توليد الفيديو من النص بالذكاء الاصطناعي (AI): كيف تصنع الخوارزميات حركة متصلة من مجرد كلمات؟

يبدو مشهد تحويل جملة نصية قصيرة إلى مقطع فيديو سينمائي نابض بالحياة عبر أدوات الذكاء الاصطناعي الحديثة وكأنه خدعة سحرية مذهلة. يكفي أن تكتب وصفاً دقيقاً مثل: 'لقطة جوية لطائرة مسيرة تحلق فوق بحيرة جبلية يعلوها الضباب عند شروق الشمس'، لترى بعد ثوانٍ معدودة أمواج الماء تتماوج، وخيوط الضباب الصباحي تتفرق، وانعكاسات أشعة الشمس الذهبية تتلألأ على السطح بانسيابية تامة. يبدو المشهد وكأنه فيلم رسوم متحركة باهظ التكلفة أنتجته كبرى استوديوهات السينما، دون استخدام كاميرا حقيقية أو برامج تصميم ثلاثية الأبعاد أو طواقم تصوير.

لكن خلف هذا الإبهار البصري المتقن يكمن تحدٍ حاسوبي ورياضي هائل؛ فإذا كان توليد صورة ثابتة مقنعة أمراً معقداً، فإن توليد الحركة المتدفقة يتطلب السيطرة على بعد إضافي في غاية الصعوبة، وهو بعد الزمن والحفاظ على استمرارية العناصر عبر عشرات الإطارات المتتالية في كل ثانية.

الانتقال الحاسم من الصورة الثابتة إلى شريط متحرك

تعتمد معظم مولدات الفيديو الذكية على نماذج الانتشار وإزالة الضباب الرقمي تدريجياً (المعروفة بـ diffusion models)، وهي التقنية الأساسية ذاتها المستخدمة في توليد الصور من النصوص. ففي توليد الصور الثابتة، تتعلم الشبكة العصبية إزالة التشويش الرقمي العشوائي تدريجياً من شبكة بكسلات ثنائية الأبعاد حتى تظهر صورة واضحة تطابق النص المكتوب.

غير أن صناعة الفيديو لا يمكن أن تتم بمجرد توليد أربع وعشرين صورة منفصلة لكل ثانية؛ فإذا أنتج النموذج كل لقطة بمعزل عن الأخرى، فسيظهر الشخص الذي يمشي على الشاشة وهو يرتدي سترة زرقاء في اللقطة الأولى، ثم سترة خضراء في اللقطة الخامسة، وتتغير ملامح وجهه في اللقطة العاشرة، ليختفي فجأة في اللقطة العشرين. ورغم أن كل لقطة منفردة قد تبدو متقنة، إلا أن تشغيلها معاً سينتج عنه وميض بصري فوضوي ومشوه يستحيل الاستمتاع به.

لحل هذا المعضل، ابتكر الباحثون نماذج المعالجة المكانية والزمانية المدمجة (المعروفة بـ spatio-temporal models)؛ حيث يتعامل النموذج مع مقطع الفيديو ككتلة بيانية واحدة ثلاثية الأبعاد، يمثل فيها العرض والارتفاع فضاء المكان، بينما يمثل المحور الثالث تدفق الزمان. وتتولى طبقات الانتباه الزمني لمتابعة تسلسل الحركة (المعروفة بـ temporal attention layers) حساب العلاقات الرياضية الدقيقة بين البكسلات عبر الإطارات المتجاورة؛ فتسأل الخوارزمية نفسها: إذا كان ركن فنجان القهوة عند إحداثيات معينة في هذه اللقطة، فأين ينبغي أن يكون موقعه بعد جزء من ثلاثين من الثانية مع تحرك زاوية الكاميرا؟

أسباب عجز الخوارزميات أمام قوانين الفيزياء الحقيقية

ورغم أن طبقات الانتباه الزمني لمتابعة تسلسل الحركة (المعروفة بـ temporal attention layers) تضمن ثبات الألوان والظلال العامة، إلا أن الشبكات العصبية تفتقر تماماً إلى الفهم الفعلي لقوانين الطبيعة. فمحركات ألعاب الفيديو التقليدية تحسب الكتلة والجاذبية والاصطدام بدقة؛ فلا يمكن لجسم صلب أن يخترق جسماً آخر. أما نماذج الفيديو التوليدية، فلا تحاكي فيزياء المادة، بل تحاكي فقط الأنماط الإحصائية لما تبدو عليه لقطات الفيديو في بيانات التدريب.

وبسبب هذا الفارق الجوهري، تقع المقاطع المولدة في أخطاء بصرية تكشف حقيقتها المصنوعة بمجرد التدقيق المتأني:

• أطراف وأجساد شبحية مشوهة تظهر وتختفي (المعروفة بـ phantom anatomy): عند حركة الركض أو المشي السريع، يعجز النموذج عن تتبع الأقدام بدقة؛ فتتداخل الأرجل مؤقتاً أو تظهر أصابع إضافية في اليد وتختفي فجأة أثناء الحركة.
• مخالفة ديناميكا السوائل والكتلة: عند سكب كوب ماء أو حليب، غالباً ما يخترق السائل جدار الكوب الزجاجي دون عائق، أو تطفو القطرات في الهواء متجاهلة الجاذبية الأرضية.
• تغير هوية الأجسام أثناء الاحتجاب: عندما تمر سيارة خلف عمود إنارة أو لافتة طريق، قد تخرج من الجانب الآخر بلون مختلف أو طراز مختلف تماماً عن مظهرها الأصلي.
• تموج الخلفيات وتغير أبعاد المنظور: تتمايل المباني والأشجار البعيدة بسرعة غير متناسقة مع حركة الأجسام في المقدمة، مما يعطي إحساساً سريالياً شبيهاً بالأحلام.

كيف تكتشف المقاطع المصنوعة وتتحقق من مصدرها

تُعرض مقاطع الفيديو على منصات التواصل الاجتماعي بحجم صغير وضغط رقمي عالٍ وسرعة تحرير سريعة، مما يجعل من السهل على المشاهد العابر تصديق المشاهد الخيالية للوهلة الأولى. لكن عندما تشاهد مقطعاً يثير الشك أو يقدم ادعاءات غير عادية، أوقف الفيديو ودقق في الإطارات الفردية؛ راقب نقاط تلامس أقدام الأشخاص مع الأرض، واتساق الظلال مع مصادر الضوء، وتماسك حواف الأجسام الصلبة.

ومع استمرار تطور هذه البرمجيات وزوال العيوب البصرية تدريجياً، أصبح التوثيق الرقمي للمصدر هو المعيار الحاسم للتحقق من صحة المشاهد. وتعمل مبادرات عالمية، مثل تحالف توثيق المحتوى والتحقق من أصالته، على دمج بيانات مشفرة داخل ملفات الفيديو تثبت ما إذا كان المقطع ناتجاً عن عدسة كاميرا حقيقية أم توليد خوارزمي. إن بناء عادة التحقق من المصدر هو درعك الأقوى لحماية نفسك من التضليل البصري.