Modern Computer Vision from CNNs to Foundation Models: A Unified Framework for Representation Learning

تخيل أنك تحاول تعليم روبوت كيف يرى العالم. لفترة طويلة، كانت الطريقة الأفضل للقيام بذلك هي إعطاء الروبوت مجموعة محددة وصارمة من القواعد، مثل طاهٍ يتبع وصفة خطوة بخطوة. لكن العالم فوضوي، وملون، ومليء بالمفاجآات. مؤخرًا، حاول العلماء بناء "نماذج تأسيسية" (foundation models)—وهي عقول ضخمة وفائقة الذكاء لا تكتفي فقط باتباع وصفة، بل تتعلم حقًا ماهية الأشياء من خلال دراسة ملايين الصور، تمامًا كما يتعلم الطفل من خلال النظر حوله. هذه النماذج أصبحت الآن قوية جدًا لدرجة أنها لا تستطيع فقط تحديد قطة في صورة، بل يمكنها أيضًا وصفها، ورسم واحدة جديدة من الصفر، أو حتى فهم صوتها. السؤال الكبير الذي يطرحه الباحثون هو: هل كل هذه الأنواع المختلفة من الروبوتات الذكية هي في الواقع مجرد نسخ مختلفة من نفس الشيء؟ هل تحاول جميعها بناء نفس النوع من "الخريطة" الداخلية للعالم، ولكن باستخدام أدوات مختلفة للوصలు إلى هناك؟

هذا البحث، الذي كتبه فريق من الباحثين، يعمل كدليل جولة سياحية شاملة لهذا المشهد سريع التغير في مجال الرؤية الحاسوبية. بدلاً من معاملة الأنواع المختلفة من الذكاء الاصطناعي كقبائل منفصلة، يقترح المؤلفون "إطار عمل موحدًا". إنهم يقترحون أنه سواء استخدم النموذج طبقات تلافيفية تقليدية (التي تنظر إلى قطع صغيرة من الصورة)، أو "المحولات" (Transformers) الحديثة (التي تنظر إلى الصورة بأكملها في وقت واحد)، أو النماذج التوليدية (التي تنشئ صورًا جديدة)، فإنها جميعًا تقوم في الأساس بنفس الوظيفة: بناء ومعالجة "تمثيل كامن" (latent representation) مخفي للعالم. فكر في هذا التمثيل كأنه لغة سرية ومضغوطة يستخدمها الذكاء الاصطناعي لفهم الواقع. ويجادل البحث بأن الحدود بين النماذج التي تتعرف على الأشياء، والنماذج التي تتحدث عنها، والنماذج التي ترسمها، بدأت تتلاشى. إنها جميعًا تتقارب نحو ذكاء واحد أكثر عمومية يمكنه التعامل مع الإدراك، والاستنتاج، والابتكار في آن واحد.

تطور أعين الروبوت

لفهم أين نحن الآن، يجب أن ننظر إلى كيف تغيرت "أعين" الروبوت. لأكثر من عقد من الزمان، كانت الأداة المهيمنة هي الشبكة العصبية التلافيفية (CNN). يمكنك التفكير في الـ CNN كأنها محقق محلي صغير؛ لديها عدسة مكبرة صغيرة (مرشح) تمررها عبر الصورة، بحثًا عن أنماط بسيطة مثل الحواف أو الزوايا. إنها جيدة جدًا في هذا العمل المحلي وتتفوق في التعلم من كميات صغيرة من البيانات لأن لديها قواعد مدمجة (تحيزات استقرائية) حول كيفية عمل العالم، مثل "الأشياء عادة ما تكون أجزاؤها قريبة من بعضها البعض". ومع ذلك، فإن هذا المحقق لديه نقطة عمياء: فهو يعاني في ربط النقاط بين الأشياء البعيدة عن بعضها في الصورة. قد يرى أذن الكلب وذيله، لكنه قد يفشل في إدراك أنهما ينتميان إلى نفس الكلب إذا كانا في طرفين متقابلين من الصورة.

ثم جاءت محولات الرؤية (Vision Transformer - ViT). إذا كانت الـ CNN هي المحقق المحلي، فإن الـ ViT هي "النمامة العالمية". فبدلاً من تمرير عدسة مكبرة، تقوم بتفكيك الصورة إلى قطع صغيرة (رقع)، وتسمح لكل قطعة بالتحدث مع كل قطعة أخرى في نفس الوقت. يتم ذلك من خلال آلية تسمى "الانتباه الذاتي" (self-attention). فجأة، يستطيع الروبوت رؤية الصورة بأكملها في وقت واحد. يمكنه فورًا ربط الأذن والذيل، بغضًا عن مدى بعدهما عن بعضهما. جعل هذا الذكاء الاصطناعي قويًا للغاية، ولكنه جاء بتكلفة: فهذه النماذج "النمامة" متعطشة؛ فهي تحتاج إلى كميات هائلة من البيانات لتتعلم لأنها لا تملك نفس القواعد المدمجة التي تمتلكها الـ CNN؛ بل يجب عليها اكتشاف قواعد العالم من الصفر.

التقارب العظيم: خلط الأدوات

يسلط البحث الضوء على توجه مثير للاهتمام: كلا النهجين بدأا في الاندماج. أدرك الباحثون أن المحقق المحلي والنمامة العالمية يمتلك كل منهما نقاط قوة يفتقر إليها الآخر. لذا، بدأوا في بناء بنى هجينة (Hybrid Architectures). تخيل فريقًا يقوم فيه المحقق المحلي بالمسح الأولي للعثور على الحواف، ثم تتولى "النمامة العالمية" زمام الأمور لفهم المشهد بأكمله. نماذج مثل CoAtNet و MaxViT تفعل ذلك بالضبط؛ فهي تستخدم الطبقات التلافيفية للحصول على التفاصيل المحلية بكفاءة، ثم تنتقل إلى آليات الانتباه لفهم الصورة الكبيرة. يشير البحث إلى أن هذا ليس مجرد مزيج عشوائي، بل هو تطور ضروري للحصول على أفضل ما في العالمين: كفاءة البيانات التي توفرها الـ CNN والقدرة الاستنتاجية القوية للمحولات (Transformers).

صعود دماغ "التأسيس"

القفزة الكبيرة التالية التي يصفها البحث هي الانتقجة نحو النماذج التأسيسية (Foundation Models). هذه هي "الأدمغة الخارقة" في عالم الذكاء الاصطناعي. بدلاً من تدريب روبوت للتعرف على القطط فحسب، بدأ العلماء في تدريبهم على مليارات الصور دون أي تسميات توضيحية (التعلم الخاضع للإشراف الذاتي). نماذج مثل DINO و DINOv2 هي أمثلة على ذلك. إنها تتعلم فهم بنية العالم بمجرد النظر إلى الصور. إذا أريتهم صورة لقطة من الأمام ثم من الجانب، فسيتعلمون أن هذه هي نفس الكائن، حتى دون أن يخبرهم أحد "هذه قطة".

يوضح البحث أن هذه النماذج أصبحت بارعة جدًا في فهم التمثيلات المرئية لدرجة أنه يمكن استخدامها لأي شيء تقريبًا. فعلى سبيل المثال، ينشئ نموذج DINOv3 خرائط تفصيلية للصورة لدرجة أنه يمكنك استخدامه للعثيد على أجزاء محددة من جسم ما أو مطابقة أشياء متشابهة عبر صور مختلفة، وكل ذلك دون الحاجة إلى تدريب خاص لتلك المهام. الأمر يشبه أن الروبوت قد تعلم "قواعد" الرؤية، لذا يمكنه التحدث بأي "لهجة" (مهمة) تطلبها منه.

التحدث والرسم: النماذج متعددة الوسائط والتوليدية

تصبح القصة أكثر إثارة عندما تبدأ هذه الأدمغة البصرية في التحدث والرسم. النماذج متعددة الوسائط (Multimodal models) مثل CLIP و ImageBind تربط العالم المرئي بعالم الكلمات والأصوات. يتعلم CLIP مطابقة الصور مع الأوصاف النصية؛ إنه مثل تعليم الروبوت أن صورة "الغروب" وكلمات "الغروب" تعني الشيء نفسه. يأخذ ImageBind هذا الأمر إلى أبعد من ذلك، حيث يربط الصور بالصوت، والعمق، وحتى مستشعرات الحركة، مما يخلق مساحة مشتركة واحدة تعيش فيها كل هذه الحواس المختلفة معًا.

ثم هناك النماذج التوليدية (Generative Models)، وتحديدًا نماذج الانتشار (Diffusion Models). هؤلاء هم الفنانون؛ فهم لا يكتفون بالتعرف على صورة، بل يبدعون واحدة. يبدأون بلوحة مليئة بالضجيج العشوائي (static/noise)، ثم يقومون ببطء، خطوة بخطوة، بإزالة الضجيج للكشف عن صورة واضحة. يشير البحث إلى أن هذه النماذج تستخدم الآن عقول "المحولات" (Transformers) التي كانت تُستخدم للتعرف. تقوم محولات الانتشار (Diffusion Transformers - DiT) باستبدال الفنانين التلافيفيين القدامى بأدمغة "النمامة العالمية" الجديدة، مما يجعل توليد الفن أسرع وأكثر اتساقًا. حتى الطرق الأحدث مثل الانتشار المستقيمة (Rectified Flow) تحاول جعل هذه العملية أكثر مباشرة، بتحويل الرحلة البطيئة والمملوءة بالضجيج إلى خط مستقيم وسلس.

الصورة الكبيرة: لغة واحدة موحدة

النتيجة الجوهرية لهذا البحث هي أن كل هذه المناهج المختلفة—الشبكات التلافيفية (CNNs)، والمحولات (Transformers)، والتعلم الخاضع للإشراف الذاتي، والأنظمة متعددة الوسائط، والفن التوليدي—ليست جزرًا منفصلة. إنها جميعًا تتقارب نحو طريقة واحدة موحدة للتفكير في الرؤية. يجادل المؤلفون بأنه يجب علينا التوقف عن النظر إليها كأدوات مختلفة والبدال في رؤيتها كطرق مختلفة لبناء واستخدام تمثيل كامن (latent representation).

فكر في هذا التمثيل الكامن كأنه لغة سرية ومضغوطة يستخدمها الذكاء الاصطناعي لوصف العالم:

• الشبكات التلافيفية (CNNs) تبني هذه اللغة باستخدام قواعد محلية.
• المحولات (Transformers) تبنيها من خلال السماح لكل شيء بالتحدث مع كل شيء.
• النماذج التأسيسية (Foundation Models) تتعلم هذه اللغة من خلال قراءة المكتبة الكاملة للإنترنت.
• النماذج التوليدية (Generative Models) تستخدم هذه اللغة لكتابة قصص جديدة (إنشاء صور).

يشير البحث إلى أن مستقبل الرؤية الحاسوبية لا يتعلق باختيار فائز واحد. بدلاً من ذلك، يتعلق الأمر ببناء ذكاء بصري عام الغرض (General-Purpose Visual Intelligence). ستكون هذه الأنظمة المستقبلية قادرة على الرؤية، والفهم، والتحدث، والإبداع، كل ذلك ضمن إطار عمل واحد. ستكون قادرة على النظر إلى صورة، وشرح ما يحدث فيها، والإجابة على أسئلة حولها، وحتى رسم نسخة جديدة منها، وكل ذلك لأنها تشترك في نفس "الدماغ" الأساسي لفهم العالم.

الطريق أمامنا: التحديات والأحلام

بينما يبدو البحث متفائلًا بشأن هذا التقارب، إلا أنه يشير أيضًا إلى أننا لم نصل إلى هناك بعد. لا تزال هناك بعض العقبات الكبيرة:

• الكفاءة: هذه النماذج الضخمة متعطشة لقدرات حوسبة عالية. لا يزال جعلها تعمل على أجهزة صغيرة (مثل الهواتف أو الروبوتات) يمثل تحديًا.
• الثقة والسلامة: نظرًا لأن هذه النماذج معقدة للغاية، فمن الصعب معرفة لماذا تتخذ قرارات معينة. إذا قال ذكاء اصطناعي طبي إن مريضًا يعاني من مرض ما، فنحن بحاجة إلى معرفة ما إذا كان محقًا أم أنه مجرد تخمين. يؤكد البحث على الحاجة إلى "النشر الموثوق"، مما يعني نماذج موثوقة ويمكنها شرح قراراتها.
• البيانات: تحتاج هذه النماذج إلى كميات هائلة من البيانات عالية الجودة. إن العث_ور على قدر كافٍ من البيانات الجيدة دون نسخ كل شيء من الإنترنت يمثل مشكلة متزايدة.

في الختام، يرسم هذا البحث صورة لمجال ينضج. نحن ننتقل من بناء روبوتات متخصصة لمهام فردية (مثل مجرد عد السيارات) إلى بناء مساعدين بصريين عالميين يمكنهم التعلم، والاستنتاج، والابتكار. الأدوات تتغير، لكن الهدف أصبح أكثر وضوحًا: خلق آلات لا ترى العالم كمجرد مجموعة من البكسلات، بل كواقع غني ومترابط يمكنها فهمه والتفاعل معه.