تخيل حاسوباً يحاول فهم العالم من خلال كاميرا مثبتة على رأس شخص ما. هذا ليس كالمشاهدة من مقعد ثابت في دار سينما. في منظور الشخص الأول هذا، يمر العالم بسرعة، وتظهر الأشياء وتختفي في طرفة عين، وقد يكون أهم دليل هو تفصيل صغير وعابر في زاوية العدسة. بالنسبة للذكاء الاصطناعي، يعد هذا لغزاً صعباً. فالأنظمة الحاسوبية الحديثة، المعروفة بنماذج الرؤية واللغة الكبيرة، ذكية للغاية في قراءة النصوص والنظر إلى الصور، لكنها غالباً ما تعاني عندما تكون الرؤية فوضوية وشخصية. فهي تميل إلى التخمين بناءً على ما قرأته سابقاً، بدلاً من النظر بدقة إلى ما هو موجود بالفعل. قد ترى مطبخاً وتفترض أن شخصاً ما يطبخ، حتى لو كان الفيديو يظهرهم وهم يغسلون كوباً فحسب، لأن قاعدتهم البيانية الداخلية تخبرهم أن المطابخ مخصصة للطبخ. وهذا الاعتماد على الذاكرة بدلاً من الملاحظة يؤدي إلى أخطاء في المواقف الحرجة، مثل عندما يحتاج روبوت إلى مساعدة إنسان أو عندما يجب على جهاز قابل للارتداء مساعدة شخص يعاني من إعاقة.

لقد طور فريق من الباحثين من الصين طريقة جديدة لتعليم هذه الأنظمة الحاسوبية التوقف عن التخمين والبدء في النظر. أطلقوا على طريقتهم اسم "التعلم الموجه بالأدلة البصرية". الفكرة الجوهرية بسيطة ولكنها قوية: إجبار الحاسوب على الإشارة إلى الجزء المحدد من الفيديو الذي يثبت صحة إجابته. وفي تجاربهم، وجدوا أنه عندما دربوا النماذج على إيجاد والاعتماد على هذه الأدلة البصرية الصغيرة والحاسمة، أصبحت الحواسيب أفضل بكثير في فهم ما يحدث في الفيديو. لقد توقفوا عن تأليف القصص بناءً على المعرفة العامة وبدأوا في وصف ما رأوه بالضبط. هذا التحول من التخمين إلى الرؤية هو خطوة مهمة نحو جعل الذكاء الاصطناعي موثوقاً في العالم الحقيقي الفوضوي للحركة البشرية.

بدأ الباحثون بالنظر في سبب فشل هذه الأنظمة الذكية كثيراً في فيديوهات الشخص الأول. لاحظ أن هناك مشكلتين رئيسيتين. أولاً، عندما كانت الأدلة البصرية ضعيفة أو يصعب رصدها، كان الحاسوب يلجأ إلى تدريبه اللغوي، مستخدماً المنطق السليم لملء الفجوات. على سبيل المثال، إذا غمس شخص فرشاة في كوب صغير، فقد يتجاهل الحاسوب الكوب ويقول إن الشخص يقوم بالرسم، لمجرد أن هذا هو ما تفعله الفرش عادةً. ثانياً، غالباً ما يتشتت انتباه الحاسوب بالصورة الكبيرة. فإذا أظهر الفيديو استوديو فنون كاملاً، فقد يركز النظام على أجواء الغرفة بدلاً من التركيز على الفعل المحدد ليد تمسك بأداة. أدرك الباحثون أن طرق التدريب الحالية لا تعاقب الحاسوب على تجاهل التفاصيل الصغيرة أو على الاعتماد كثيراً على معرفته الداخلية. لم يكن الحاسوب يُعلّم تقدير الدليل البصري الذي يراه.

ولإصلاح ذلك، بنى الفريق مسار تدريب يعمل كمدرب صارم. لم يطلبوا من البشر تسمية كل فيديو يدوياً، لأن ذلك سيكون بطيئاً ومكلفاً للغاية. بدلاً من ذلك، أنشأوا نظاماً آلياً يمسح الفيديو ويستخرج أكثر الأدلة البصرية احتمالاً. يبحث النظام في إطارات الفيديو والسؤال المطروح، ثم يحدد بقعة (patch) محددة من الصورة تبدو الأكثر صلة. كما يختار بقعة ثانية مشابهة ولكنها أقل وضوحاً، لتكون بمثابة اختبار لتركيز الحاسوب. وهذا يخلق زوجاً من الإشارات: واحدة تمثل الحقيقة والأخرى تمثل تشتيتاً مربكاً. يتم بعد ذلك تدريب الحاسوب على مواءمة استنتاجه مع الإشارة الواضحة وتجاهل الإشارة المربكة.

هناك جزء حاسم من هذه العملية وهو خطوة التصفية التي تحدث قبل أن يبدأ الحاسوب تدريبه النهائي. أدرك الباحثون أن ليست كل الفيديوهات جيدة للتدريس. فبعض الفيديوهات تكون ضبابية جداً، أو يكون الفعل المهم فيها صغيراً جداً بحيث لا يمكن رؤيته بوضوح بواسطة النظام الآلي. إذا حاول الحاسوب التعلم من هذه الأمثلة السيئة، فسوف يتعلم الارتباك فقط. لذا، بنى الفريق آلية للتحقق من جودة الأدلة البصرية. إذا لم يستطع الحاسوب العثور على جسم واضح وحاسم في الفيديو، يتم استبعاد هذا المثال. كما يتحققون مما إذا كان المثال مفيداً للتعلم حقاً. إذا كان بإمكان الحاسوب الإجابة على السؤال بسهولة، أو إذا كان الفيديو معقداً للغاية بحيث لا يقدم درساً واضحاً، يتم استبعاد هذا المثال أيضاً. يترك هذا لديهم مجموعة أصغر وعالية الجودة من الفيديوهات حيث تكون الأدلة البصرية حادة والدرس واضحاً.

بمجرد تدريب الحاسوب على هذه البيانات المصفاة وعالية الجودة، فإنه يخضع لمرحلة نهائية من التعلم المعزز. هذا هو المكان الذي يتعلم فيه الحاسوب اتخاذ خيارات أفضل من خلال تلقي مكافآت على السلوك الجيد. في هذا النظام الجديد، لا تقتصر المكافأة على الحصول على الإجابة الصحيحة فحسب، بل على الحصول على الإجابة الصحيحة من خلال النظر إلى الشيء الصحيح. إذا حدد الحاسوب بدقة الجسم أو الفعل المحدد الذي يثبت الإجابة، فإنه يحصل على مكافأة. وإذا حاول التخمين بناءً على المشهد العام أو ذكر الكثير من الأشياء غير المتعلقة لتغطية جميع الاحتمالات، فإنه يُعاقب. كما يقوم النظام بتثبيط الحاسوب بنشاط عن التركيز على البقعة "المربكة" التي أنشأوها سابقاً. هذا يجبر الحاسوب على تضييق انتباهه إلى الشيء الوحيد الذي يهم حقاً، بدلاً من نشر تركيزه عبر المشهد بأكمله.

كانت نتائج هذا النهج مذهلة. اختبر الباحثون طريقتهم على عدة معايير مختلفة مصممة لقياس مدى قدرة الحواسيب على فهم فيديوهات الشخص الأول. وقارنوا نظامهم الجديد بطرق متقدمة أخرى تم تطويرها مؤخراً. وفي كل اختبار، كان نظامهم أفضل أداءً. لقد كان أكثر دقة في الإجابة على الأسئلة حول ما كان يحدث في الفيديو، سواء كانت المهمة هي تحديد جسم، أو تخطيط تسلسل من الأفعال، أو فهم مشهد معقد. كان التحسن ثابتاً عبر أنواع مختلفة من النماذج الحاسوبية، مما يشير إلى أن الطريقة تعمل بشكل جيد بغض النظر عن بنية "الدماغ" المستخدمة. وجد الباحثون أن النظام كان جيداً بشكل خاص في التعامل مع الحالات التي يكون فيها التفصيل المهم صغيراً أو يتحرك بسرعة، وهو بالضبط حيث تفشل الأنظمة الأخرى عادةً.

كما خصص الفريق وقتاً للتحقق مما إذا كان نظامهم الآلي يختار بالفعل الأدلة الصحيحة. لقد قاموا بفحص عينة من الفيديوهات يدوياً لمعرفة ما إذا كانت البقعة البصرية التي اختارها الحاسوب تتطابق مع ما يعتبره الإنسان الجزء الأكثر أهمية. ووجدوا أنه في معظم الحالات، كان اختيار الحاسوب صحيحاً. منحهم هذا الثقة في أن العملية الآلية موثوقة بما يكفي لاستخدامها كمعلم. كما اختبروا مدى حساسية النظام للإعدادات المختلفة، مثل مدى صرامة التصفية. ووجدوا أن هناك نقطة مثالية: إذا كانت التصفية فضفاضة للغاية، سيتعلم الحاسوب من أمثلة سيئة؛ وإذا كانت صارمة للغاية، فلن يملك الحاسوب بيانات كافية للتعلم منها. ومن خلال إيجاد هذا التوازن، ضمنوا أن يكون نظامهم فعالاً وفعالاً في آن واحد.

كان أحد أكثر النتائج إثارة للاهتمام هو كيف غير النظام طريقة "تفكير" الحاسوب. فعندما نظر الباحثون في عملية الاستنتاج للنماذج القديمة، رأوا أن الحاسوب غالباً ما يقفز إلى الاستنتاجات بناءً على الإطار العام. في المقابل، أظهر النظام الجديد نمطاً واضحاً من البحث عن الدليل المحدد قبل اتخاذ القرار. على سبيل المثال، عند السؤال عن شخص يمسك بأداة، قد يقول النموذج القديم "الشخص يعمل في ورشة" بناءً على الخلفية. بينما سيقول النموذج الجديد "الشخص يمسك بمفك براغي"، لأنه تدرب على التركيز على اليد والأداة. هذا التحول من السياق العالمي إلى الدليل المحلي هو ما يجعل النظام أكثر موثوقية. فهو لم يعد مجرد تخمين بناءً على ما يحدث عادةً؛ بل أصبح يبلغ عما يحدث بالفعل.

يقر الباحثون بأن طريقتهم ليست مثالية. فهي تعمل بشكل أفضل عندما يكون الدليل المهم عبارة عن جسم أو فعل واحد محلي يمكن رؤيته بوضوح في جزء صغير من الفيديو. إذا كانت الإجابة تعتمد على تسلسل طويل من الأحداث المنتشرة عبر الزمن، أو إذا كان الجسم المهم مخفياً خلف شيء آخر، فلا يزال بإمكان النظام المعاناة. كما لاحظوا أنه إذا كان السؤال مجرداً للغاية، فقد يواجه النظام الآلي صعوبة في العثال على دليل بصري يطابقه. ومع ذلك، بالنسبة للغالبية العظمى من المهام حيث يكون التفصيل البصري المحدد هو المفتاح للإجابة، فإن نهجهم يقدم حلاً قوياً.

يمثل هذا العمل خطوة كبيرة نحو جعل الذكاء الاصطناعي أكثر تجذراً في الواقع. فمن خلال تعليم الحواسيب تقدير ما تراه فوق ما تعتقد أنها تعرفه، خلق الباحثون نظاماً أقل عرضة لارتكاب أخطاء خطيرة أو سخيفة. وفي عالم تصبح فيه الروبوتات والأجهزة الذكية أكثر شيوعاً، يعد امتلاك نظام يمكنه ببراعة النظر إلى منظور الشخص الأول وفهم ما يحدث بالضبط أمراً ضرورياً. لا تتطلب هذه الطريقة معلمين بشريين مكلفين أو كميات هائلة من البيانات الجديدة. بدلاً من ذلك، تستخدم عملية تصفية ذكية وطريقة جديدة لمكافأة الحاسوب لتوجيهه نحو الحقيقة. ومع استمرار تطور التكنولوجيا، يمكن أن يصبح هذا التركيز على الدليل البصري هو المعيار لكيفية تعليم الآلات رؤية العالم، مما يضمن أنها ترى ما يهم حقاً.