Human-JEPA: A Human-Centric Vision Model that Perceives and Anticipates
يُعد Human-JEPA نموذج رؤية متمحوراً حول الإنسان، تم تدريبه عبر الفيديو بواسطة التنبؤ المرتكز، وهو يحقق في آن واحد إدراكاً استاتيكياً وتوقعاً مستقبلياً بمستوى الحالة الراهنة مع عدد أقل بكثير من المعلمات مقارنة بالنماذج المتخصصة الحالية، متجاوزاً بذلك القيود السابقة في فهم الحركة وانهيار النموذج.
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
تعتبر الرؤية البشرية محركاً مزدوجاً؛ فهي لا تكتفي بمجرد تسجيل ما يحدث الآن، بل تقوم باستمرار بإجراء محاكاة لما سيحدث بعد ذلك. عندما تشاهد شخصاً يمد يده نحو كوب، يقوم دماغك في آن واحد بتحديد هوية الشخص، وتتبع وضعية جسده، والتنبؤ بدقة بمكان استقرار يده قبل أن تصل إليه. لعقود من الزمن، كافحت الذكاء الاصطناعي لمحاكاة هذا النصف الثاني من المعادلة. فبينما أصبحت الآلات بارعة للغاية في تحليل صورة فوتوغرافية واحدة —تحديد وجه الشخص، أو ملابسه، أو وضعيته— إلا أنها ظلت عمياء إلى حد كبير عن تدفق الوقت. يمكنها وصف صورة ثابتة بتفصيل دقيق، لكنها لا تستطيع توقع الحركة المستقبلية داخل الفيديو. وقد ترك هذه الفجوة جزءاً كبيراً من الفهم البشري بعيد المنال عن أجهزة الكمبيوتر، مما حد من قدرتها على التفاعل مع العالم بطريقة تبدو طبيعية أو آمنة.
يقدم بحث جديد نظاماً يسمى Human-JEPA، صُمم لسد هذه الفجوة. فقد بنى الباحثون نموذجاً يتعلم إدراك الحاضر وتوقع المستقبل في آن واحد، باستخدام مقاطع الفيديو فقط دون أي تسميات بشرية أو تعليقات يدوية. يكمن جوهر اكتشافهم في كيفية تدريب النظام. كانت المحاولات السابقة لتعليم الآلات حول الحركة البشرية تفشل غالباً لأن عملية التعلم نفسها كانت معيبة. فعندما كان النظام يحاول التعلم من الفيديو، كان يفقد بهدوء قدرته على فهم تفاصيل جسم الإنسان، مثل شكل الطرف أو ملمس الملابس، بينما يركز أكثر من اللازم على نسخ الأنماط الثابتة. وجد الباحثون أنه من خلال ربط ذاكرة النظام لشكل الإنسان بنقطة بداية ثابتة وإجباره على التنبؤ بالمستقبل بدلاً من مجرد ملء الأجزاء المفقودة من الماضي، استطاعوا منع هذا الانهيار. والنتيجة هي نموذج أصغر بكثير من النماذج الرائدة السابقة في هذا المجال، ومع ذلك يتفوق عليها في تتبع الحركة البشرية وتحديد الأفراد، كل ذلك مع الحفاظ على القدرة على تخمين ما سيحدث لاحقاً.
كان التحدي الذي واجهه الفريق هو أن النماذج القوية الموجودة حالياً تم تدريبها على صور ثابتة. هذه النماذج ممتازة في قراءة الصورة الفوتوغرافية، لكنها لا تفهم الحركة. ولإنشاء نظام يفهم البشر أثناء الحركة، بدأ الباحثون بنموذج يعتمد على الفيديو كان قد تعلم بالفعل أنماطاً عامة من الإنترنت، ثم قاموا بتخصيصه للتركيز على البشر. ومع ذلك، فإن مجرد عرض المزيد من فيديوهات الأشخاص على هذا النموذج لم ينجح؛ إذ بدأ النظام في التدهور، وفقد القدرة على التعرف على التفاصيل الدقيقة مثل أجزاء الجسم أو الملابس، وهو فشل كان من الدقة بحيث لم تظهر عملية التدريب حتى أي إشارة خطأ. كان النموذج، في الأساس، ينسى كيف يبدو الإنسان أثناء محاولته تعلم كيفية تحركه.
ولحل هذه المشكلة، قدم الباحثون طريقة أطلقوا عليها اسم "التنبؤ المرتكز" (anchored forecasting). تخيل طالباً يحاول تعلم مهارة جديدة بينما يُطلب منه نسيان الأساسيات التي يعرفها بالفعل؛ سيصبح الطالب مشوشاً على الأرجح ويفقد أساسه. منع الباحثون ذلك من خلال "تثبيت" فهم النظام للشكل البشري بنسخة مجمدة وغير متغيرة من معرفته الأصلية. ضمن هذا المرساة (المرتكز) أن النموذج، بينما يتعلم التنبؤ بالحركات المستقبلية، لن يفقد قدرته على التعرف على الحاضر. بالإضافة إلى ذلك، أضافوا تدفقاً من بيانات التدريب باستخدام صور ثابتة لأشخاص، مما ساعد النظام على الحفاظ على حس حاد لمظهر الإنسان. سمح هذا المزيج للنموذج بالاحتفاظ بإدراكه التفصيلي لجسم الإنسان مع تعلم توقع الحركة.
تضمن التغيير الرئيسي الثاني كيفية اختبار النظام أثناء التدريب. فالطرق القياسية غالباً ما تطلب من النموذج ملء كتل مفقودة من الفيديو، مما يشجعه على مجرد نسخ ما يراه قريباً في الزمان والمكان. وهذا يعتبر طريقاً مختصراً يمنع النموذج من تعلم كيفية تطور المشهد حقاً. استبدل الباحثون ذلك بتقسيم "الماضي إلى المستقبل" الصرف؛ حيث عُرض على النموذج النصف الأول من مقطع الفيديو وطُلب منه التنبؤ بالنصف الثاني. ولأن المستقبل كان مخفياً تماماً، كانت الطريقة الوحيدة للنجاح هي بناء نموذج حقيقي لكيفية تغير المشهد بمرور الوقت. هذا أجبر النظام على تعلم ديناميكيات الحركة البشرية بدلاً من مجرد حفظ الأنماط الثابتة.
كانت نتائج هذا النهج مذهلة. فعند اختباره على نقاط تفتيش مجمدة —أي أن النظام لم يكن مسموحاً له بالتعلم أكثر أثناء الاختبار— تفوق النموذج الجديد على أكبر النماذج المتخصصة في الرؤية البشرية المتاحة، رغم امتلاكه معاملات (parameters) أقل بمقدار 2.7 مرة. لقد حقق دقة أعلى في تتبع الوضعيات البشرية وتحديد الأفراد في الحشود. على سبيل المثال، في اختبار قياسي لإعادة تحديد الأشخاص، حسن درجته بمقدار 2.7 نقطة عن نسخته الأساسية وتفوق على المتخصص الرائد القائم على الصور. ولعل الأهم من ذلك، أن قدرة النموذج على توقع المستقبل لم تتضرر بهذه التغييرات؛ بل على العكس، كان رأس التنبؤ الخاص بالنظام هو الأول الذي تحسن في التوقع دون الإضرار بقدراته الأخرى.
كما اختبرت الدراسة بصرامة ما لم ينجح، مستبعدة عدة أفكار بديهية. حاول الباحثون جعل الشخص نفسه هو وحدة التنبؤ، عبر حجب أشخاص بأكملائهم لمعرفة ما إذا كان بإمكان النموذج تتبع شركائهم، لكن هذا النهج فشل تماماً، وأدى إلى انهيار قدرة النموذج على فهم التفاعلات. كما وجدوا أيضاً أن مجرد إضافة المزيد من البيانات أو زيادة حجم النموذج لم يحل المشكلات الأساسية الناتية عن طريقة التدريب. لم يكن الفشل بسبب نقص البيانات أو قوة الحوسبة، بل بسبب خلل جوهري في كيفية هيكلة هدف التعلم. وتخلص الدراسة إلى أن المفتاح لفهم البشر عبر الزمن ليس فقط في مراقبتهم، بل في تثبيت إدراك النظام لشكلهم مع إجباره على التنبؤ بمستقبلهم.
يرسي هذا العمل اتجاهاً جديداً للذكاء الاصطناعي. فهو يثبت أن نموذجاً واحداً يمكنه بنجاح التعامل مع كل من الإدراك الثابت للحاضر والتوقع الديناميكي للمستقبل، وهما مهمتان كان يُعتقد سابقاً أنهما تتطلبان نهجين منفصلين. ومن خلال منع الانهيار الصامت للإدراك التفصيلي وإزالة الاختصارات التي تعيق التعلم الحقيقي، خلق الباحثون نظاماً يرى الناس كما هم: كيانات توجد في الزمن، تتحرك وتتغير. وتشير النتائج إلى أنه لكي تفهم الآلات البشر حقاً، يجب تعليمها أن تنظر إلى الأمام، وليس فقط أن تنظر إلى الوراء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.