كيف يتعلم الذكاء الاصطناعي محاكاة العالم المادي؟ رحلة داخل نماذج توليد الفيديو

تخيل أنك تكتب جملة بسيطة: "طائر يحط على غصن في حديقة، والرياح تحرك أوراق الشجر". بعد ثوانٍ، يظهر مقطع فيديو يتحرك فيه الطائر وتتمايل الأوراق. لكن السؤال الذي يربك كثيرين: كيف عرفت الآلة أن الأوراق يجب أن تتمايل؟ لم تصوّر هذا المشهد من قبل، ولم يخبرها أحد بقوانين الرياح. الإجابة تكمن في طريقة تعلم مختلفة تماماً عن البرمجة التقليدية.

من الصورة الثابتة إلى الحركة: كيف يرى النموذج الفيديو؟

قبل أن نفهم كيف يتحرك الفيديو، علينا أن نعرف كيف يرى النموذج الصورة أصلاً. تخيل أنك تقطع صورة كبيرة إلى مربعات صغيرة، مثل قطع أحجية. كل مربع يحتوي على جزء من المشهد: هنا عين، هناك ورقة شجر. النموذج لا يرى الصورة كاملة دفعة واحدة، بل يرى هذه المربعات ويفحص العلاقة بينها. هذا ما يسمى بـ"الرقائق المكانية" (spatial patches).

في الفيديو، يضاف بُعد ثالث: الزمن. فبدلاً من مجرد تقطيع الصورة إلى مربعات، يقطّع النموذج الفيديو إلى مكعبات صغيرة تمتد عبر الزمن. كل مكعب يحتوي على بقعة من المشهد في لحظة معينة. هذه المكعبات الزمانية-المكانية (spatio-temporal patches) هي الطريقة التي يرى بها النموذج الحركة: ليس كصورة واحدة، بل كسلسلة من اللحظات المتجاورة.

الآن، كيف يتحول هذا الفهم إلى فيديو حقيقي؟ هنا يأتي دور ما يسمى "محوّل الانتشار" (Diffusion Transformer). تخيل أن النموذج يبدأ من ضباب رمادي كامل، مثل شاشة تلفاز قديمة بلا قناة. ثم يبدأ تدريجياً بإزالة هذا الضباب، خطوة بخطوة، مستعيناً بالوصف المكتوب كدليل. في كل خطوة، يسأل نفسه: هل هذا المشهد يشبه ما طلبه المستخدم؟ ثم يعدّل قليلاً حتى يقترب من المطلوب.

لماذا تبدو الحركة أحياناً غريبة؟

هنا تكمن المفارقة. النموذج لم يتعلم قوانين الفيزياء من كتاب، بل استنتجها من مشاهدة ملايين المقاطع. تعلم أن الأشياء تسقط نحو الأسفل، وأن الظلال تتبع مصدر الضوء، وأن الشخص عندما يمشي تتحرك ساقاه بالتناوب. لكن هذا التعلم ليس مثالياً. أحياناً يخطئ النموذج في التفاصيل المعقدة.

• شخص يمشي للخلف: النموذج قد يخلط بين اتجاه الحركة واتجاه النظر، فيبدو المشي غير طبيعي.
• زجاج ينكسر قبل أن يصطدم به شيء: النموذج تعلم أن الزجاج ينكسر، لكنه لم يتقن توقيت الحدوث دائماً.
• أشياء تختفي ثم تعود: النموذج يحاول الحفاظ على استمرارية المشهد، لكنه قد يفقد بعض التفاصيل إذا طال الفيديو.

هذه الأخطاء ليست عشوائية. إنها تكشف أن النموذج يبني توقعاته من الأنماط التي رآها، وليس من فهم حقيقي للفيزياء. عندما يواجه مشهداً نادراً أو معقداً، قد يخطئ. لكنه في المقابل يتقن مشاهد مألوفة: غروب الشمس، أمواج البحر، شخص يفتح باباً.

كيف تستخدم هذه الأداة عملياً؟

إذا أردت تجربة ذلك بنفسك، فإن أداة Sora من OpenAI متاحة لمشتركي ChatGPT Plus و Pro عبر موقع sora.com. الفكرة بسيطة: تكتب وصفاً يشمل الإضاءة وحركة الكاميرا والأسلوب البصري، ثم تضغط زر التوليد. لكن النتيجة تعتمد كثيراً على دقة وصفك. جملة مثل "قطة تلعب" قد تعطيك مشهداً عاماً، بينما "قطة برتقالية تقفز نحو كرة صوف على أرضية خشبية، وإضاءة دافئة من نافذة جانبية" تمنح النموذج تفاصيل أكثر ليبني منها الحركة.

من المهم أن تعرف أن الفيديوهات المولّدة تحمل علامات مائية ومعلومات مخفية عن مصدرها، ضمن ما يسمى "معايير C2PA". هذه العلامات تساعد على تمييز المحتوى المولّد آلياً، لكنها ليست ضماناً كاملاً. فبعض الأدوات قد تزيلها، وبعض المنصات قد لا تعرضها بوضوح. لذلك، يبقى التحقق المستقل من مصدر أي فيديو مهماً، خاصة إذا كان يبدو حساساً أو مثيراً للجدل.

في النهاية، هذه النماذج ليست آلات تفهم العالم كما نفهمه. إنها أنظمة إحصائية تعلمت من أمثلة كثيرة كيف تبدو الحركة الطبيعية، وتحاول تقليدها. أحياناً تنجح ببراعة، وأحياناً تخطئ. لكنها تفتح باباً جديداً للإبداع البصري، مع دعوة دائمة للانتباه: ما تراه قد لا يكون ما حدث فعلاً.