​WolverBear-Enhanced Evolution Transformer for Optimized Scene Understanding and Classification

لفهم كيف تتعلم الآلات رؤية العالم، يجب علينا أولاً أن نفهم كيف تعاني في ذلك. لعقود من الزمن، كانت أجهزة الكمبيوتر ممتازة في تحديد الأشياء: قطة، سيارة، شجرة. لكن التعرف على "المشهد" — السياق المعقد والحي حيث توجد تلك الأشياء معاً — ظل تحدياً مستعصياً. قد يرى الكمبيوتر شخصاً وكرسياً، لكنه غالباً ما يفشل في إدراك أن الشخص يجلس في فصل دراسي، أو أن الغرفة تضج بنوع معين من النشاط. ويتفاقم هذا الصعوبة عندما تتغير البيئة، مثل تغير الإضاءة أو عندما تكون الأشياء محجوبة جزئياً. علاوة على ذلك، فإن العالم الحقيقي ليس صامتاً؛ بل هو مليء بالأصوات. فالفصل الدراسي يضج بالدردشة، والغابة تحفّها حفيف الرياح، والشاطئ تضرب فيه الأمواج. غالباً ما تحاول الأساليب الحالية حل هذه المشكلات من خلال النظر إلى الصورة وحدها أو الاستماع إلى الصوت وحده، مما يؤدي إلى تفويت الارتباط الغني بين الاثنين. وعندما لا تستطيع الآلة الجمع بين ما تراه وما تسمعه، يظل فهمها للعالم مسطحاً وغير مكتمل.

اقترح باحثون في معهد فيلور للتكنولوجيا طريقة جديدة لسد هذه الفجوة، من خلال إنشاء نظام مصمم لفهم المشاهد بعمق الملاحظ البشร. نهجهم، الذي فُصّل في دراسة حديثة، لا يكتفي بمجرد النظر إلى صورة أو الاستماع إلى تسجيل؛ بل يبني خريطة ذهنية للمشهد تربط الأشياء بالأفعال. جوهر ابتكارهم هو طريقة تدريب جديدة لنوع قوي من الذكاء الاصطناعي يسمى "محول التطور" (Evolution Transformer). تم تصميم هذا النظام لتعلم سمات المشهد، لكن الباحثين وجدوا أن طرق التدريب القياسية لم تكن فعالة بما يكفي للتعامل مع تعقيد البيئات الواقعية. ولإصلاح ذلك، طوروا استراتيجية تحسين مخصصة يسمونها خوارزمية "وولفر بير" (WolverBear). تجمع هذه الطريقة بين غرائز الصيد لدى حيوان الـ "وولفرين" (السمور)، المعروف بقدرته على تتبع الفريسة عبر مسافات شاسعة، وسلوك البحث عن الطعام لدى الدب البني، الماهر في العثور على الغذاء في منطقة محددة. ومن خلال محاكاة هاتين الاستراتيجيتين الحيوانيتين المتمايزتين، يتعلم الكمبيوتر استكشاف الاحتمالات الجديدة على نطاق واسع مع التعمق أيضاً في الحلول الأكثر واعدية، مما يضمن إيجاد أفضل طريقة لفهم المشهد دون الوقوع في طريق مسدود.

تبدأ العملية عندما يتلقى النظام زوجاً متزامناً من البيانات: صورة للمشهد وتسجيل صوتي مطابق له. يتم أولاً تفكيك الصورة لتحديد الأشياء الرئيسية داخلها، مثل الأشخاص أو الأثاث أو العناصر الطبيعية. ثم تُغذى هذه الأشياء في "محول التطور"، وهو عقل العملية، الذي تم ضبطه بدقة بواسطة خوارزمية "وولفر بير". يقوم هذا العقل المصقول بتحليل الأنماط البصرية وتصنيف المشهد، ليقرر ما إذا كان شاطئاً، أو غابة، أو فصلاً دراسياً، أو مطعماً. هذا التصنيف ليس نهاية القصة؛ بل يصبح الأساس، أو "العقدة"، لبنية أكبر. وفي الوقت نفسه، يعالج النظام الصوت من التسجيل، مستخرجاً أنماطاً صوتية محددة تكشف عما يحدث. ويستخدم نموذجاً متخصصاً للرؤية والصوت لتحديد الأفعال، مثل تحدث شخص ما، أو قيادة سيارة، أو تغريد الطيور. وتُعامل هذه الأفعال كـ "الحواف" التي تربط الأشياء ببعضها، واصفة العلاقات بينها.

من خلال الجمع بين المشهد المصنف والأفعال المحددة، يبني النظام "رسم بياني للمشهد" (Scene Graph). هذا تمثيل مهيكل حيث تكون الأشياء هي النقاط والأفعال هي الخطوط التي تربط بينها، مما يخلق صورة كاملة للبيئة. على سبيل المثال، في الفصل الدراسي، لا يرى النظام شخصاً وكرسياً فحسب؛ بل يفهم أن الشخص يجلس على الكرسي بينما يتحدث المعلم. يسمح هذا الرسم البياني للآلة بالاستنتاج حول المشهد بطريقة كانت صعبة سابقاً على الذكاء الاصطناعي. اختبر الباحثون هذا الإطار على مجموعة بيانات تحتوي على صور وأصوات من ثماني بيئات مختلفة، بما في ذلك الشواطئ والمدن والغابات ومتاجر البقالة. وقارنوا طريقتهم الجديدة بعدة تقنيات رائدة حالية تعتمد على أنواع واحدة من البيانات أو طرق تحسين قديمة. وأظهرت النتائج ميزة واضحة لنهجهم.

تم قياس أداء النظام الجديد بمدى دقة قدرته على تحديد المشهد الصحيح ومدى جودة تمييزه عن غيره. في الاختبارات، حقق نظام "وولفر بير" المحسن دقة إجمالية بلغت 97.368%. وقد حدد الأمثلة الإيجابية، مثل مشهد الشاطئ عند وجوده، بنسبة 98.146% من المرات. كما أثبت فعالية عالية في استبعاد المشاهد غير الصحيحة، محققاً معدل سلبية حقيقية بنسبة 96.579%. كانت هذه الأرقام أعلى باستمرار من الأساليب المنافسة، التي عانت أكثر مع الإضاءة المعقدة، والحجب، وتكامل الصوت والرؤية. تشير الدراسة إلى أنه من خلال موازنة البحث الواسع عن أنماط جديدة مع الصقل المركز لأفضلها، يتعلم النظام سمات أكثر قوة. وهذا يسمح له بالتعامل مع الطبيعة الفوضوية وغير المتوقعة للبيئات الواقعية بشكل أفضل من النماذج السابقة.

على الرغم من هذه النتائج القوية، يحرص الباحثون على توضيح حدود عملهم. فقد أُجريت التجارب على مجموعة بيانات محددة، وبينما تبدو النتائج واعدة، لم يتم اختبار النظام بعد على التنوع الفوضوي الكامل للعالم الحقيقي. يركز النموذج الحالي على العلاقات بين أزواج من الأشياء ولا يلتقط بعد بشكل كامل التفاعلات المعقدة التي تشمل العديد من الأجزه المتحركة في آن واحد. بالإضافة إلى ذلك، فإن الخطوة الإضافية لتحسين عملية التدريب تضيف طبقة من التكلفة الحسابية، مما قد يجعل من الصعب تشغيله على الأجهزة الصغيرة التي تعمل بالبطارية مثل تلك المستخدمة في الروبوتات أو الهواتف الذكية. ويقر المؤلفون بأنه لكي يكون النظام جاهزاً حقاً للاستخدام على نطاق واسع، فإنه سيحتاج إلى الاختبار على مجموعات بيانات أكبر وأكثر تنوعاً، وأن يصبح أكثر كفاءة. ومع ذلك، تمثل هذه الدراسة خطوة هامة للأمام في تعليم الآلات رؤية وسماع العالم كمكان موحد وديناميكي، والانتقال من مجرد التعرف البسيط نحو الفهم الحقيقي.