في عالم الذكاء الاصطناعي، تبرز أهمية نماذج الرؤية الذكية (Vision Models) التي تم تدريبها بتقنيات التعلم الذاتي (Self-Supervised Learning) لتحقيق أداء مميز في مجموعة متنوعة من المهام. ومع ذلك، يبقى فهم هذه النماذج لطبيعة الإدراك البشري للأجسام مسألة تتطلب المزيد من البحث.

في دراسة جديدة، تم تقديم معيار سلوكي حيث يقوم المشاركون بتقييم مدخلات لزوج من النقاط في مشاهد طبيعية، ولأول مرة يتم توسيع النهج التقليدي لعلم النفس الحسي (Psychophysics) ليشمل أكثر من 1000 تجربة. تم اختبار مجموعة متنوعة من نماذج الرؤية لرصد أوقات رد فعل المشاركين بناءً على اختلافاتهم في إدراك الأجسام، وكشفت النتائج عن تحسن مستمر عبر أجيال النماذج.

تساهم كل من البنية الأساسية (Architecture) وهدف التدريب (Training Objective) في تحسين توافق هذه النماذج مع الإدراك البشري، حيث أظهرت نماذج المحولات المعتمدة على أهداف التعلم الذاتي من نوع DINO أداءً مذهلاً.

وكجزء من الدراسة، تم اقتراح مقياس جديد يقيس البنية المرتبطة بالأجسام عن طريق تقييم التشابه بين القطع داخل وخارج الأجسام. وأظهرت النتائج أن البنية الرفيعة التركيز على الأجسام تتنبأ بدقة أكبر بتصرفات التجزئة البشرية.

من الأمور المثيرة للاهتمام أن توافق مصفوفة جرام (Gram Matrix) لنماذج المحولات المدربة تحت إشراف مع تلك المدربة بالتعلم الذاتي من خلال توصيل البيانات (Distillation) يحسن من توافقها مع سلوك البشر. تعكس هذه النتائج أن النماذج المعتمدة على التعلم الذاتي قادرة على التقاط هيكل الموضوعات (Object Structure) بطريقة مشابهة للطريقة التي يدرك بها البشر، مما يفتح آفاق جديدة لتحسين ابتكارات الذكاء الاصطناعي المرتبطة بالرؤية.