جامعة بكين تسرّع تحميل الفيديو لأنظمة الذكاء الاصطناعي بمقدار 1,45 مرة

اقترح باحثون من جامعة بكين بقيادة الأكاديمي Wen Gao نظام codec4AI، وهو أسلوب لتخزين الفيديو وقراءته مصمَّم وفق حِمل العمل الفعلي لتدريب الشبكات العصبية. على مجموعة كبيرة من بيانات الروبوتات، حقّق متغيّر DDRA H.265 معدّل نقل لتحميل البيانات يبلغ 1,45× مقارنةً بإعداد LeRobot v3 الذي اعتمده المؤلفون مرجعاً للمقارنة. وجاء حجم الوسائط أقل بنسبة 58,7%، مع جودة إعادة بناء قابلة للمقارنة. نُشرت الورقة البحثية على arXiv (2610.33079)، والشيفرة والتوثيق متاحان للعموم.

لماذا تعرقل الترميزات التدريب

صُمّمت ترميزات الفيديو القياسية للتشغيل: تتوالى الإطارات تباعاً، ويستفيد الضغط إلى أقصى حد من الارتباط بين الإطارات المتجاورة. تُخزَّن معظم الإطارات على هيئة فرق عن إطارات أخرى، لذلك يتطلب عرض إطار واحد إعادة بناء سلسلة مراجعه بدءاً من أقرب إطار مفتاحي.

يعمل التدريب بطريقة مختلفة. فمجموعات بيانات الروبوتات الخاصة بنماذج VLA وغيرها من الأنظمة متعددة الوسائط تأخذ عيّنات من الإطارات عشوائياً على امتداد الزمن. يطلب محمّل مجموعة البيانات إطاراً من منتصف المقطع، فيفك المفكّك كل ما يحتاجه لذلك بأمانة تامة.

يسمّي المؤلفون هذا التأثير decode amplification، ويحدّدون له مصدرين:

• إعادة بناء متسلسلة لإطارات غير مرتبطة بالطلب لم يطلبها أحد؛
• إعادة بناء سلاسل المراجع اللازمة للإطارات المستهدفة نفسها.

أما الحلول البديلة المعتادة فتضرب التخزين. فإطارات JPEG المستقلة أو مجموعات GOP القصيرة تخفف الحِمل عن فاك الترميز، لكنها تضخّم حجم التخزين وحركة البيانات، وعلى نطاق مئات الآلاف من الحلقات يتحول ذلك سريعاً إلى بند ثقيل في النفقات.

رافعتان: فك الترميز المتناثر وDDRA

عالج الباحثون السببين معاً، عبر مواءمة جدول فك الترميز مع بنية المراجع.

المكوّن الأول، dependency-aware sparse decoding، يعيد بناء الإطارات المطلوبة فقط والمراجع التي لا يمكن تركيبها بدونها، ويتخطى كل ما سوى ذلك. ولا يتطلب ذلك إعادة ترميز الفيديوهات الأصلية، لذا يمكن تطبيق الطريقة على مجموعات البيانات المتراكمة أصلاً.

المكوّن الثاني، Dependency-Decoupled Random Access (DDRA)، اختياري ويعمل كترميز غير متصل. يحصل كل إطار داخلي على مراجع من مرساتين محيطتين مرمّزتين بنمط intra فقط. يبقى التنبؤ بين الإطارات قائماً، فيظل الضغط فعّالاً، بينما تختفي سلاسل الاعتماد الطويلة.

يضع هذان الأسلوبان معاً حدّاً صارماً: لا يزيد عدد الإطارات المعاد بناؤها عن ثلاثة لكل إطار مطلوب (الهدف ومرساتان). ولا يعتمد هذا الحد الأعلى على طول فترة intra، أي يمكن جعل GOP طويلاً لتحقيق الإيجاز دون دفع ثمن ذلك في زمن فك الترميز.

ما أظهرته القياسات

أُجريت التجارب على مجموعة كبيرة من بيانات الروبوتات، وكان إعداد LeRobot v3 هو نقطة المقارنة. نتائج DDRA H.265:

• وسائط أقل بنسبة 58,7%؛
• 1,45× في معدّل نقل تحميل البيانات؛
• جودة إعادة بناء إطارات قابلة للمقارنة؛
• نتائج قابلة للمقارنة في مهام VLA وWAM وVLM عند إعدادات ضغط مناسبة (تجارب منفصلة أجراها المؤلفون).

البند الأخير هو الأهم عملياً. فلا قيمة للمكسب في السرعة إذا كان أداء النموذج بعد التدريب على إطارات شديدة الضغط أسوأ. وقد فحص المؤلفون هذه المسألة على حدة على ثلاثة أنواع من النماذج، ويشدّدون على تحفّظ مهم: الحديث هنا عن إعدادات ضغط مناسبة، وليس عن أي معدّل بتات.

من بين المؤلفين Zetian Song وQize Yu وYue Chen وShiyu Huang وSiwei Ma وWen Gao. يرتبط المشروع بمنظومة LeRobot، ويوصي صراحةً بعدم استخدام مخزن الفيديو الافتراضي الخاص بها.

من ينبغي أن يجري الاختبار المرجعي

أول المرشحين للتجربة هم الفرق التي تدرّب سياسات التحكم للأذرع الروبوتية والروبوتات البشرية على مجموعات بيانات LeRobot. فالفيديو لديها يشكّل الجزء الأكبر من الحجم، وكثيراً ما يصطدم المحمّل بفك الترميز لا بوحدة GPU. فإذا تأكد التسريع بمقدار 1,45 مرة على عتادها وبنمط أخذ العيّنات الخاص بها، فستتسارع كل حقبة تدريب.

كما أن توفير 58,7% من الحجم مهم بمعزل عن السرعة، إذ يخفض تكاليف التخزين والنسخ بين العناقيد والتحميل من المخازن البعيدة.

وخطوات العمل واضحة. يُختبر Sparse decoding على البيانات القائمة دون إعادة ترميز، وإذا تسارع التحميل بشكل ملحوظ، يمكن الانتقال إلى DDRA وإعادة ترميز الأرشيف دون اتصال. وقبل ذلك، يجدر تشغيل مجموعة المهام الخاصة بكل فريق على مستويات ضغط مختلفة، كما فعل المؤلفون، والتأكد من أن مقاييس النموذج اللاحق (downstream) لم تتراجع.

المستودع متواضع حتى الآن، لكن انفتاحه يتيح مقارنة هذا النهج بخط المعالجة الحالي على بياناتك الخاصة.