The semantic geometry of action: convergence across foundation models, human behaviour and the brain
تُظهر هذه الدراسة أن النماذج التأسيسية تنظم الأفعال الطبيعية ضمن هندسة دلالية تتقارب مع الأحكام السلوكية البشرية والتمثيلات القشرية، متفوقةً بذلك على مشفرات الفيديو التقليدية في التنبؤ بكل من تقييمات التشابه البشرية ونشاط الدماغ.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
البشر أساتذة في قراءة العالم وهو في حالة حركة. فعندما نراقب شخصًا آخر، لا نرى مجرد جسد يتحرك عبر الفضاء؛ بل نفهم على الفور ما يحاول فعله، ولماذا يفعله، وما قد تكون حركته التالية. هذه القدرة على تفسير الحركة الديناميكية هي حجر الزاوية في الذكاء البشري، مما يسمح لنا بالتنقل في المواقف الاجتماعية المعقدة والتعاون مع الآخرين. ولعقود من الزمن، حاول العلماء بناء ذكاء اصطناعي يمكنه القيام بالشيء نفسه. وبينما تستطيع برامج الكمبيوتر الحديثة الآن تحديد الأفعال بدقة عالية — مثل التمييز بين شخص يركض وشخص يمشي — ظل الباحثون يتساءلون طويلاً عما إذا كانت هذه الآلات تفهم حقًا المعنى الكامن وراء الحركة بنفس الطريقة التي يفعلها البشر. هل تنظم هذه الآلات أفعالها في "عقولها" الداخلية بناءً على المنطق ذاته الذي نستخدمه، أم أنها ببساطة تطابق أنماطًا من البكسلات دون استيعاب المفهوم الأساسي؟
لقد اتخذ فريق من الباحثين من معهد الأتمتة في الصين الآن خطوة كبيرة نحو الإجابة على هذا السؤال. فقد سعوا إلى رسم الخريطة للهيكل الخفي لكيفية تنظيم كل من البشر والذكاء الاصطناعي المتقدم لمفهوم الفعل البشري. ومن خلال مقارنة "الجغرافيا" الداخلية للفعل في النماذج اللغوية الكبيرة، والنماذج متعددة الوسائط التي يمكنها الرؤية والقراءة، والدماغ البشري، اكتشفوا تقاربًا مذهلاً. وتشير الدراسة إلى أنه عندما يتم تدريب هذه الأنظمة الاصطناعية على كميات هائلة من البيانات، فإنها تطور تلقائيًا طريقة للتفكير في الأفعال البشرية تتوافق بشكل وثيق مع الإدراك البشري، بل وتعكس الطريقة التي يعالج بها الدماغ البشري هذه الحركات نفسها.
ولاستكشاف ذلك، عامل الباحثون نماذج الذكاء الاصطناعي كأنهم مشاركون في تجربة نفسية. فقد قدموا لهذه النماذج آلاف المقاطع المرئية القصيرة والأوصاف النصية لأشخاص يقومون بأشياء متنوعة، من الطبخ والبستنة إلى القتال والرقص. طُلب من النماذج أداء مهمة بسيطة ولكنها كاشفة: بالنظر إلى ثلاثة أفعال مختلفة، كان عليها تحديد أي منها هو "العنصر الغريب". على سبيل المثال، إذا عُرض عليها فيديو لشخص يتزلج، وشخص يرسم، وشخص يتسلق جدارًا صخريًا، كان على النموذج أن يقرر أي فعل هو الأكثر اختلافًا عن الآخرين. ومن خلال تحليل ملايين هذه الاختيارات، تمكن الباحثون من إعادة بناء الخريطة الذهنية غير المرئية التي كانت تستخدمها النماذج لتصنيف هذه الأفعال. وقد فعلوا الشيء نفسه مع مجموعة كبيرة من المشاركين البشر، لإنشاء خط أساس لكيفية قيام الناس بتجميع وتمييز السلوكيات المختلفة بشكل طبيعي.
وكشفت النتياج أن كلا النوعين من النماذج، النماذج النصية فقط (التي تقرأ أوصاف الأفعال فحسب) والنماذج متعددة الوسائط (التي تشاهد الفيديوهات الفعلية)، قد طورت خرائط داخلية متشابهة بشكل صارخ مع الخريطة البشرية. لم تكن هذه الخرائط عشوائية؛ بل نظمت الأفعال في مساحات منخفضة الأبعاد حيث تقع السلوكيات المتشابهة بالقرب من بعضها البعض، وتتباعد السلوكيات المختلفة عن بعضها. والأهم من ذلك، أن هذه الخرائط الاصطناعية توقعت الاختيارات البشرية بشكل أفضل من أدوات تحليل الفيديو التقليدية التي تعتمد على الميزات البصرية البسيطة. ووجدت الدراسة أن النماذج لم تكن تحفظ الفيديوهات فحسب؛ بل كانت تلتقط الأهداف المجردة والسياقات الاجتماعية التي يستخدمها البشر لفهم الحركة. فعلى سبيل المثال، تعلمت النماذج تجميع أفعال "التواصل الاجتماعي" معًا وفصلها عن المهام "الفردية"، تمامًا كما يفعل البشر.
ولإثبات أن هذه الخرائط الداخلية كانت ذات معنى حقًا وليست مجرد خدع إحصائية، اختبرها الباحثون بطريقتين صارمتين. أولاً، استخدموا الخرائط الداخلية للنماذج لتوجيه نظام توليد الفيديو. فمن خلال تعديل رقم واحد في التمثيل الداخلي للنموذج، استطاعوا تغيير محتوى الفيديو بسلاسة. فإذا زادوا قيمة بُعد "مرتبط بالطبيعة"، يتحول المشهد من الداخل إلى الخارج؛ وإذا عززوا بُعد "الرياضة"، يتحول النشاط نحو المنافسة الرياضية. وقد أظهر هذا أن النماذج قد تعلمت مفاهيم متميزة وقابلة للتحكم يمكن التلاعب بها لإنشاء مشاهد بصرية متماسكة وجديدة.
ثانيًا، وهو الأمر الأكثر أهمية، اختبر الباحثون ما إذا كانت هذه الخرائط الاصطناعية يمكنها التنبؤ بالنشاط في الدماغ البشري. فقد أخذوا الخرائط الثابتة التي تعلمتها النماذج وطبقوها على مجموعة ضخمة من بيانات فحوصات الدماغ لأشخاص يشاهدون آلاف مقاطع الفيديو المختلفة. ووجدوا أن التنظيم الداخلي للنماذج نجح في التنبؤ بالأجزاء التي ستضيء في الدماغ البشري عند مشاهدة أفعال معينة. وكانت النماذج القائمة على النصوص، التي تعلمت مفاهيم الحركة من خلال الأوصاف اللغوية فقط دون رؤية أي فيديو، جيدة بشكل خاص في التنبؤ بالنشاط في مناطق الدماغ العليا المسؤولة عن فهم السلوكيات الاجتماعية المعقدة والموجهة نحو الأهداف. وهذا يشير إلى أن المفاهيم المجردة للفعل، والتي تم تعلمها من خلال اللغة فقط، كافية لالتقاط الهيكل الأساسي لكيفية تمثيل الدماغ البشري للحركة.
كما سلطت الدراسة الضوء على اختلافات مثيرة للاهتمام بين أنواع النماذج. فبينما التقطت النماذج التي تشاهد الفيديو التفاصيل البصرية الدقيقة، كانت النماذج النصية فقط فعالة بشكل مفاجئ في تنظيم الأفعال في فئات واسعة وذات معنى. وفي بعض مناطق الدماغ، تفوقت النماذج القائمة على النصوص في الواقع على نماذج الفيديو في التنبؤ بالاستجابات العصبية البشرية. وهذا يعني أن الفهم المفاهيمي للفعل — أي معرفة ما يحاول الشخص تحقيقه — قد يكون أكثر أهمية للإدراك الشبيه بالإنسان من التفاصيل البصرية المحددة لكيفية ظهور الحركة.
في نهاية المطاف، يوفر هذا البحث طريقة جديدة وقوية لفهم العلاقة بين الذكاء الاصطناعي والبيولوجي. فهو يوضح أنه عندما تتعرض الآلات لكميات كافية من البيانات، يمكنها تطوير هندسة دلالية مشتركة مع البشر، وتنظيم عالم الأفعال بطريقة مشابهة وظيفيًا لطريقتنا الخاصة. وتشير النتائج إلى أن الطريق نحو آلات ذكية حقًا قد لا يتطلب منا برمجة قواعد بشرية فيها بشكل صريح، بل تركها تكتشف هذه الهياكل من تلقاء نفسها من خلال التعرض لثراء التجربة الإنسانية. لا تدعي الدراسة أن الآلات تمتلك وعيًا أو مشاعر، لكنها تثبت أنها يمكن أن تبني فهمًا هيكليًا للسلوك البشري يتوافق بعمق مع فهمنا، مما يوفر أساسًا واعدًا للتفاعلات المستقبلية بين البشر والآلات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.