نموذج عالمي يسمع بقدر ما يرى

نموذج عالمي يسمع بقدر ما يرى

في 12 أكتوبر، قدّمت Noiz AI وباحثون في HKUST نموذج Helix World، وهو نموذج عالمي تفاعلي في الزمن الحقيقي. الوصف مكثّف لكنه يستحق التفكيك. عند إعطائه صورة بداية، يولّد Helix World في الوقت نفسه فيديو وصوتاً استريو مكانياً، يقودهما تحرّك الكاميرا ومدخلات لوحة المفاتيح. فأنت لا تشاهد مقطعاً ثابتاً، بل تتنقّل في عالم صغير يستمر في التصيير، ويستمر في إصدار الصوت أثناء تقدّمك.

يتوفّر نقطة استئناف (checkpoint) للمعاينة على Hugging Face، إلى جانب عرض تجريبي عام وورقة بحثية والشيفرة. هذه التركيبة، أوزان معاينة مع عرض تجريبي عام، هي النمط الذي تستخدمه فرق البحث اليوم لتثبيت دعوى قبل أن يتسنّى للمجال إعادة إنتاجها.

لماذا النصف الصوتي هو الجزء الصعب

صار توليد الفيديو من صورة أمراً روتينياً تقريباً. أما توليد الصوت الذي ينتمي إلى ذلك الفيديو فمسألة أخرى، والجمع بين الاثنين مسألة ثالثة. عندما تتحرّك الكاميرا إلى اليسار، ينبغي أن ينتقل الصوت معها. وعندما تنتقل شخصية من جانب المشهد إلى الجانب الآخر، ينبغي أن يتبع مصدر صوتها موقعها. ويجب أن يبقى صوت المحيط متّسقاً مع تغيّر زاوية النظر، وإلا انهار الوهم.

الصوت المكاني هو ما يجعل المشهد المُصيَّر يبدو مكاناً لا صورة. ويدّعي Helix World كميزة جديدة أنه ينتج الصورة والصوت الاستريو في تمريرة واحدة، مشروطين بالضوابط نفسها، فيبقى الاثنان متّسقين.

سبب الصعوبة أن المسارين يفشلان بطرق مختلفة. خلل الفيديو يُرى فوراً. أما خلل الصوت فدقيق حتى يصبح مزعجاً، وقد يجعل الصوت غير المتوافق مشهداً مُصيَّراً بإتقان يبدو خطأً بطريقة لا يستطيع الناس تسميتها بدقة. وإبقاء الاثنين متشابكين عبر الزمن شرط أكثر صرامة بكثير من توليد أيٍّ منهما منفرداً.

النماذج العالمية تعيش لحظتها

النموذج العالمي نظام يتعلّم كيف تتصرّف بيئة ما، ليتمكّن من توقّع ما ستراه وتسمعه إذا تحرّكت داخلها. وهو رهان مختلف عن أدوات النص إلى المقطع التي هيمنت على فيديو الذكاء الاصطناعي خلال العامين الماضيين. تلك الأدوات تنتج مخرجاً ثابتاً من وصف نصي. أما النموذج العالمي فيستهدف التفاعلية، حيث يستجيب المخرج لما يفعله المستخدم في الزمن الحقيقي.

يأتي Helix World في الشهر نفسه الذي تصدر فيه عدة أنظمة تفاعلية أخرى، والاتجاه متّسق في المجال كله: تقليل أتمتة المقطع المنتهي، وزيادة بناء بيئة يستطيع المرء أن يسكنها. وهذه مسألة هندسية أصعب بكثير، أقرب إلى محرّك لعبة منها إلى برنامج مونتاج، وإليها ينتقل قدر كبير من اهتمام البحث.

سبب هذا التحوّل اقتصادي جزئياً وتقني جزئياً. على الصعيد التقني، يمكن مطالبة النماذج التي تحافظ على تمثيل داخلي متّسق لمشهد بأن تصيّره من زوايا جديدة، وهذا ما يجعل التفاعل ممكناً. وعلى الصعيد الاقتصادي، البيئة التفاعلية منصّة، والمنصّات تميل إلى أن تكون أعلى قيمة من المقاطع.

الاستخدام الواضح، والاستخدامات الأقل وضوحاً

الألعاب والترفيه أول ما ينتهي إليه هذا. فالبيئة التوليدية التي تُصيَّر أثناء استكشافك مناسبة بطبيعتها للنماذج الأولية ولتجارب كانت تتطلّب لولاها فريق فنون كاملاً. والمحاكاة ثانياً: بيئات تدريب يمكن فيها تغيير المشهد وصوته بتكلفة زهيدة، للروبوتات أو لاختبار أنظمة الإدراك.

أما حالة الاستخدام الأهدأ فهي السرد. فالمخرج الذي يختبر إحساس مشهد ما عندما تتحرّك الكاميرا بطريقة معيّنة، ويسمع الصوت ينتقل معها، إنما يقوم بمعاينة بصرية كانت تتطلّب سابقاً أدوات باهظة. وإذا اقترب Helix World من ذلك، فإنه يغيّر كلفة أكثر مراحل الإنتاج تبكيراً وأكثرها عدم يقين، وهي المرحلة التي يموت فيها كثير من المشاريع.

ثمّة استخدام أصغر وأغرب أيضاً: أن يكون منصّة اختبار لنماذج أخرى. فعالم قابل للتحكّم مع رؤية وصوت متزامنين مكان مريح لتقييم أنظمة الإدراك، لأنك تعرف بالضبط كيف يبدو التفسير الصحيح عند كل خطوة.

أبقِ التحفّظات في الحسبان

نقطة استئناف المعاينة تبقى معاينة. ستتفاوت الجودة بحسب صورة البداية ومدى حركة الكاميرا، والاتساق بين المسار البصري والسمعي هو بالضبط النوع الذي يبدو جيداً في عرض تجريبي وينحرف في جلسة طويلة. الاختبار الصادق ليس مقطعاً قصيراً بل تفاعلاً مستمراً، تصمد فيه الهندسة ولا يبتعد الصوت عن الصورة.

وثمّة أيضاً سؤال عمّا يعنيه «نموذج عالمي» حين يكون المشهد الأساسي صغيراً. فتوليد غرفة مقنعة ليس كتوليد كوكب متّسق. والقياس المثير للاهتمام هو إلى أي مدى يستطيع النموذج أن يمضي قبل أن يتوقّف العالم عن أن يكون منطقياً، وهذا القياس نادراً ما يظهر في مواد الإطلاق.

لماذا يغيّر الصوت المتزامن حجم الرهان

من السهل التعامل مع الصوت كإضافة جانبية إلى جانب الصورة. لكن هذه القراءة تبخّس مقدار الواقعية التي تسكن في الصوت. فالغرفة لها شكل يمكنك سماعه: كيف يرتدّ الصوت، وكيف تنتقل الأصوات، وكيف تغيّر المسافة ما يصل إليك. وحين تتوافق هذه البصمة الصوتية مع الصورة، يُقرأ المشهد كمكان. وحين لا تتوافق، تلاحظ العين أن شيئاً غير صحيح، حتى إن عجزت عن تسميته.

وبالنسبة لنموذج عالمي، هذا ليس تفصيلاً تجميلياً. فالصوت مصدر ثانٍ للمعلومات عن الهندسة ذاتها، وإبقاء الاثنين متّسقين أحد أقسى قيود النظام. وإذا بقي الصوت محاذياً للكاميرا أثناء حركتها، فذلك دليل على أن النموذج يملك إحساساً داخلياً متّسقاً بالمكان، لا أنه يكتفي بتوليد الإطارات واحدة تلو الأخرى.

وهذا يجعل تزامن الرؤية والصوت اختباراً مفيداً بحد ذاته. النموذج القادر على إبقائهما معاً أرجح أن يكون أكثر استقراراً من نواحٍ أخرى، لأن الحاستين تتحقّقان من بعضهما. والنموذج العاجز عن ذلك أرجح أن ينحرف بطرق أسهل سماعها من رؤيتها.

لماذا يظلّ الأمر مهماً

حتى مع هذه الحدود، يشير Helix World إلى شكل المرحلة التالية. فالمسابقة في الوسائط التوليدية تنتقل من جودة مخرج واحد إلى اتساق مخرج مستمر. وبمجرد أن يستطيع نموذج ما أن يمسك بمشهد واحد عبر الزمن والرؤية والصوت، يصبح الخط بين الوسائط المولّدة والبرمجيات التفاعلية رقيقاً.

وهذا تغيّر أكبر من أي مقطع منفرد. إنه اللحظة التي يتوقّف فيها فيديو الذكاء الاصطناعي عن كونه شيئاً تصيّره ليصبح شيئاً تدخله. والأدوات التي تصل إلى هناك أولاً لن تبدو كولّدات فيديو على الإطلاق. ستبدو كمحرّكات صغيرة، ومن يستخدمها لن يكون متفرجاً. سيكون لاعباً.