طوّرت Apple تقنية TGPO لتدريب نماذج الفيديو على فهم الزمن

قدمت Apple ML Research طريقة Temporal Global Policy Optimization (TGPO) لتدريب نماذج الفيديو بوعي زمني صريح. يعالج البحث فجوة حرجة في نماذج اللغة متعددة الأنماط: فهي تتفوق في تحليل الإطارات الفردية ولكن فشلت في فهم تسلسل الأحداث وتطورها، خاصة في فيديو منظور الشخص الأول.

لماذا لا ترى نماذج الفيديو الوقت

حققت نماذج اللغة الكبيرة متعددة الأنماط في السنوات الأخيرة نتائج مثيرة في التحليل البصري: تقرأ النص من الصور وتصف المشاهد وتجيب على الأسئلة حول المحتوى. ومع ذلك، فإن دوال الهدف التدريبي لهذه النماذج لا تتضمن مكافآت صريحة للاستدلال الزمني. بدلاً من ذلك، تعتمد النماذج على "اختصارات"—الميزات المكانية وتفاصيل الإطارات الفردية التي لا تتطلب فهم تطور الأحداث.

يصبح هذا حرجاً بالنسبة لفيديو منظور الشخص الأول (الفيديو الأناني)، حيث يعتمد المعنى والحل الصحيح على تسلسل العمل المناسب:

• التجميع والتركيب—يجب معرفة تسلسل الخطوات
• الطهي—ترتيب إضافة المكونات ووقت المعالجة
• إصلاح المعدات—التسلسل الخاطئ يؤدي إلى أخطاء
• التمارين الرياضية—تعتمد التقنية على تسلسل الحركات
• الإجراءات الطبية—الترتيب بالغ الأهمية للسلامة

نموذج لا يفهم الوقت يمكنه أن يصف الإطارات والأشياء الفردية لكنه يفتقد الجوهر: لماذا هذا الترتيب المحدد مهم.

كيف يعلم TGPO النماذج الشعور بالوقت

طورت Apple Temporal Global Policy Optimization—خوارزمية ضمن إطار التعلم المعزز بالمكافآت القابلة للتحقق (RLVR). الابتكار الرئيسي: مكافأة صريحة للنموذج على الاستدلال الزمني أثناء التدريب.

تعيد الخوارزمية تحديد إشارة التعلم. يتلقى النموذج تعزيزاً إيجابياً عندما:

• يستحضر بشكل صحيح ترتيب وتسلسل الأحداث في الفيديو
• يحدد العلاقات السببية بين الإجراءات في لحظات زمنية مختلفة
• يشرح ليس فقط "ما حدث في الإطار 5" بل "لماذا تأتي الخطوة 3 قبل الخطوة 4"

هذا يوجه التعلم نحو فهم حقيقي للديناميكا الزمنية بدلاً من مجرد البحث والنسخ عن الأنماط المكانية ضمن الإطارات الفردية.

لماذا يكون الوعي الزمني مهماً للفيديو

أصبح فيديو منظور الشخص الأول شائعاً بشكل متزايد: نظارات الواقع المعزز والهواتف الذكية والروبوتات بها كاميرات وأنظمة المساعدة للأشخاص ذوي الإعاقة. إذا لم تفهم الذكاء الاصطناعي تسلسل الأحداث، فلا يمكنه:

• متابعة التعليمات متعددة الخطوات بشكل صحيح ومساعدة البشر
• كشف الأخطاء في تسلسل الإجراءات قبل أن تسبب مشاكل
• تمكين التنفيذ الآمن للمهام المعقدة
• تقديم نصائح ذات صلة بناءً على ما حدث وبأي ترتيب

يفتح TGPO الطريق أمام نماذج ستكون أكثر موثوقية وعملية في التطبيقات الواقعية.

ماذا يعني هذا للصناعة

توضح نشرة Apple استنتاجاً أساسياً: التحسين الصريح للاستدلال الزمني ليس مكافأة اختيارية بل ضرورة أساسية في تصميم تدريب نماذج الفيديو. مع تطور الواقع المعزز وأنظمة المساعدة والروبوتات، ستكون فيديو الذكاء الاصطناعي بوعي زمني حقيقي متطلباً أساسياً وليس فكرة بحثية متقدمة. TGPO خطوة مهمة في هذا الاتجاه.