الرأس الأصلع الذي حطم نظام الذكاء الاصطناعي لدينا (وما علمني إياه عن بناء أنظمة رؤية تعمل حقًا)
في أكتوبر 2020، تحولت مباراة كرة قدم اسكتلندية بين إنفرنيس كاليدونيان ثيسل وآير يونايتد إلى أكثر إخفاقات الذكاء الاصطناعي تعليمًا التي درستها على الإطلاق. فقد أمضى نظام كاميرا آلي، تم بناؤه لتتبع الكرة وبث المباراة دون مشغل بشري، المباراة بأكملها وهو يتابع بعناية الرأس الأصلع لحكم الراية الواقف على خط التماس. فات المشجعين في المنازل كل هدف. واحتفلت الإنترنت بالحادثة بسخرية واسعة.
ضحكت أنا أيضًا في البداية. ثم توقفت عن الضحك، لأني أدركت أن فريقي كان يبني أنظمة تعاني من نقطة العمى ذاتها تمامًا.
قام الذكاء الاصطناعي للكاميرا بعمله على أكمل وجه وفق منطقه الخاص. فقد عثر على جسم مستدير فاتح اللون تحت أضواء الملعب الكاشفة ومنحه درجة ثقة بلغت 98% لـ "كرة". أما الكرة الفعلية -- التي تتحرك بسرعة وتتشوش عبر الظلال ويحجبها اللاعبون أحيانًا -- فقد سجلت نحو 80%. اتبع النظام العمليات الحسابية. وكانت العمليات الحسابية منفصلة عن الواقع. وتلك الفجوة بين اكتشاف نمط وفهم ما تنظر إليه هي المكان الذي قضيت فيه السنوات العديدة الماضية من حياتي، وهي السبب وراء بدئي في بناء أنظمة رؤية مقيدة بالفيزياء في Veriprajna.
ماذا يرى الذكاء الاصطناعي عندما ينظر إلى العالم؟
تعالج معظم أنظمة الرؤية الحاسوبية الصور بالطريقة ذاتها التي يحدد بها طفل صغير شديد الثقة الحيوانات في حديقة الحيوان. مستدير ولامع؟ كرة. أربعة أرجل؟ كلب. وهذا التشابه ليس مزحة -- فالشبكات العصبية الالتفافية الحديثة (CNNs) تفكك الصور إلى أنسجة وحواف وأشكال، ثم تطابق تلك السمات مع الأنماط المستفادة من بيانات التدريب. إنها، في جوهرها، آلات لمطابقة الأنسجة.
يعمل هذا بشكل مذهل في الظروف المضبوطة. لكنه ينهار في اللحظة التي يبدأ فيها العالم الحقيقي بالتصرف بفيزيائيته.
اكتشاف الأجسام ليس فهمًا للأجسام. فالنظام الذي يرى شيئًا مستديرًا ويسميه كرة قد حدد نسيجًا فقط. أما النظام الذي يرفض هذا التحديد لأن "الكرة" ظلت تحوم على ارتفاع 5.5 أقدام لمدة ثلاث دقائق -- فهذا نظام يفهم شيئًا حقيقيًا.
لم تكن كاميرا إنفرنيس قادرة على التمييز بين رأس وكرة لأنها لم تكن تملك أي مفهوم لما تفعله الكرة. تتبع كرة القدم حركة المقذوفات، وتتسارع عند الارتطام، وتتحرك بسرعات تصل إلى 80 ميلًا في الساعة. ولا يمكن أن تكون متصلة بجذع بشري يتحرك بسرعة المشي. هذه ليست رؤى غريبة -- فأي طفل يشاهد المباراة كان ليعرف ذلك. لكن الذكاء الاصطناعي عمل بما يُطلق عليه مجتمع الرؤية الحاسوبية "الاستدلال المستقل عن الإطارات" (frame-independent inference)، حيث يعالج كل صورة كلقطة معزولة بلا ذاكرة لما سبق ولا توقع لما ينبغي أن يأتي بعد ذلك.
الليلة التي أدركت فيها أن لدينا المشكلة ذاتها
أتمنى لو كان بإمكاني القول إنني توصلت إلى الرؤية المقيدة بالفيزياء من خلال رؤية نظرية أنيقة. لكن الحقيقة أكثر قسوة. كنا نبني نظامًا لفحص العيوب لعميل في قطاع أشباه الموصلات، وكان نموذجنا يصنف جزيئات الغبار على أنها عيوب في الدوائر الإلكترونية. ليس بين الحين والآخر -- بل باستمرار. وكان معدل الإيجابيات الكاذبة يدمر ثقة فريق الإنتاج في النظام، وكانوا محقين تمامًا في عدم الوثوق به.
أتذكر جلوسي أمام النتائج في الساعة الثانية صباحًا، وأنا غاضب، لأن نموذجنا كان دقيقًا وفق كل مقياس معياري تتبعناه. فقد حدد العيوب بشكل صحيح أكثر من 90% من الوقت على بيانات الاختبار القياسية. لكن بيئة الإنتاج لم تكن بيانات اختبار قياسية. فقد استقر الغبار على رقائق السيليكون، وتغيرت الإضاءة بين محطات الفحص. رأى النموذج بقعة داكنة ووصفها بأنها عيب، تمامًا كما رأت كاميرا إنفرنيس شكلًا مستديرًا ووصفته بأنه كرة.
تجادلت أنا والمدير التقني لمدة أسبوع حول الحل. أراد هو المزيد من بيانات التدريب، بينما أردت أنا تغيير البنية المعمارية. انتهى الجدال عندما طرحت سؤالًا بسيطًا: "هل يعرف نموذجنا أن جزيء الغبار وعيب الدائرة يتصرفان بشكل مختلف تحت التصوير متعدد الزوايا؟" لم يكن يعرف ذلك. فالعيب الحقيقي -- كفجوة مادية أو خدش في السيليكون -- يتغير موضعه بشكل يمكن التنبؤ به عند تصويره من زوايا مختلفة. إنه اختلاف المنظر (Parallax). أما جزيء الغبار المستقر على السطح فيتصرف بطريقة مختلفة. كنا نطلب من أداة مطابقة أنسجة أن تؤدي عمل فيزيائي.
كانت تلك نقطة التحول. توقفنا عن محاولة جعل الشبكة العصبية أكثر ذكاءً وبدأنا في جعلها تطيع قوانين الفيزياء.
العرض التوضيحي الذي حاد عن مساره
بعد ثلاثة أشهر من التحول في مشروع أشباه الموصلات، كنت في غرفة اجتماعات أعرض نهجنا الجديد على شركة لوجستية. كان هناك خمسة عشر شخصًا على الجانب الآخر من الطاولة. كنت قد بنيت عرضًا توضيحيًا حيًا يوضح كيف يتعقب متتبعنا المقيد بالفيزياء طردًا عبر مستودع محاكى، ويتنبأ بموضعه أثناء الاحتجاب، ويرفض الاكتشافات الخاطئة.
بدأ العرض التوضيحي بلا أي شائبة. ثم رن هاتف أحدهم، وضرب وميض من الضوء المنعكس من الشاشة كاميرتنا بزاوية خاطئة تمامًا. تعثر المتتبع، وقفز مربع الإحاطة (bounding box) إلى وحدة إضاءة في السقف وظل هناك لمدة ثلاث ثوانٍ مؤلمة قبل أن تصححه طبقة الفيزياء.
وقفت هناك أشاهد برنامجي يفشل بالطريقة ذاتها تمامًا التي أمضيت شهورًا وأنا أزعم أنه لن يفشل بها. ساد الصمت الغرفة، وتمنيت لو انشقت الأرض وابتلعتني.
تعافت طبقة الفيزياء. وكان هذا هو بيت القصيد. لكن في تلك الثواني الثلاث، فهمت شيئًا لم يعلمني إياه أي اختبار معياري من قبل: في بيئة الإنتاج، لا تتعلق الثقة بمتوسط الدقة، بل بما يحدث في الإطار الأسوأ.
قلت ذلك بصوت عالٍ، نصفه للغرفة ونصفه لنفسي: "أي نظام عام كان سيظل يتعقب مصباح السقف ذلك. نظامنا صحح مساره. وهذا التعافي هو المنتج بحد ذاته". أومأ المدير التقني على الجانب الآخر من الطاولة برأسه ببطء. ووقعوا العقد بعد أسبوعين. لكني عدت إلى المنزل في تلك الليلة وأعدت كتابة منطق عرض الثقة لكي يوضح النظام عدم يقينه في الوقت الفعلي -- لأني لم أرغب أبدًا في الوقوف أمام عميل مرة أخرى متظاهرًا بأن الرياضيات سحر.
لماذا تفشل أنظمة الذكاء الاصطناعي ذات الدقة 90% في بيئة الإنتاج؟
هناك فخ أطلقت عليه الآن اسم "مشكلة الـ 90%"، وأرى شركة تلو الأخرى تقع فيه. تمنحك واجهات برمجة تطبيقات الرؤية الحاسوبية العامة -- من النوع الذي يمكنك تشغيله من أي مزود سحابي رئيسي في فترة ما بعد الظهيرة -- دقة تصل إلى 90% بسرعة وبتكلفة منخفضة. في العرض التوضيحي، تبدو ساحرة. لكن القيمة التجارية الحقيقية تكمن بالكامل في نسبة الـ 10% المتبقية.
نسبة الـ 10% الأخيرة هي المكان الذي تختبئ فيه الرؤوس الصلعاء. والظلال التي تبدو كجدران للمركبة ذاتية القيادة، مما يؤدي إلى كبح وهمي على الطريق السريع. واللحظة التي تحجب فيها يد العميل منتجًا في متجر بلا كاشير. وعيب أشباه الموصلات النادر الذي يبدو مطابقًا تمامًا لجزيء غبار غير ضار بحجم 2 نانومتر.
في صناعة أشباه الموصلات، فإن تحسين دقة اكتشاف العيوب بمقدار 1% فقط يمكن أن يؤدي إلى زيادة في الإنتاجية بنسبة 5-10%، مما يوفر الملايين سنويًا. وفي المركبات ذاتية القيادة، أبلغ مالكو سيارات تسلا عن حوادث كبح وهمي واسعة النطاق حيث تخطئ أنظمة الرؤية في تفسير الظلال والجسور العلوية وتعتبرها عوائق. هذه ليست مخاطر نظرية. بل هي إخفاقات إنتاجية تحدث الآن عبر مختلف الصناعات لأن الذكاء الاصطناعي الأساسي يفتقر إلى الحدس الفيزيائي. عملنا يسد تلك الفجوة من 90% إلى 99.99% عن طريق إضافة طبقة الفيزياء التي تفتقر إليها واجهات برمجة التطبيقات العامة.
كيف علمنا أنظمتنا التفكير مثل الفيزيائيين
الفكرة الأساسية بسيطة في ظاهرها: معاملة مخرجات الشبكة العصبية ليس كحقيقة، بل كقياس مشوب بالضوضاء يجب التحقق من صحته في مواجهة الفيزياء. لقد كتبت عن البنية التقنية الكاملة في النسخة التفاعلية من بحثنا، لكن الحدس أهم من الرياضيات.
تخيل أنك تتعقب كرة قدم. تقول كاميرتك إن الكرة في منتصف الملعب وتتحرك شرقًا بسرعة 20 مترًا في الثانية. وبعد جزء من أربعين من الثانية، تقول كاميرتك إن "الكرة" تبعد الآن 15 مترًا على خط التماس وتتحرك بسرعة المشي. مرشح كالمان (Kalman Filter) -- وهو إطار رياضي يحافظ على تقدير مستمر لمكان وجود الجسم وسرعة حركته ومدى اليقين بشأن الاثنين -- سيرفض هذا القياس الثاني على الفور؛ فالتسارع الضمني مستحيل فيزيائيًا بالنسبة لكرة قدم. يحسب النظام ما يسمى مسافة ماهالانوبيس (Mahalanobis Distance) -- وهي في الأساس عدد الانحرافات المعيارية التي يبعدها القياس الجديد عن التوقع. وإذا تجاوزت 3 سيغما (3 sigmas)، يُستبعد الاكتشاف بغض النظر عن مدى ثقة الشبكة العصبية في تلك البكسلات.
هذا ما أعنيه بالرؤية المقيدة بالفيزياء: الشبكة العصبية تقترح، والفيزياء تقرر.
نحن نضع بوابات متعددة فوق كل عملية اكتشاف. تفحص البوابة الحركية (kinematic gate) ما إذا كان يمكن للجسم أن يتواجد فيزيائيًا في المكان الذي تدعي الشبكة وجوده فيه. وتتحقق بوابة التدفق البصري (optical flow gate) من أن حركة البكسل داخل مربع الإحاطة تطابق ما تتوقعه من جسم متحرك حقيقي -- فحكم الراية الثابت يولد تدفقًا شبه معدوم، بينما تولد الكرة أثناء طيرانها نمطًا مميزًا. كما تفحص البوابة الهندسية (geometric gate) ما إذا كان الحجم الظاهري للجسم يتوافق مع المنظور ثلاثي الأبعاد عند المسافة المزعومة من الكاميرا.
أي اكتشاف يفشل في أي بوابة يُرفض على الفور. بلا استثناءات، وبلا تجاوزات.
ماذا يحدث عندما يختفي الجسم؟
تصاب الأنظمة العامة بالذعر، وتهبط درجة الثقة إلى الصفر، ويعلن المتتبع أن الجسم "مفقود" ويتجمد أو يعيد ضبط نفسه. في العالم المادي، هذا أمر غير معقول؛ فالكرة التي تتحرك بسرعة 20 مترًا في الثانية لا تنعدم من الوجود لأن لاعبًا ركض أمام الكاميرا. إنها تستمر في الحركة متباطئة قليلًا بفعل السحب الهوائي، متبعة مسارًا تستطيع الفيزياء التنبؤ به بدقة ملحوظة.
تحافظ أنظمتنا على الجسم في الذاكرة أثناء الاحتجاب، وتسقط موضعه إلى الأمام بناءً على مسار ما قبل الاحتجاب. وعندما يظهر الجسم مرة أخرى، يكون النظام ينظر بالفعل في المكان الصحيح. أعتبر هذا بمثابة منح الذكاء الاصطناعي مفهوم دوام الأشياء (object permanence). لقد فهم ابن أخي البالغ من العمر عامين هذا الأمر في عمر ثمانية أشهر تقريبًا، بينما لا تزال معظم أنظمة الرؤية الإنتاجية عاجزة عن ذلك.
"ما عليك سوى استخدام نموذج أكبر"
يقول الناس لي هذا باستمرار. وقد قالها مستثمر لي حرفيًا خلال عرض تقديمي في عام 2023، مستندًا إلى ظهر كرسيه وكأنه قد حل مشكلتنا التقنية بأكملها: "لماذا لا تضبط نموذجًا تأسيسيًا بدقة فقط؟ لماذا تبني كل هذه الأدوات الفيزيائية؟"
توقفت قليلًا ثم قلت: "لأن الفيزياء لا تتغير عندما يتغير توزيع بيانات التدريب الخاصة بك".
لا تتعلم شبكة PINN من البيانات وحدها، بل تتعلم من بيانات مقيدة بالواقع. والفرق بينهما هو الفرق بين حفظ الإجابات عن ظهر قلب وفهم المادة.
تعد الشبكات العصبية المدعومة بالفيزياء -- PINNs -- واحدة من أكثر الأفكار أناقة في التعلم الآلي الحديث. فالشبكة العصبية القياسية تقلل الفجوة بين تنبؤاتها وبيانات التدريب المصنفة. وتضيف شبكة PINN عقوبة ثانية: تُعاقب الشبكة أيضًا كلما انتهكت تنبؤاتها معادلة فيزيائية. فإذا تنبأت بمسار تنعطف فيه الكرة في منتصف الهواء دون قوة خارجية، تُنتهك المعادلة التفاضلية الحاكمة، وترتفع دالة الخسارة بشكل حاد، وتتعلم الشبكة عدم تكرار ذلك.
النتيجة العملية دراماتيكية. تحتاج شبكات PINN إلى بيانات تدريب أقل بكثير لأن قوانين الفيزياء تستبعد معظم مساحة الحلول قبل بدء التدريب. وهي تعمم قدرتها على ظروف لم ترها من قبل لأنها استوعبت القواعد داخليًا ولم تكتفِ بحفظ الأمثلة. بالنسبة لعملنا في التتبع الرياضي، يعني هذا أنه يمكننا التنبؤ بانحناء الكرة اللولبية (knuckleball) أو الضربة الحرة المقوسة من المسار الأولي -- فتتحرك الكاميرا بشكل استباقي أمام مجرى الحركة بدلًا من ملاحقتها. وللحصول على التحليل التقني الكامل لشبكات PINN والشبكات العصبية الهاميلتونية (Hamiltonian Neural Networks)، أتعمق أكثر في ورقتنا البحثية.
سؤال البناء مقابل الشراء الذي لا يطرحه أحد بصدق
يواجه كل قائد مؤسسي أتحدث إليه الخيار ذاته: شراء واجهة برمجة تطبيقات للرؤية جاهزة للاستخدام أو بناء حل مخصص. والنسخة الصادقة من هذه المحادثة، والتي نادراً ما تحدث، تسير على النحو التالي.
يوصلك الشراء إلى مرحلة الإنتاج بسرعة؛ فالواجهة تعمل منذ اليوم الأول، وتتعامل مع الحالات القياسية جيدًا، وتبدو التكلفة الإجمالية للملكية منخفضة في جداول البيانات.
ثم تظهر الحالات الحدية الحرجة وتتراكم الإيجابيات الكاذبة. توظف مراجعين بشريين لمراجعة عمل الذكاء الاصطناعي، وهو ما يتعارض مع الهدف الأساسي. وتكتشف أن نموذج المورد لا يمكن ضبطه بدقة ليتناسب مع فيزياء مجالك المحدد. وتدرك أن بياناتك تغادر مقرك، وأنك لم تبنِ أي ملكية فكرية.
يتطلب بناء نظام مقيد بالفيزياء تكلفة أولية أعلى؛ فهناك هندسة حقيقية مطلوبة. لكن معدل الإيجابيات الكاذبة ينخفض بعدة مستويات أسية لأن الفيزياء تصفي الضوضاء التي تعجز البيانات وحدها عن تصفيتها. يعمل النظام على بنيتك التحتية، باستخدام بياناتك، وينتج نماذج تمتلكها بالكامل. وترجح التكلفة الإجمالية للملكية على المدى الطويل كفة البناء لأي تطبيق تكون فيه الأخطاء مكلفة -- وهو، في تجربتي، كل تطبيق يستحق الأتمتة.
أنا لا أقول إنه ينبغي على كل شركة أن تبني كل شيء من الصفر. بل أقول إنه إذا كان الذكاء الاصطناعي لديك لا يستطيع التمييز بين كرة ورأس أصلع، فإن رسوم الاشتراك هي أقل تكاليفك شأنًا.
السياق هو المعيار الجديد للدقة
جلست في الصف الخلفي لأحد المؤتمرات في العام الماضي، مستمعًا إلى حلقة نقاش تبحث فيما إذا كان الذكاء الاصطناعي بحاجة إلى "الحس السليم". أربعة باحثين، وخمس وأربعون دقيقة، دون أي نتيجة حاسمة. ظللت أفكر: نحن لا نحتاج إلى الحس السليم، بل نحتاج إلى الفيزياء. فالحس السليم مفهوم غامض، أما الفيزياء فهي مجموعة من المعادلات التي يمكنك برمجتها.
أمضت صناعة الذكاء الاصطناعي عقدًا من الزمن في التحسين من أجل الدقة على مجموعات البيانات المعيارية. نماذج بمليارات المعلمات تستطيع التعرف على آلاف الفئات من الأجسام بدقة تفوق قدرة البشر -- على صور اختبار تشبه صور التدريب. لكن العقد القادم ينتمي إلى السياق: ليس بنماذج أكبر، بل بقيود أذكى؛ ليس بمعلمات أكثر، بل بفيزياء أعمق.
هل يعرف الذكاء الاصطناعي لديك الفرق بين الكرة والرأس؟ إذا كان يعتمد على البكسلات فقط، فالإجابة هي "أحيانًا". وإذا كان يعتمد على الفيزياء، فالإجابة هي "دائمًا".
أفكر في مباراة كرة القدم الاسكتلندية تلك أكثر مما ينبغي ربما. رجل أصلع يقف على خط التماس، منشغلًا بشأنه، يكشف عن غير قصد الهشاشة الجوهرية لجيل كامل من أنظمة الذكاء الاصطناعي. شعر المشجعون الذين فاتتهم الأهداف بالإحباط، أما أنا فكنت ممتنًا؛ لقد علمني حكم الراية ذاك عن بناء ذكاء اصطناعي حقيقي أكثر من أي ورقة بحثية قرأتها.
مستقبل الرؤية الحاسوبية لا يكمن في رؤية المزيد، بل في فهم ما تراه.
