في عالم الذكاء الاصطناعي (AI)، يُعد الإدراك متعدد الوسائط (Multimodal Perception) حجر الزاوية لتطوير نظم ذكاء اصطناعي قادرة على فهم العالم بشكل أكثر دقة وفعالية. وقد قدم الباحثون مؤخرًا إطار عمل جديد يُسمى EvidenceConnect، الذي يُسهم في تعزيز هذه القدرة بطرق مبتكرة.

تعتبر المهام المتعلقة بالإدراك المكاني وفهم السياقات طويلة الأمد نقاط محورية في تطوير النظام التجسيمي (Embodied AI) والعوامل متعددة الوسائط (Multimodal Agents). ومع ذلك، ما زالت عملية خلق بيانات تدريب عالية الجودة لهذه المهام تمثل تحديًا كبيرًا من حيث التكلفة والصعوبة.

السَرّ في قوة هذا الإطار يكمن في مفهوم "ربط الأدلة" (Connecting Evidence)، الذي يتضمن القدرة على التعرف على الحقائق البصرية ذات الصلة، وربطها بالأشخاص المناسبين، واستعادة العلاقات بينها، ومن ثم تجميعها في إجابة متكاملة. بفضل ذلك، يُمكن توليد بيانات تدريب مستهدفة بسهولة أكبر بتطبيق هذه القدرة مقارنةً بالمهام التقليدية.

عبر استخدام مشاهد مُكبرة من مناطق ذات صلة داخل صورة واحدة، يقوم EvidenceConnect بإنشاء أسئلة تتطلب مقارنة أو تجميع أو تسلسل الأدلة المرئية. لضمان الجودة، يتم الاحتفاظ بالإجابة المرجعية فقط عندما تتوافق نماذج التعلم الآلي الخاصة بالصور (VLMs) المستقلة على تلك الإجابة، ويتم استبعاد الأسئلة التي تبقى إجابتها سليمة عند إزالة المناطق المختارة.

من خلال تدريب نماذج VLM الأساسية على هذه البيانات المولدة باستخدام تقنية تعلم التعزيز المستند إلى القيم (RLVR)، تم التوصل إلى نسخة متطورة تُعرف باسم "Zooming without Zooming v2" (ZwZ2). على الرغم من أن البيانات المولدة ليست موجهة لمعيار محدد، أثبتت ZwZ2 قوتها في تحسين الإدراك المُفصّل والإدراك المكاني، مما أدى أيضًا إلى مكاسب أكبر في التفكير المكاني التجسيمي وفهم السياقات طويلة الأمد.

هذه النتائج تُبرز EvidenceConnect كإطار عمل فعال للإشراف على ربط الأدلة، مما يُشير إلى أن تعزيز هذه القدرة المشتركة يقود إلى إدراك متعدد الوسائط أكثر عمومية وكفاءة. هل أنتم مستعدون لاكتشاف المزيد عن كيف يمكن للتقنيات الحديثة تغيير مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!