وكيل بـ8 مليارات معامل مدرَّب بالتعلم المعزز يعلّم نموذج الفيديو البحث عن البيانات وحساب الفيزياء

يتولى وكيل بحجم 8 مليارات معامل، دُرّب بالتعلم المعزز (reinforcement learning)، أصعب ما يواجه نماذج الفيديو: الدقة في التفاصيل. بحسب وصف Jiqizhixin، يقرر الوكيل بنفسه متى يحتاج إلى البحث عن معلومات حول حركة محددة، أو اختيار مرجع للشخصية، أو تشغيل محاكاة، أو وصل اللقطات المتجاورة. لا يتضمن الجزء المتاح من المادة اسمًا للنظام ولا نتائج اختبارات، لذلك يقتصر هذا العرض على الفكرة المعمارية وما ينبغي التحقق منه.

أين تخفق نماذج الفيديو

اطلب من مولّد فيديو أن يعرض شخصًا يمارس التاي تشي. على الأرجح ستخرج الصورة سلسة. الآن حدّد المطلوب: حركة بعينها، وذراع ترتفع في مرحلة معينة، ومركز ثقل ينتقل إلى الساق الخلفية. هنا يرسم النموذج في أغلب الأحيان «شيئًا يشبه التاي تشي» لا التقنية الفعلية.

يزداد الأمر صعوبة بعد ذلك. المطلوب أن تنفّذ شخصية محددة الحركة نفسها، بمظهر يمكن التعرف عليه. أو أن يتصادم جسمان وفق شروط معينة، أي بسرعة واتجاه محددين. كل ذلك يتطلب معرفة قد لا تكون موجودة في الأوزان، وحسابات لا يجيدها مولّد البكسلات.

كيف تعمل الفكرة

بدلًا من مواصلة تدريب نموذج الفيديو نفسه على كمية أكبر من البيانات، زوّده المؤلفون بمساعد. هذا المساعد وكيل لغوي يحلل الطلب ويستدعي الأدوات. بحسب الوصف، هناك أربعة أنواع منها:

• البحث عن معرفة بالفعل: كيف تبدو الحركة المطلوبة وكيف تُنفَّذ؛
• البحث عن مراجع للشخصية للحفاظ على مظهرها؛
• محاكاة الحركة كي تخضع التصادمات والمسارات للفيزياء؛
• وصل اللقطات كي لا تتفكك المشاهد عند حدود المقاطع.

الكلمة المفتاحية هنا هي «باستقلالية». فالوكيل لا يمرّر الطلب عبر خط معالجة ثابت. إنه يختار ما إذا كانت هناك حاجة إلى أداة أصلًا، وأي أداة بالتحديد. ففي طلب بسيط مثل «غروب الشمس فوق البحر» لن تضيف الاستدعاءات الإضافية سوى التأخير والتكاليف. والتعلم المعزز مناسب لهذا النوع من الاختيار، لأن الإشارة تأتي من جودة النتيجة لا من مسار إجراءات موسوم.

أما دالة المكافأة المستخدمة بالضبط، وأي نموذج يؤدي دور مولّد الفيديو، فلا يتضح من الجزء المتاح.

ما المعروف عن المعاملات

• حجم الوكيل: 8 مليارات معامل، أي نموذج يمكن تشغيله على بطاقة خادم واحدة.
• أسلوب التدريب: التعلم المعزز (reinforcement learning).
• مجموعة الأدوات: المعرفة بالأفعال، ومراجع الشخصيات، ومحاكاة الحركة، وربط اللقطات.
• السيناريوهات المستهدفة: حركات ووضعيات محددة، وشخصية معينة، وتصادمات فيزيائية وفق شروط.
• المقاييس والاختبارات المعيارية والمقارنة مع النماذج الأساسية: غير واردة في النص المتاح.

ما الذي ينبغي أن يراقبه الممارسون

أول ما يجب معرفته هو كلفة التحسن في الجودة. فكل استدعاء لأداة يطيل زمن التوليد، والفيديو أصلًا صيغة مكلفة. وإذا كان الوكيل يستدعي البحث والمحاكاة مع كل طلب، فإن الجدوى التجارية تضيع. ومن المهم أن يتعلم تجاوز ما لا حاجة إليه.

الثاني: أي نموذج مسؤول عن اللقطات نفسها. فإذا لم يكن المخطط مرتبطًا بمولّد بعينه، أمكن وصله بالخدمات القائمة. أما إذا دُرّب لحزمة واحدة، فإن قابلية النقل محدودة.

الثالث: أين سيفيد ذلك. الأقرب هو الإعلان والرسوم المتحركة ذات المتطلبات الصارمة بشأن الشخصية، ومقاطع التدريب التي تتطلب تقنية حركة دقيقة، ومشاهد الألعاب السينمائية. ويبرز اهتمام خاص بالبيانات الاصطناعية للروبوتات، حيث تفوق المصداقية الفيزيائية الجمال أهمية. وما دامت لا توجد جداول نتائج، فهذه فرضيات لا استنتاجات. ويستحسن انتظار ورقة بحثية أو مستودع يتضمن المقاييس، ثم النظر في مدى صمود التحسن في مهام خارج الأمثلة التوضيحية.