هل تساءلت يومًا كيف يدرك الذكاء الاصطناعي الأشياء بصورة مشابهة لنا كبشر؟ دراسة جديدة تقدم لنا لمحة مثيرة عن كيفية تفكير الذكاء الاصطناعي في الممتلكات البصرية للأشياء، وتسلط الضوء على الفجوة بينه وبين البشر في هذا المجال.

تتأثر نماذج الذكاء الاصطناعي بشدة بمسألة التصنيف البشري للأشياء، حيث يتضمن التفكير البصري عن الممتلكات تعرّفًا وتحديدًا للتفاصيل المنخفضة المستوى والعمليات المعقدة ذات المستوى العالي. ومع ذلك، تكمن المشكلة في أن الدراسات الحالية لأسئلة الإجابة المرئية (Visual Question Answering - VQA) تمزج بين الإدراك والتفكير، مما يجعل من الصعب تحديد مدى فهم نماذج اللغة البصرية (Vision-Language Models - VLMs) للأشياء المعروضة وكيفية تفكيرها فيها.

لذا، قامت الدراسة بتقديم إطار تقييم منهجي يتضمن صورًا من ثلاثة أنواع ممثلة، وثلاثة مستويات من التعقيد، وأربعة أبعاد للممتلكات البصرية. وقد تم تطوير هذا الإطار بهدف تيسير التقنيات الحديثة في تقييم نماذج VQA.

فقد تم استخدام هذا الإطار في اختبارين متنوعين: OPTICS-CNT الذي يضم 360 صورة مصحوبة بـ 1080 سؤالًا متعدد المستويات، وOPTICS-CMP الذي يحتوي على 2100 سؤال مقارنات.

أظهرت التجارب مع 12 من أحدث نماذج VLMs في ظروف عدم وجود تدريب على تحديد قيود كبيرة مقارنة بالبشر. حيث حقق أفضل نموذج أداء أقل من 40% في دقة العد و70% في دقة المقارنات. رغم أن النماذج الحديثة حققت نتائج أفضل، إلا أن الفجوة تبقى عند 20%. تبرز الدراسات كيفية صعوبة فهم النماذج للصور الفوتوغرافية، والتفكير المضاد للواقع، والخصائص الفيزيائية والوظيفية للأشياء.

لتعزيز الجهود المستقبلية، تم إتاحة بيانات ومعلومات معيارية من نموذج OPTICS لدعم طرق تقييم جديدة، وإرشادات عامة للتعليق، ونماذج VLMs المتقدمة.