WildHandBench: A Benchmark for Handwritten Text Understanding that Challenges MLLMs and Humans

في الزوايا الهادئة لعالمنا الرقمي، حدث تحول ملحوظ. فقد أصبحت الحواسيب ماهرة للغاية في قراءة النصوص المطبوعة لدرجة أنها باتت تستطيع الآن فك رموز جريدة ممسوحة ضوئياً أو تقرير مطبوع بدقة تقارب الكمال. هذه القدرة، المعروفة باسم التعرف الضوئي على الحروف، وصلت إلى نقطة تمكنت فيها الآلات من قراءة المستندات القياسية بشكل جيد تقريباً مثل البشر. ولكن هناك حدوداً شاسعة وفوضوية لا تزال غير ملموسة إلى حد كبير رغم هذا النجاح: الصفحة المكتوبة بخط اليد. فخلافاً للحروف الموحدة والمتوقعة في كتاب مطبوع، يعد خط اليد مشهداً فوضوياً من الحلقات، والمنحدرات، واللطخات. وهو يتباين بشدة من شخص لآخر، وغالباً ما يعاني من آثار الزمن وعوامل التآكل. ولعقود من الزمن، تساءل الباحثون عما إذا كان الذكاء الاصطعي نفسه الذي يقرأ النصوص المطبوعة يمكنه حقاً فهم اليد البشرية، أم أن الواقع الفوضوي لملاحظة مكتوبة بخط اليد يمثل نوعاً مختلفاً من التحدي تماماً.

لقد خطا فريق من الباحثين من شركة "بايدو" (Baidu Inc.) الآن نحو هذه الفجوة باختبار جديد صُمم لقياس مدى التقدم الذي أحرزته هذه الآلات بالضبط. لقد أنشأوا مجموعة من خمسمائة وثيقة مكتوبة بخط اليد تحاكي العالم الحقيقي، حيث جمعوا كل شيء بدءاً من السجلات الطبية والنماذج التجارية وصولاً إلى الملاحظات الدراسية والرسائل التاريخية. لم تكن هذه الوثائق مسوحات نظيفة ومثالية؛ بل تضمنت العيوب الطبيعية للحياة الواقعية، مثل الحبر الباهت، والكلمات المشطوبة، والتباعد غير المتساوي. كانت المجموعة متنوعة، حيث احتوت على نصوص باللغتين الصينية والإنجليزية، وغطت ثلاثة أنواع متميزة من الكتابة: الفقرات الانسيابية، والجداول المنظمة، والمعادلات الرياضية المعقدة. ولضمان أن يكون الاختبار عادلاً وصارماً، لم يعتمد الباحثون فقط على الحواسيب لتصحيح الإجابات، بل استعانوا بقراء بشر لنسخ نفس الوثائق، مما خلق معياراً عالياً للأداء كان على الآلات محاولة الوصول إليه.

عندما وضع الباحثون ثمانية عشر نموذجاً من أكثر نماذج الذكاء الاصطناعي تقدماً تحت الاختبار، كانت النتائج واقعية ومثبطة. فبينما استطاعت أفضل النماذج الحاسوبية قراءة المستندات المطبوعة بدقة تتجاوز ستة وتسعين بالمائة، انخفض أداؤها بشكل كبير عند مواجهة خط اليد. تمكن النموذج الأفضل أداءً من قراءة المحتوى الإجمالي بشكل صحيح بنسبة 72% تقريباً فقط. أكدت هذه الفجوة أن القدرة على قراءة النص المطبوع لا تترجم تلقائياً إلى فهم خط اليد. والأكثر دلالة كان المقارنة مع القراء البشر؛ فقد حقق البشر درجة تقارب 77%، متفوقين على أفضل آلة بهامش صغير ولكنه ملموس. يشير هذا الفرق الضئيل إلى أنه بينما تقترب الحواسيب، إلا أنها لا تزال أمام طريق طويل قبل أن تتمكن من مضاهاة الحدس الطبيعي للعين البشرية.

ومع ذلك، لم يكن الاكتشاف الأكثر إثارة للدهشة هو مجرد أن الآلات كانت مخطئة، بل في كيفية وقوعها في الخطأ. فعندما يواجه القارئ البشري كلمة ملطخة أو غير واضحة، فإنه يميل إلى توخي الحذر؛ قد يترك مساحة فارغة أو يكتب فقط الأجزاء التي هو متأكد منها، معترفاً بعدم اليقين. وفي المقابل، تصرفت الحواسيب بثقة غريبة وخطيرة. فعندما كانت الأدلة البصرية غير واضحة، قامت الآلات غالباً بملء الفراغات بكلمات ذات معنى قواعدي سليم تماماً، لكنها غير مدعومة بما هو مكتوب فعلياً على الصفحة. وجد الباحثون أن ما بين 63 و91 بالمائة من الأخطاء التي ارتكبتها هذه النماذج كانت مدفوعة بهذا الاعتماد على الأنماط اللغوية بدلاً من الدليل البصري. بعبارة أخرى، كانت الحواسيب تخمن بناءً على ما "يُفترض" أن تقوله الجملة، بدلاً مما "يقوله" الحبر الموجود على الورقة بالفعل.

يكشف هذا التمييز عن اختلاف جوهري في كيفية معالجة البشر والآلات للمعلومات. فالبشر متحفظون عندما يواجهون الغموض؛ إنهم يثقون بأعينهم ويعترفون عندما لا يستطيعون الرؤية. أما الآلات، المزودة بمهارات لغوية قوية، فهي عرضة لـ "الهلوسة" بنصوص سلسة ولكن خاطئة عندما تكون القرائن البصرية ضعيفة. هذا السلوك مثير للقلق بشكل خاص في المجالات التي تكون فيها الدقة أمراً حاسماً، مثل قراءة الوصفات الطية أو الوثائق القانونية، حيث يمكن أن يكون للتخمين الواثق والخاطئ عواقب وخيمة. وتخلص الدراسة إلى أنه بينما حقق الذكاء الاصطناعي خطوات هائلة في قراءة النصوص المطبوعة، فإن الطبيعة الفوضوية وغير المتوقعة لخط اليد البشري تظل تحدياً متميزاً وغير محلول. فالآلات لا تفشل فقط في رؤية الحروف، بل تفشل أيضاً في معرفة متى تتوقف عن التخمين.