نماذج لغة الفيديو: الأفق القادم بعد النماذج اللغوية الكبيرة ووكلاء الذكاء الاصطناعي

لقد أمضينا السنوات القليلة الماضية في تعليم الذكاء الاصطناعي القراءة والكتابة وحتى التفكير في المشكلات المعقدة. ولكن القضية هنا: كل هذا يحدث في العالم الرقمي. يمكن لـ ChatGPT أن يكتب لك قصيدة عن السير في الغابة، لكنه لا يملك أي فكرة عما يعنيه فعلياً التخطي فوق جذع شجرة ساقط أو الانحناء تحت فرع منخفض.

نماذج العالم موجودة لتغيير ذلك.

ما هي نماذج لغة الفيديو؟

فكر فيها على أنها تطور لنماذج الرؤية واللغة، ولكن مع إضافة حاسمة: الفهم الزمني. في حين تنظر نماذج VLM القياسية إلى صورة واحدة وتجيب عن أسئلة حولها، يراقب نموذج لغة الفيديو التسلسلات وهي تتكشف ويتعلم القواعد التي تحكم الواقع المادي.

هذا ليس مجرد فضول أكاديمي. فالآثار العملية مذهلة.

عندما يحتاج روبوت إلى التقاط فنجان قهوة، لا يمكنه مجرد التعرف على كلمة "فنجان" في صورة. إنه بحاجة إلى فهم:

• ✓كيف تتصرف الأجسام عند دفعها أو رفعها
• ✓ماذا يحدث عندما تتلاطم السوائل
• ✓كيف تؤثر تحركاته الخاصة على المشهد
• ✓ما هي الأفعال الممكنة فيزياءً مقابل المستحيلة

هنا يأتي دور نماذج العالم.

من المحاكاة إلى الفعل

المفهوم أنيق: بدلاً من الترميز الصلب للقواعد الفيزيائية، تقوم بتدريب الذكاء الاصطناعي على ملايين الساعات من الفيديو التي تظهر كيف يعمل العالم بالفعل. يتعلم النموذج الجاذبية، والاحتكاك، وثبات الأجسام، والسببية ليس من المعادلة، بل من الملاحظة.

يمثل Cosmos من NVIDIA إحدى أكثر المحاولات طموحاً في هذا المجال. تم تصميم نموذج العالم الخاص بهم خصيصاً لتطبيقات الروبوتات، حيث لا يكون فهم الواقع المادي خياراً إضافياً، بل مسألة بقاء.

يتخذ Genie 3 من Google DeepMind نهجاً مختلفاً، حيث يركز على توليد عالم تفاعلي يمكن "لعبه" كبيئة ألعاب فيديو.

تجربة PAN

كشف الباحثون في جامعة محمد بن زايد مؤخراً عن PAN، وهو نموذج عالم عام ينفذ ما يسمونه "تجارب فكرية" في محاكاة خاضعة للتحكم.

الابتكار الرئيسي هو التعامل مع نمذجة العالم كمسألة فيديو توليدي. بدلاً من برمجة الفيزياء بشكل صريح، يتعلم النموذج توليد استمرارية للفيديو تحترم القوانين الفيزيائية. عندما يُعطى المشهد الابتدائي وعملاً مقترحاً، يمكنه "تخيل" ما يحدث بعد ذلك.

هذا له آثار عميقة على علم الروبوتات. قبل أن يمد روبوت شبيه بالبشر يده للوصول إلى فنجان القهوة، يمكنه تشغيل مئات المحاولات المحاكاة، ليتعلم أي زوايا الاقتراب تنجح وأيها تنتهي بانسكاب القهوة على الأرض.

مستقبل المليار روبوت

هذه ليست أرقاماً عشوائية جُذبت لإحداث تأثير درامي. تشير توقعات الصناعة بوضوح إلى مستقبل تفي فيه الروبوتات الشبيهة بالبشر بشيوع الهواتف الذكية. وكل روبوت منها سيحتاج إلى نماذج عالم ليعمل بأمان إلى جانب البشر.

تمتد التطبيقات إلى ما هو أبعد من الروبوتات الشبيهة بالبشر:

حيث يلتقي توليد الفيديو بفهم العالم

إذا كنت تتابع توليد الفيديو بالذكاء الاصطناعي، فقد تلاحظ بعض التداخل هنا. أدوات مثل Sora 2 و Veo 3 تولد بالفعل فيديوهات واقعية بشكل ملحوظ. أليست هي أيضاً نماذج عالم؟

نعم ولا.

قامت OpenAI بوضع Sora بشكل صريح كنموذج يملك قدرات محاكاة العالم. من الواضح أن النموذج يفهم شيئاً ما عن الفيزياء. انظر إلى أي فيديو مولد بواسطة Sora وستلاحظ إضاءة واقعية، وحركة معقولة، وأجساماً تتصرف بشكل صحيح غالباً.

ولكن هناك فارق حاسم بين توليد فيديو يبدو معقولاً وبين الفهم الحقيقي للسببية الفيزيائية. تم تحسين مولدات الفيديو الحالية من أجل الواقعية البصرية. بينما تم تحسين نماذج العالم من أجل الدقة التنبؤية.

مشكلة الهلوسة

إليك الحقيقة غير المريحة: تعاني نماذج العالم من نفس مشكلات الهلوسة التي تلاحق النماذج اللغوية الكبيرة (LLMs).

عندما يذكر ChatGPT بثقة حقيقة خاطئة، يكون الأمر مزعجاً. ولكن عندما يتنبأ نموذج العالم بثقة بأن الروبوت يمكنه المشي عبر الجدار، يكون الأمر خطيراً.

تتدهور الأنظمة الحالية عبر التسلسلات الطويلة، متخلية عن الاتساق كلما امتد توقعها في المستقبل. هذا يخلق توتراً أساسياً: أكثر التنبؤات فائدة هي تلك الممتدة على المدى الطويل، لكنها أيضاً الأقل موثوقية.

يهاجم الباحثون هذه المشكلة من زوايا متعددة. يركز البعض على بيانات تدريب أفضل. ويعمل آخرون على ابتكارات معمارية تحافظ على اتساق المشهد. بينما يدعو آخرون إلى نهج هجين يجمع بين نماذج العالم المكتسبة والقيود الفيزيائية الصريحة.

اختراق Qwen 3-VL

على جانب الرؤية واللغة، يمثل Qwen 3-VL من Alibaba أحدث ما توصلت إليه التكنولوجيا للنماذج مفتوحة المصدر.

ما يجعل Qwen 3-VL مثيراً للاهتمام بشكل خاص هو قدراته "الوكيلية". يمكن للنموذج تشغيل الواجهات الرسومية، والتعرف على عناصر واجهة المستخدم، وفهم وظائفها، وتأدية مهام في العالم الحقيقي من خلال استدعاء الأدوات.

هذا هو الجسر بين الفهم والفعل الذي تحتاجه نماذج العالم.

لماذا يهم هذا منشئي المحتوى

إذا كنت منشئ فيديو أو مخرج أفلام أو رسام رسوم متحركة، فقد تبدو نماذج العالم بعيدة عن عملك اليومي. لكن الآثار المترتبة على ذلك أقرب مما تعتقد.

الأعراض التي تعرفها بالفعل

تعاني أدوات فيديو الذكاء الاصطناعي الحالية من صعوبة في الاتساق الفيزيائي، وللإخفاقات سبب مشترك:

• تتداخل الأجسام أو تبتلع بعضها، لأنه لا يوجد شيء في النموذج يمثل الجسم ككيان يشغل مساحة.
• تتصرف الجاذبية بشكل غير متسق بين اللقطات، لأن كل لقطة يتم أخذ عينتها بشكل مستقل.
• تختل السبب والنتيجة، لأن النموذج يتنبأ بما يبدو عليه الإطار بدلاً من التنبؤ بما يحدث بعد ذلك.

هذه كلها أعراض لنماذج يمكنها توليد بكسلات واقعية ولكنها لا تفهم حقاً القواعد الفيزيائية التي تكمن وراء ما تصوره.

ما الذي يغيره نموذج العالم

نموذج العالم هو نظام يحافظ على تمثيل للمشهد نفسه، وليس فقط للإطار الأخير. هذا التمييز هو ما يسمح لجسم ما بالبقاء حيث كان عندما تغادره الكاميرا وتعود إليه.

إن نماذج العالم المدربة على مجموعات بيانات فيديو ضخمة قد تغذي في النهاية أدوات توليد الفيديو، مما ينتج أدوات ذكاء اصطناعي تحترم القوانين الفيزيائية بطبيعتها. تخيل مولد فيديو لا تحتاج فيه إلى توجيه "فيزياء واقعية" لأن النموذج يعرف بالفعل كيف يعمل الواقع.

ماذا يعني هذا لمشروعك القادم

لا يوجد شيء هنا متاح لك اليوم كمنتج، والتوصية الصادقة تنبع من ذلك.

• إذا كنت تشحن فيديو هذا الربع: تجاهل نماذج العالم تماماً واختر بناءً على المحاور الموجودة الآن، وهي طول اللقطة، واتساق الهوية، والتكلفة لكل ثانية. فالنموذج الذي يفكر في الفيزياء ليس ضمن القائمة المختصرة، لأنه لا يوجد نموذج كذلك حالياً.
• إذا كنت تخطط لسلسلة عمل (Pipeline) للعام القادم: المحور الذي يستحق المراقبة هو ما إذا كان المولد يحافظ على استقرار الجسم عندما يغادر الإطار ويعود إليه. هذا الاختبار الفردي يفصل بين نموذج العالم ومُتنبئ الإطارات الممتاز، ويمكنك تشغيله على أي أداة في حوالي دقيقة.
• إذا كنت تختار ما تتعلمه: المهارة القابلة للنقل هي تخطيط اللقطات حول حدود النموذج بدلاً من صياغة المطالبات، لأن الحدود تتحرك ببطء والصياغة تتغير مع كل إصدار.

الادعاء الذي يجب الشك فيه هو أي أداة تسوق لفهم فيزيائي دون إظهار لقطة غير مقطوعة. هذا العرض التوضيحي رخيص الإنتاج، لذا فإن غيابه عن أي إطلاق أمر يستحق الملاحظة.

الطريق أمامنا

تمثل نماذج العالم ربما الهدف الأكثر طموحاً في الذكاء الاصطناعي: تعليم الآلات فهم الواقع المادي بنفس الطريقة التي يفهم بها البشر. ليس من خلال البرمجة الصريحة، ولكن من خلال الملاحظة، والاستنتاج، والتخيل.

نحن نزال في البداية. الأنظمة الحالية هي عروض توضيحية مثيرة للإعجاب، وليست حلولاً جاهزة للإنتاج. لكن المسار واضح.

إن الشركات التي تستثمر بكثافة في هذا المجال NVIDIA، وGoogle DeepMind، وOpenAI، والعديد من الشركات الناشئة تراهن على أن الذكاء المادي هو الأفق القادم بعد الذكاء الرقمي.

بالنظر إلى مدى تحول النماذج اللغوية الكبيرة للأعمال القائمة على النصوص، تخيل الأثر عندما يتمكن الذكاء الاصطناعي من فهم العالم المادي والتفاعل معه بنفس السلاسة.

هذا هو وعد نماذج لغة الفيديو. ولهذا السبب يهم هذا الأفق.

---

المصادر

• Morgan Stanley: من المتوقع أن يقترب عدد الروبوتات الشبيهة بالبشر حول العالم من مليار روبوت بحلول عام 2050 (Morgan Stanley)