في عالم الذكاء الاصطناعي، تُعد نماذج التحويل، مثل المحولات البصرية (Vision Transformers - ViTs)، من التقنيات الرائدة في مجال التعرف على الصور. لكنها تواجه تحديات كبيرة في مهام التفكير المكاني المعقد، مثل الدوران العقلي. بينما يعتقد البعض أن هذه الإخفاقات تعود إلى حجم البيانات المستخدم، إلا أن دراسة جديدة تشير إلى أن السبب الحقيقي يكمن في تعقيد الدوائر الداخلية لتلك النماذج.

تقدم هذه الدراسة مفهوم "فهم الفضاء" كمشكلة تعلم رياضية تسمى "مشكلة التجانس الجماعي"، حيث تسعى إلى الحفاظ على البنية الجبرية للتحويلات الفيزيائية التي تؤثر على الصور. تحدد هذه الأبحاث عنق الزجاجة الحسابي الأساسي الذي ينشأ عند العمل مع المجموعات غير القابلة للحل، مثل مجموعة الدوران الثلاثية الأبعاد (SO(3)). على وجه التحديد، تحافظ النماذج ذات العمق الثابت على الخصائص الهيكلية بتعقيد محدود، مما يعني أنها لا تملك العمق المنطقي اللازم لالتقاط الهياكل المكانية غير القابلة للحل في خطوة واحدة.

توفر الدراسة أيضًا معايير جديدة، تُعرف بمرجع "جبر الفضاء الكامن" (Latent Space Algebra - LSA)، لمعاينة الأداء الفعلي لنماذج التحويل عندما تزداد عمق المهام غير القابلة للحل. تشير النتائج إلى تدهور كبير في تمثيلات ViT مع زيادة التعقيد، مما يدعو إلى إعادة النظر في تصميم هذه النماذج.

مع استمرار الأبحاث، يبقى السؤال: كيف يمكن للمطورين والباحثين التغلب على هذه القيود لتحسين تجربة الذكاء الاصطناعي في معالجة التفكير المكاني؟ شاركونا آراءكم في التعليقات.