ميتو تفصل هوية العلامة إلى زرّين: واحد للوجه وآخر للحركة

من 29 أكتوبر إلى 1 نوفمبر، احتضنت مدينة شيامن الدورة السابعة عشرة لمعرض الصناعات الثقافية عبر المضيق. وفي جناح مقاطعة فوجيان، عرضت شركة ميتو منصتها RoboNeo لإبداع الصور بالذكاء الاصطناعي، مركّزة على ثلاثة أمور أكثر تعقيداً: بناء شخصية خاصة، وكتابة قصص متتابعة حول هذه الشخصية، ونقل حركاتها إلى مشاهد جديدة.
الطلب جاء على لسان تاجر مواد غذائية في المعرض. يريد هوية علامة تجارية يمكن تمييزها، ويريد ملاحقة الترند بمحتوى متواصل، لكن الاستعانة بفريق محترف مكلفة، وهو لا يجيد الصناعة بنفسه. هذا الوصف هو الصورة الحقيقية لعميل فيديو الذكاء الاصطناعي في الصين: ليس شركة إنتاج، بل تاجر صغير بلا ميزانية، لكن عليه أن ينشر شيئاً كل يوم.
أن تبدو الشخصية نفسها هو الجزء الأصعب
توليد صورة واحدة لم يعد صعباً. الصعب أن تكون الصورة الثانية والخامسة والعشرون هي الشخص نفسه.
الحل الذي تقدّمه RoboNeo اسمه «تثبيت نمط شخصية الملكية الفكرية»: يبني التاجر شخصية أولاً، ثم يُخرج حولها بالجملة مجموعات ملصقات وصوراً دعائية وصور منتجات، وتقول الشركة إن اتساق الملامح والملابس بين الصور تحسّن بوضوح. الجملة تبدو عادية، لكنها في الإنتاج الفعلي تحدد ما إذا كانت الفكرة قابلة للتحول إلى عمل. القطة التي نشرتها اليوم ليست القطة التي نشرتها الأسبوع الماضي، فالجمهور لا يتذكر، والهوية لا تقوم، ويظل الحساب معلقاً على منشور واحد ينتشر.
صعوبة اتساق الشخصية ليست في «الرسم المشابه»، بل في «إلى أين ذهبت المعلومة». الصورة الواحدة تحمل الهوية (من هذا)، والنمط (بأي أسلوب رُسمت)، والوضعية، والإضاءة، والتكوين. وفي التوليد متعدد الجولات، إن لم تُفصل هذه العناصر، يعيد النموذج تخمين الهوية كل مرة، وخطأ بسيط واحد يغيّر الوجه. أسلوب الصناعة هو استخراج سمات الهوية كشرط مستقل، بصورة مرجعية مع ترميز هوية، أو بحجز منطقة في الفضاء الكامن للهوية وحدها. الاسم لا يهم، المهم أن تكون معلومات الهوية «أصلب» من معلومات النمط.
الحركة هي الجزء المثير فعلاً هذه المرة
تقنية التقاط الحركة التي عرضتها RoboNeo تختلف في منطقها عن «تحويل فيديو إلى فيديو» المعتاد. فهي تستخرج من الفيديو المرجعي **نسب الشخصية والعلاقات المكانية وحركة الكاميرا**، وتُضعف في الوقت نفسه السمات الظاهرية للفيديو الأصلي.

هذه الجملة تحمل من التقنية أكثر مما يبدو. نقل الحركة بالفيديو يعاني عيبين قديمين:
أولهما **تسريب المظهر**. تريد أن ترقص شخصيتك الكرتونية رقصة من فيديو مرجعي، فيخرج الشخص مرتدياً ملابس ذلك الفيديو ووجهه. لأن النموذج لا يفرّق بين «أريد الحركة» و«أريد هذا الفيديو».
والثاني **انحراف البنية**. كلما اتسعت الحركة شوّهت نسب الشخصية، فطالت اليد وقصرت القدم؛ وكلما تحركت الكاميرا اختلطت علاقة الخلفية بالمقدمة. السبب أن إشارات الشرط لا تحمل هيكلاً عظمياً واضحاً ولا عمقاً ولا مسار كاميرا، فيخمّن النموذج كل شيء من البكسلات.
تقسيم معلومات الفيديو المرجعي إلى «بنية» و«مظهر»، وإدخال البنية وحدها في الشرط، هو الاتجاه السائد في العامين الأخيرين: الهيكل للمفاصل، وخريطة العمق للاحتجاب بين المقدمة والخلفية، ومسار الكاميرا لحركة العدسة. يبدو مباشراً، وهو في الهندسة فوضوي، لأن الإشارات الثلاث تتعارض وأولوية إحداها تحتاج ضبطاً. RoboNeo حزمت هذا كله في أزرار يضغطها التاجر، وهذه قيمة على مستوى المنتج لا على مستوى الورقة البحثية.
منصة السيناريو تعالج انحرافاً آخر
الميزة الثالثة هي منصة عمل السيناريو، وتقوم على «عقد السيناريو + ذاكرة المشروع»: يرتب المبدع نيته عبر حوار متعدد الجولات، ويفكك الحبكة، ثم يتقدم حول الشخصية المتفق عليها، لإنتاج حلقات منفصلة أو مسلسلات قصيرة.
تبدو هذه الميزة أداة لكتابة السيناريو، لكنها في الحقيقة تدير **الاتساق بين الحلقات**. في الحلقة الثامنة من مسلسل قصير، يجب أن تُحفظ شخصية الأبطال وعلاقاتهم وكلامهم وأماكنهم. بلا ذاكرة مشروع، يبدأ النموذج كل حلقة من الصفر في فهم «ما علاقة هذين الاثنين»، فتتناقض النتائج حتماً. جودة طبقة الذاكرة تحدد القدرة على إنتاج محتوى متسلسل، لا مادة واحدة.
العتبة انخفضت، والمتطلبات لم تنخفض
في توقيت قريب من المعرض واقعة تصلح للمقارنة. في 4 نوفمبر، عرض تلفزيون الصين المركزي في مسار «الوصول المباشر إلى ووتشن» ضمن قمة ووتشن تجربة رائد الأعمال Qin Wenshan من منطقة Xiangcheng في سوتشو: شخص واحد مع سبعة موظفين رقميين بالذكاء الاصطناعي، بينهم منفّذ عام وكاتب سيناريو ومخرج ومخطط لقطات وصانع أصول وصانع فيديو ومونتير، في خط إنتاج محتوى AIGC متكامل. من أعماله، فيلم رسوم متحركة طويل بالـAIGC بعنوان 《一掌熊猫》 دخل القائمة القصيرة في مهرجان بكين السينمائي الدولي السادس عشر، وعمله عن الأسطورة التاريخية 《字圣仓颉》 أُعلن عرضه هذا العام. وأقامت Xiangcheng 36 مجتمع OPC، وأتمّت أكثر من 100 شركة OPC تسجيلها.
«شخص واحد وشركة واحدة» يبدو مريحاً، لكنه يرفع سقف القدرة فعلاً. سابقاً كان لديك مصوّر وإضاءة ومونتير وفنان يتحملون عنك كل قرار؛ الآن تتخذه أنت. الأدوات أسقطت عتبة التنفيذ وأبقت عتبة الذوق في مكانها.
وهذا يفسر لماذا تنتقل نقطة المنافسة في هذه المنتجات من «هل يستطيع التوليد» إلى «هل يستطيع إنتاج الشيء نفسه بثبات». التاجر لا يريد صورة واحدة مبهرة، بل ثلاث مئة صورة صالحة، والشخص فيها واحد، والحركة تناسب ما يبيعه.
ثلاثة أسئلة بلا جواب بعد
أولاً، أين سقف دقة الحركة. إن كان الفيديو المرجعي فيه تفاعل يدوي معقد أو استدارة سريعة أو احتجاب متكرر، فمعلومات البنية ناقصة أصلاً، وأفضل فصل بين البنية والمظهر لا يعوّضها.
ثانياً، المعقولية الفيزيائية للغة الكاميرا. استخراج حركة الكاميرا لا يعني فهمها. الدفع والسحب الحقيقي له منطق مكاني، وفرضه بقسوة على مشهد جديد يجعل المشاهد يشعر بالدوار. كل الأدوات في هذا الباب ما زالت تترقّع.
ثالثاً، ضبط الجودة بالجملة. الفرق بين مقطع مقبول ومئة مقطع مقبولة هو عملية كاملة: من يضع المعيار، ومن يفحص بالعينة، وكم مرة يُعاد ما لم يجتز، وكيف تُحسب الكلفة. بلا هذه الحلقة، لن ينزل أجمل ما في الأعلى إلى الأرض.
بالنسبة إلى التجار الصغار، معنى منصات مثل RoboNeo هو تحويل «صناعة هوية» من مشروع إلى خط إنتاج. أما هل يدور الخط باستمرار، فيتوقف على تحمّله للأسئلة الثلاثة أعلاه.
مقالات ذات صلة
الوكلاء ينتقلون إلى السحابة: المهمة تكمل بعد أن تغلق حاسوبك، بأدواتك الناقصة
المهمة تكمل في آلة سحابية بعد إغلاق الحاسوب، لكن ما تفقده هو أدواتك الداخلية، وما لم يُحل بعد هو من يوافق على الأفعال الخطرة.
إنفيديا تنشر أربعة نماذج عالم بـ16 مليار معامل، ثم إطار فك ترميز أسرع 25 مرة في الهندسة
أربعة مولّدات عالم بـ16 مليار معامل مع وصفات التدريب، وإطار فك ترميز يصدر الهندسة في طلقة واحدة. والتقييم ما زال ناقصاً.
المهارات تحتل ربع قائمة GitHub الرائجة، وكل مستودع يطلب طريقة تثبيت مختلفة
المهارة مجلد فيه تعليمات، لكن تثبيتها صار أربع طرق مختلفة، والفوضى تبدأ حين تتكرر المهارة نفسها في وكيل واحد.
نموذج بـ594 مليار معامل يتصدر النتائج، والأوزان التي تثبت ذلك ليست متاحة
نموذج قوي وأرقام جيدة ووصفة تدريب تستحق القراءة، لكن الأوزان التي تجعل الادعاء قابلاً للتحقق لم تُشحن بعد.