Semantic Visual Representations Emerge from Embodied Self-Supervised Learning
تقدم هذه الورقة البحثية التعلم الذاتي الخاضع للتجسيد (E-SSL)، وهو نموذج يستفيد من الاتساق الزمني والمصادفات الحسية الحركية المستمدة من التفاعل البشري الطبيعي لتوليد تمثيلات بصرية دلالية عالية المستوى تتفوق على النماذج الحالية، وتتوافق بشكل أوثق مع القشرة البصرية للأطفال في مرحلة ما قبل الكلام، وتقدم رؤى جديدة حول أصول التطور البصري البشري وتخصص المسارات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
نظام تحديد المواقع السري للدماغ: كيف يساعدنا التحرك على الرؤية
تخيل أنك تحاول تعلم شكل "الكلب" من خلال التحديق في صورة واحدة ثابتة. قد تحفظ الألوان وملمس الفراء، لكنك ستفقد الطريقة التي تتدلى بها أذناه عندما يركض، أو كيف يتغير شكله عندما يدير رأسه. الآن، تخيل أنك تتعلم من خلال التجول حول الكلب بالفعل، ومراقبته من كل زاوية، والشعيد بكيفية تحرك جسدك للحفاظ على بقائه في مجال رؤيتك. هذا هو الفرق بين برنامج كمبيوتر ثابت وبين طفل بشري. لعقود من الزمن، حار العلماء في سؤال كبير: كيف يتعلم الدماغ البشري، بوجود معلم يكاد يكون معدوماً ولا كتب مدرسية، فهم العالم بهذه السرعة؟ نحن نعلم أن الأطفال لا يجلسون ساكنين فحسب؛ بل يزحفون، ويمدون أيديهم، ويتدحرجون، ويحركون أعينهم وأجسادهم باستمرار. تستكشف هذه الورقة فكرة أن هذه الحركة ليست مجرد عرض جانبي لكوننا على قيد الحياة، بل هي المفتاح الفعلي الذي يفتح قدرتنا على رؤية وفهم الأشياء.
يختبر الباحثون فكرتين رئيسيتين كانتا تترددان في الأوساط العلمية لفترة من الوقت. الأولى هي الاتساق الزمني (Temporal Consistency)، وهي طريقة منمقة للقول بأن "الأشياء التي تحدث قريًبا من بعضها في الوقت من المرجح أن تكون مرتبطة". إذا رأيت كرة حمراء، ثم بعد ثانية رأيت كرة حمراء في مكان مختلف قليلاً، يفترض دماغك أنها نفس الكرة. الفكرة الثانية هي الارتباطات الحسية الحركية (Sensorimotor Contingencies)، وهي القاعدة التي تقول "أفعالي تغير ما أراه". إذا أدرت رأسي لليسار، يتحرك العالم لليمين. إذا أمسكت بكوب، يظهر المقبض. تسأل الورقة: إذا علمنا الكمبيوتر أن يتعلم فقط من خلال مشاهدة فيديوهات لأشخاص يتحركون وينظرون حولهم، باستخدام هاتين القاعدتين البسيطتين فقط، هل سيتعلم الرؤية مثل البشر؟ والأهم من ذلك، هل سيتعلم الرؤية مثل طفل لم يتعلم حتى الكلام بعد؟
الروبوت الذي يتعلم عن طريق "المشي"
تعرف على E-SSL (التعلم الذاتي المعتمد على التجسيد). فكر فيه كدماغ روبوت رقمي ليس لديه معلم، ولا كتاب مدرسي، ولا حتى لغة. بدلاً من تغذيته بملايين الصور المصنفة مثل "هذه قطة" أو "هذه سيارة"، يتم إعطاء هذا الروبوت 300 ساعة من لقطات الفيديو الخام من منظور الشخص الأول، مسجلة من نظارات يرتديها بشر حقيقيون. تعرض هذه الفيديوهات بالضبط ما رآه البشر، وأين كانت أعينهم تنظر، وكيف تحركت رؤوسهم وأجسادهم.
مهمة الروبوت هي اكتشاف قواعد العالم من تلقاء نفسه. يستخدم حيلتين: أولاً، ينظر إلى صورتين تم التقاطهما بفارق جزء من الثانية. إذا لم تتغير الصورة كثيراً، يفترض أن الشيء هو نفسه (الاتساق الزمني). ثانياً، ينظر إلى كيفية تحريك الإنسان لرأسه أو عينيه بين هاتين الصورتين. يحاول أن يتعلم أن "عندما أحرك رأسي بهذه الطريقة، يتحرك العالم بتلك الطريقة" (الارتباطات الحسية الحركية). الأمر يشبه طفلاً يتعلم أنه إذا دار حول نفسه، فإن الغرفة تدور معه، ولكن إذا رمش بعينيه فقط، تظل الغرفة ثابتة.
ماذا وجدوا؟
كانت النتائج قوية بشكل مفاجئ. على الرغم من أن الروبوت لم يسمع كلمة واحدة من اللغة ولم يرَ تسمية تخبره بما هو الشيء، إلا أنه بدأ في بناء خريطة ذهنية للعالم تشبه إلى حد كبير خريطة البشر.
1. تعلم التعرف على الأشياء (تقريباً بمستوى البالغين)
عندما اختبر الباحثون الروبوت في اختبارات صور قياسية (مثل تحديد الأشياء في مجموعة بيانات ImageNet-1k)، أجاب بشكل صحيح على حوالي 71% من الأسئلة. هذه قفزة هائلة مقارنة بنماذج الكمبيوتر الأخرى "المستوحاة بيولوجياً" التي تحاول تقليد الدماغ ولكنها لا تستخدم الحركة. ورغم أنه لا يزال متأخراً بنسبة 20% عن الإنسان البالغ تماماً (الذي يمتلك سنوات من اللغة والخبرة)، إلا أنه يتفوق بمراحل على مجموعة نماذج الكمبيوتر الأخرى. لقد أثبت أنك لست بحاجة إلى معلم لتعرف ما هو "الكوب" أو "الكلب"؛ أنت فقط بحاجة إلى التحرك ومراقبة كيف تتغير الأشياء.
2. يفكر مثل الطفل
هنا يصبح الأمر رائعاً حقاً. قارن الباحثون "دماغ" الروبوت بأدمغة الأطفال الحقيقيين. ووجدوا أن طريقة الروبوت في رؤية الأشياء تطابقت مع نشاط دماغ الرضع بعمر 9 أشهر بشكل أفضل بكثير مما طابقت أدمغة البالغين.
- اختبار "الشكل مقابل الملمس": يشتهر الأطفال بالتعلم للتعرف على الأشياء من خلال شكلها بدلاً من لونها أو ملمسها. فالكرة الحمراء والكرة الزرقاء كلتاهما "كرات" بالنسبة للطفل. الروبوت، بعد التعلم بالحركة، بدأ يفعل الشيء ذاته. لقد تعلم التركيز على شكل الشيء، تماماً مثل الطفل الصغير.
- اكتشاف "المقبض": تعلم الروبوت أنه إذا رأى مقبضاً، فمن المحتمل أن يكون كوباً، حتى لو لم يرَ الكوب كاملاً بعد. هذه مهارة تظهر لدى الأطفال البشر في سن 18 شهراً تقريباً، وقد طورها الروبوت بمجرد مشاهدة الناس وهم يتحركون.
3. الحركة هي المكون السري
أجرت الورقة تجربة رائعة لمعرفة لماذا تهم الحركة. قاموا بمحاكاة نسخة "دمية" من الروبوت. في هذه النسخة، رأى الروبوت نفس الفيديوهات، لكن حركات الرأس كانت مشوشة أو مزيفة. لم يتعلم الروبوت بشكل جيد.
- تأثير "المتأخر في المشي": قاموا أيضاً بمحاكاة روبوت بدأ يتعلم تحريك رأسه فقط بعد أن كان قد تدرب لفترة من الوقت بالفعل. النتيجة؟ كانت رؤية الروبوت أسوأ من الروبوت الذي بدأ الحركة فوراً. هذا يشير إلى أن اللحظة التي يبدأ فيها الطفل البشري في الزحف أو المشي (التنقل) هي لحظة "وجدتها!" حاسمة لرؤيته. الأمر ليس مجرد أنهم يرون أكثر؛ بل إن أدمغتهم أخيراً تستطيع ربط أوامر عضلاتهم بما يرونه، مما يعزز تعلمهم بشكل هائل.
4. طريقا الدماغ السريعان
أخيراً، اكتشفت الورقة شيئاً حول كيفية تنظيم "دماغ" الروبوت لنفسه. يمتلك الدماغ البشري طريقين بصريين رئيسيين:
- المسار البطني (Ventral Stream) (مسار "ما هو"): يساعدنا على التعرف على ماهية الشيء (مثلاً: "هذا قط").
- المسار الظهري (Dorsal Stream) (مسار "أين وكيف"): يساعدنا على فهم أين يوجد الشيء وكيفية التفاعل معه (مثلاً: "أحتاج للإمساك بهذا الكوب").
وجد الباحثون أن الروبوت قسم تعلمه بشكل طبيعي إلى هذين النوعين من المسارات، تماماً كما يفعل الدماغ البشري. الجزء من الروبوت الذي تعلم عن "الزمن" (الاتساق الزمني) أصبح جيداً جداً في التعرف على الأشياء (البطني). أما الجزء الذي تعلم عن "الحركة" (الارتباطات الحسية الحركية) فقد أصبح جيداً جداً في فهم التغيرات المكانية والأفعال (الظهري). هذا يشير إلى أن هذين المسارين المتميزين في أدمغتنا قد لا يكونان مبرمجين منذ الولادة، بل قد ينشآن طبيعياً من الفعل البسيط المتمثل في التحرك ومراقبة تغير العالم من حولنا.
الخلاصة
تشير هذه الورقة إلى أن سر الرؤية البشرية ليس مجرد امتلاك كاميرا عالية الجودة (أعيننا) أو كمبيوتر خارق (دماغنا). بل هو حقيقة أننا متجسدون. نحن نتحرك، ونلمس، ونغير منظورنا. من خلال مجرد التحرك عبر العالم ومراقبة كيف تغير أفعالنا ما نراه، تتعلم أدمغتنا بشكل طبيعي التعرف على الأشكال، وفهم الأشياء، وتقسيم الرؤية إلى "ما هو" و"أين".
بينما ليس الروبوت بذكاء طفل في الثالثة من عمره (الذي يمكنه تعميم الأشكال بشكل أفضل)، إلا أنه يثبت أنك لست بحاجة إلى لغة أو مجموعات بيانات ضخمة لتبدأ في رؤية العالم. أنت فقط بحاجة إلى التحرك. وهذا يشير إلى أن اللحظة التي يبدأ فيها الطفل بالزحف، يحصل دماغه على ترقية هائلة، محولاً ضباب الألوان إلى عالم من الأشياء القابلة للتمييز والإمساك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.