DIFFCZSL: Compositional Zero-Shot Learning Regularized by Diffusion Representations

تخيل عالماً يستطيع فيه حاسوب أن ينظر إلى صورة تفاحة حمراء وصورة تفاحة خضراء، ويتعلم معنى "أحمر" و"أخضر"، ثم يتعرف فوراً على "تفاحة خضراء" لم يسبق له رؤيتها، حتى لو تم تدريبه فقط على التفاح الأحمر. هذا هو تحدي التعلم التكويني صفري القدرة (compositional zero-shot learning)، وهو فرع محدد من الذكاء الاصطناły الذي يسأل الآلات عن كيفية دمج المفاهيم البسيطة لتشكيل أفكار جديدة ومعقدة. لعقود من الزمن، حاول الباحثون تعليم الحواسيب هذه المهارة عبر عرض آلاف الأمثلة عليها، لكن الآلات غالباً ما تعاني عندما يُطلب منها مزج وتوفيق هذه الأفكار بطرق لم تتدرب عليها. قد تتعرف الآلة على الشيء، مثل الموز، وعلى الحالة، مثل "ناضج"، لكنها تفشل في فهم أن "الموز الناضج" هو واقع بصري محدد يختلف عن مجرد شيء "ناضج" أو "موز" بشكل عام. تكمن الصعوبة الجوهرية في تعليم الآلة رؤية العلاقة بين الأجزاء، وليس مجرد الأجزاء نفسها.

لقد وجد فريق من الباحثين في جامعة هونغ كونغ للعلوم والتكنولوجيا طريقة جديدة لمساعدة هذه الآلات على تعلم هذه المهارة، ليس عبر تعليمها المزيد من الأمثلة، بل عبر استعارة نوع مختلف من الذكاء. لقد اكتشفوا أنه بينما تتفوق نماذج الذكاء الاصطناعي القياسية في التمييز بين صورة وأخرى، فإنها تكون أحياناً غير بارعة في فهم كيفية امتزاج المفاهيم معاً. ولإصلاح ذلك، قدم الفريق "مساعداً توليدياً" في عملية التدريب. فكر في هذا المساعد كنموذج صُمم في الأصل لإنشاء صور من أوصاف نصية، بدلاً من مجرد تحديدها. ومن خلال السماح للذكاء الاصطناعي بالنظر إلى العمليات الداخلية لهذا النموذج المنشئ للصور أثناء تعلمه، تمكن الباحثون من توجيه عملية التعلم نحو فهم أعمق لكيفية ملاءمة السمات والأشياء مع بعضها البعض.

بنى الباحثون، بقيادة هانغو تيان وزملاؤه، نظاماً يطلقون عليه اسم DIFFCZSL. يبدأ نهجهم بنموذج ذكاء اصطناعي قوي وموجود مسبقاً يُعرف باسم CLIP، وهو بارع جداً في مطابقة الصور بالكلمات. ومع ذلك، لاحظ الفريق أن CLIP يعامل أحياناً "الموز الناضج" كمجرد موزة تصادف وجود كلمة "ناضج" بالقرب منها، بدلاً من كونه مفهوماً موحداً حيث يغير النضج المظهر البصري للفاكهة. ولتصحيح ذلك، أضاف الفريق خطوة ثانية أثناء مرحلة التدريب؛ حيث أخذوا نموذجاً لتوليد الصور مدرباً مسبقاً، من النوع الذي يمكنه رسم صورة عند كتابة وصف، وطلبوا منه النظر إلى نفس الصور التي يدرسها الذكاء الاصطناعي الرئيسي. يمتلك هذا النموذج التوليدي طريقة فريدة في رؤية العالم؛ لأنه يتعين عليه تعلم كيفية إعادة بناء الصورة من الصفر بناءً على النص، فإنه يولي اهتماماً كبيراً لكيفية تفاعل تفاصيل محددة، مثل ملمس قشرة الموز أو لون التفاحة، مع الشيء نفسه.

لم يستبدل الفريق الذكاء الاصطناعي الرئيسي بهذا النموذج التوليدي، بل استخدموا النموذج التوليدي كمعلم. فبينما كان الذكاء الاصطنا الرئيسي يحاول التعلم، كان النموذج التوليدي يقدم تلميحات إضافية حول بنية الصورة. لقد كان يهمس للذكاء الاصطناً الرئيسي قائلاً: "انظر، عندما ترى موزة، فإن مفهوم 'ناضج' ليس مجرد تسمية منفصلة؛ بل إنه يغير الشكل واللون البصري للموزة". استخرج الباحثون هذه التلميحات الداخلية من النموذج التوليدي ووفقوها مع فهم الذكاء الاصطناعي الرئيسي. حدثت هذه العملية فقط أثناء تعلم الكمبيوتر، وبمجرد انتهاء التدريب، تمت إزالة النموذج التوليدي، وبقي الذكاء الاصطناعي الرئيسي بسرعته وهيكله الأصليين، ولكن مع قدرة أكثر حدة على التعرف على تركيبات جديدة.

تم قياس نتائج هذه التجربة عبر ثلاث مجموعات مختلفة من الصور، تتراوح من الأحذية إلى الفاكهة إلى الأشياء اليومية. وفي كل حالة، حققت نماذج الذكاء الاصطناعي التي تلقت هذا التوجيه الإضافي أداءً أفضل من تلك التي لم تتلقه. في مجموعة بيانات للأحذية تسمى UT-Zappos، لاحظ الفريق قفزة كبيرة في الدقة، حيث نجحت النماذج في تحديد التركيبات غير المرئية بشكل أكثر تكراراً. فعلى سبيل المثال، عندما طُلب منها تحديد "تفاحة مقطعة" أو "موزة ناضجة" في سياق جديد، كانت النماذج الموجهة أقل عرضة للارتباك. كان التحسن ثابتاً سواء كان الاختبار محدوداً بفئات معروفة أو مفتوحاً على مجموعة واسعة من التركيبات الممكنة. وجد الباحثون أن النماذج أصبحت أفضل في الموازنة بين معرفتها بما رأته سابقاً وقدرتها على التخمين لما لم تره من قبل، وهي مهارة حاسمة للتطبيقات الواقعية حيث تظهر مواقف جديدة باستمرار.

كان أحد أكثر النتائج لفتاً للنظر هو أن هذا التحسن جاء دون إبطاء سرعة الكمبيوتر أو جعله أثقل. نظرًا لأن النموذج التوليدي استُخدم فقط كدليل خلال مرحلة التعلم وتم التخلص منه بعد ذلك، فقد ظل النظام النهائي يعمل بنفس سرعة النظام الأصلي. كما اختبر الفريق ما إذا كان نوع النموذج التوليدي المحدد يهم، ووجدوا أن النسخ الأحدث والأكثر تقدماً من النماذج التوليدية قدمت توجيهاً أفضل من النسخ الأقدم. بل إنهم قارنوا طريقتهم بأنواع أخرى من نماذج الذكاء الاصطناعي القوية ووجدوا أن قدرة النموذج التوليدي الفريدة على فهم كيفية مزج المفاهيم كانت هي العامل الأساسي، وليس مجرد كونه نظاماً ضخماً مدرباً مسبقاً. تشير الدراسة إلى أن الطريقة التي تتعلم بها هذه النماذج التوليدية إنشاء الصور من النصوص تلتقط بنية خفية للعالم، وهي مثالية لتعليم الآلات كيفية دمج الأفكار.

يسلط هذا العمل الضوء على مسار واعد لمستقبل الذكاء الاصطناعي. فبدلاً من محاولة بناء نموذج واحد ضخم يفعل كل شيء بشكل مثالي، أظهر الباحثون أن الجمع بين نقاط القوة لأنواع مختلفة من النماذج يمكن أن يؤدي إلى نتائج أفضل. ومن خلال السماح لنموذج ينشئ الصور بأن يعلم نموذجاً يتعرف عليها، نجحوا في جسر الفجوة في كيفية فهم الحواسيب للعالم. تشير النتائج إلى أن مستقبل الذكاء الاصطناعي قد يكمن في هذه التعاونات، حيث تعمل النماذج التوليدية والتمييزية معاً لخلق أنظمة ليست دقيقة فحسب، بل ذات فهم عميق للطبيعة المركبة والتركيبية للواقع. يوفر هذا النهج طريقة بسيطة وفعالة لجعل الآلات أكثر ذكاءً في كيفية ترابط الأشياء معاً، دون إضافة أي عبء إضافي على مهامها اليومية.