتكون صعبة، حيث تحتوي على كل شيء من النصوص الصغيرة إلى العلاقات المكانية المعقدة. أما التحدي الثاني فقد تضمن مهمة من مجموعة من قصص المانجا اليابانية، حيث كان على النظام تحديد شخصية معينة من خلال مطابقة مظهرها البصري واسمها عبر صفحات متعددة. وفي كلتا الحالتين، قارن الباحثون بين (Q-Guide) والأساليب القياسية حيث ينظر النموذج إلى الصورة مرة واحدة فقط، وبين أنظمة أخرى معقدة تحاول تقسيم المشكلة إلى خطوات عديدة.

أظهرت النتائج ميزة واضحة للنهج المتأني والمتعمد. ففي اختبار الوثائق، حقق (Q-Guide) دقة بلغت 65.0 بالمائة، وهو تحسن كبير مقارنة بأفضل طريقة قياسية وصلت إلى 38.8 بالمائة فقط. كما تفوق على الأنظمة المتقدمة الأخرى التي تستخدم وكلاء متعددين للتعاون، والتي حققت 40.0 بالمائة فقط. وكان التحسن أكثر وضوحاً في فئات محددة مثل الرسومات الهندسية والملصقات العلمية، حيث وصل النظام إلى دقة 90.0 بالمائة. وهذا يشير إلى أن القدرة على تركيز الانتباه على الجزء الصحيح من الصورة أكثر قيمة من امتلاك منطق داخلي أكثر تعقيداً أو فريق أكبر من الوكلاء الافتراضيين. وفي مهمة المانجا أيضاً، كان النظام أفضل من منافسيه، حيث حدد الشخصيات بشكل صحيح في 32.4 بالمائة من الحالات باستخدام قراءة النصوص القياسية، وقفز إلى 53.7 بالمائة عند تزويده ببيانات نصية مثالية. وهذا يشير إلى أن قوة النظام تكمن في قدرته على جمع الدليل الصحيح، وليس فقط في مدى جودة قراءته للنصوص.

كان أحد أكثر النتائج إثارة للدهشة هو أن إضافة المزيد من طبقات التخطيط أو التحكم لم يساعد. اختبر الباحثون ما إذا كان منح النظام "مخططاً" لرسم استراتيجية أو "موجهًا" لتقرير المسار الذي سيسلكه سيؤدي إلى تحسين الأداء، فوجدوا أن هذه الطبقات الإضافية جعلت الأمور أسوأ أو لم يكن لها أي تأثير. كانت النسخة الأكثر نجاحاً هي حلقة بسيطة ومدمجة حيث ينظر النظام ببساطة إلى ما هو مفقود، ويختار أداة لإيجاده، ثم يكرر العملية. نمت دقة النظام مع السماح له باتخاذ خطوات أكثر تأنياً، لكنها استقرت غالباً بعد جولتين أو ثلاث من النظر والتحقق. وهذا يشير إلى أن مفتاح حل هذه المشكلات ليس في جعل عملية الاستنتاج أكثر تعقيداً، بل في جعل فعل الرؤية أكثر دقة واستهدافاً.

اكتشف الباحثون أيضاً أن النظام يعمل بشكل جيد عبر نماذج حوسبية أساسية مختلفة. فقد اختبروا (Q-Guide) باستخدام ثلاث نسخ مختلفة من نموذج "كلود" (Claude) اللغوي، تتراوح من النسخة الأكثر قوة إلى النسخ الأقل قدرة قليلاً. وفي كل حالة، أدى منهج (Q-Guide) إلى تحسين النتائج مقارنة بالتحفيز القياسي. وهذا يثبت أن الفائدة تأتي من استراتيجية كيفية جمع النظام للأدلة، وليس من القدرات المحددة لـ "العقل" الذي يستخدمه. وحتى عندما لم تكن أدوات قراءة النصوص مثالية، تمكن النظام من التفوق على الطرق التي تملك وصولاً إلى نصوص مثالية ولكنها تفتقر إلى القدرة على تركيز انتباهها. وهذا يسلط الض الضوء على أن العائق في هذه المهام غالباً ما يكون الفشل في إدراك التفصيل الصحيح، وليس الفشل في فهم اللغة.

على الرغم من نجاحه، إلا أن النظام ليس مثالياً. فقد عانى أكثر مع الأسئلة التي تتضمن خرائط، حيث تعتمد الإجابة على تتبع مسار أو فهم تخطيط مكاني لا تستطيع الأدوات تمثيله بالكامل. استطاع النظام قراءة النصوص على الخريطة ورؤية الألوان، لكنه لم يستطع بسهولة التنقل بين الروابط فيما بينها. وهذا يشير إلى مجال واضح للتحسين المستقبلي: تطوير أدوات يمكنها تحويل تخطيطات الخرائط إلى هياكل قابلة للتنقل. وبالمثل، بينما كان النظام فعالاً جداً في مطابقة الشخصيات في القصص المصورة، فإنه واجه صعوبات أحياناً عندما تبدو العديد من الشخصيات متشابهة جداً. تشير هذه التحديات المتبقية إلى أن الخطوة التالية في هذا المجال هي بناء طرق أكثر ثراءً لإدراك العالم، بدلاً من مجرد إضافة قواعد أكثر تعقيداً لكيفية التفكير فيه.

في الختام، يوضح هذا العمل أنه لكي تتمكن الحواسيب من قراءة الوثائق المعقدة حقاً، فإنها تحتاج إلى التمهل. الطريقة القديمة لمعالجة الصفحة في تمريرة واحدة سريعة غير كافية للواقع الفوضوي والمفصل للعالم. ومن خلال السماح للنظام بقضاء وقت إضافي في تقرير ما يجب النظر إليه تالياً، وتزويده بالأدوات اللازمة للتقريب والتحقق مما يراه، نجح الباحثون في إنشاء نظام أكثر موثوقية بشكل ملحوظ. وتشير النتائج إلى أن المسار المستقبلي للذكاء الاصطناي في المهام البصرية لا يتطلب بالضرورة جعل النماذج أكثر ذكاءً أو تعقيداً، بل تعليمها أن تكون مراقبة أكثر تأنياً، لضمان امتلاكها للدليل الصحيح قبل أن تحاول تقديم أي إجابة.