لوكون في ECCV 2026 يدعو إلى التخلي عن توليد البكسلات والتوجه نحو نماذج العالم

يُعقد المؤتمر الأوروبي للرؤية الحاسوبية ECCV مرة كل عامين، واجتمع في سبتمبر 2026 في مدينة مالمو السويدية. وعاد منه فيكتور يورتشينكو، رئيس مجموعة محاكاة الحساسات في الرؤية الحاسوبية لدى Yandex، بملخص عن أبرز ما دار فيه. استخلصنا منه ما قد يفيد من يبنون منتجات على التوليد والنماذج متعددة الوسائط والنقل ذاتي القيادة.

الأرقام والجدل الرئيسي: البكسلات في مواجهة التمثيلات

قُدّم إلى المؤتمر 10,473 بحثًا، وقُبل منها 2,834، ولم ينل عرضًا شفهيًا سوى 163 بحثًا (1.6%). وجاء توليد الصور والفيديو في المرتبة الأولى بفارق واضح بين المواضيع، يليه نموذج الرؤية واللغة (vision-language) مع الاستدلال، ثم الرؤية ثلاثية الأبعاد. فالضجة حول النماذج التوليدية لم تهدأ بعد.

وشكّلت كلمة يان لوكون الرئيسية ثقلًا فكريًا مضادًا. فقد ذكّر بأن الذكاء الاصطناعي يكتب الشيفرة ويحل الرياضيات جيدًا بالفعل، لكنه يتصرف بشكل سيئ في العالم المادي: فالفيديو الخام والصوت وإشارات الحساسات تظل بيانات ثقيلة، والوكلاء يحتاجون إلى عدد مفرط من العروض التوضيحية. ووصفته كما يلي:

• ألا نتنبأ بالإطار التالي. فالمستقبل على مستوى البكسلات غامض، ولاختيار الإجراءات لا تلزم عادةً هذه الدرجة من التفصيل.
• أن نتنبأ في فضاء التمثيلات. هذه هي بنية JEPA: يرمّز المشفّر (encoder) الهدف، ويتنبأ المتنبئ (predictor) بتمثيله انطلاقًا من السياق، ويُحسب الخطأ بين التمثيلات. وبذلك تُهمَل التفاصيل غير القابلة للتنبؤ.
• أن نخطط عبر التحكم التنبؤي بالنموذج (model-predictive control). يستعرض نموذج العالم عواقب الإجراءات، ويبحث النظام عن تسلسل يقود إلى الهدف. ويبقى التعلم المعزز في دور الناقد أو وسيلة لتصحيح النموذج.
• أن نبني تسلسلًا هرميًا. تعمل المستويات العليا بتغيرات مجردة على آفاق زمنية طويلة وتحدد أهدافًا فرعية للمستويات الأدنى.

وخلاصة لوكون حاسمة: على الباحثين الساعين إلى ذكاء اصطناعي بمستوى بشري أن يحوّلوا تركيزهم من النماذج اللغوية الكبيرة والبنى التوليدية إلى تعلّم التمثيلات ونماذج العالم. وهذا موقف أحد أطراف الجدل وليس حقيقة مثبتة، لكنه إشارة مهمة لمن يختار اتجاه البحث والتطوير.

ما الذي يمكن أخذه من الأوراق البحثية إلى العمل

جلبت Yandex ثلاث أوراق، وكل واحدة منها مفيدة عمليًا.

تُظهر الأولى أن النماذج ذاتية الانحدار (autoregressive) صالحة لتصنيف الصور. تعتمد الطريقة على RandAR وتحسب متوسط التقديرات عبر ترتيبات عشوائية للرموز البصرية. على ImageNet-Val يحقق RandAR-XL نسبة 81.3% في top-1 مقابل 77.2% لـ DiT-XL و82.7% لـ DINOv2-XL. وقد قِيس التسريع حتى 25 ضعفًا قياسًا بمصنِّف DiT على بطاقة A100 واحدة. وعند انزياح التوزيع، مثل ImageNet-A، تخلّف RandAR عن DINOv2.

أما الثانية، DuET، فتفيد كل من يعمل على تحرير الصور. فإذا كان النموذج الموحد (unified) يجيد التوليد والتحرير معًا، فيمكن في منتصف الاستدلال تعطيل الارتباط بالصورة الأصلية مؤقتًا ثم إعادته. على FLUX2-Klein 4B مع التبديل في الخطوات [25، 35) من 50، يرتفع تقييم الجودة على GEdit من 7.46 إلى 8.01. والثمن أن مقياس SSIM على GIE-Bench ينخفض من 0.815 إلى 0.749، أي أن تفاصيل الأصل تتغير بشكل أوضح. أما نسخة Selective DuET فتُبقي الحفاظ على التفاصيل ضمن عتبة مقيِّم VLM، لكن ذلك ليس تقييمًا بشريًا ولا ضمانًا لأي تعديلات.

والثالثة معيار مقارنة نزيه لثماني طرق بلا تدريب إضافي (training-free) قائمة على التوجيه الخالي من المصنِّف (Classifier-Free Guidance)، على Stable Diffusion 3.5 Medium وFLUX.2 4B Base. ويشكو المؤلفون من أن الطرق الجديدة في سيل الأوراق كثيرًا ما تُقارن على معايير ضعيفة ونماذج قديمة. فإذا كنتم تختارون التوجيه (guidance) للإنتاج، فهذا مرجع جيد.

النقل ذاتي القيادة: المحاكي هو عنق الزجاجة

في ورشة العمل حول الاستقلالية الموثوقة تكررت الأطروحات نفسها. تتجه مخططات التعلم الآلي نحو end-to-end، وتستخدم الصناعة بالفعل التدريب اللاحق بالتعلم المعزز (RL post-training) في المحاكاة، بينما يجرّب الباحثون التدريب من الصفر ويطبقون اللعب الذاتي (self-play). ويتطلب ذلك محاكيًا سريعًا بمحاكاة عالية الجودة للحساسات، وهي مهمة لم تُحل بعد: حتى لدى NVIDIA تظل فجوة sim-to-real مشكلة متكررة. ولا تكفي السجلات وحدها لمخطط موثوق، بل لا بد من world model تولّد سيناريوهات معقدة.

وتصطدم الأوساط الأكاديمية بصعوبة الاختبار على مركبات حقيقية. فمؤلفو PRIX، الذين حققوا SOTA على عدة معايير، كتبوا بأنفسهم في الشريحة الأخيرة أنهم لا يعرفون كيف سيتصرف النموذج على سيارة حقيقية بموارد حوسبة محدودة.

وتتصدى Motional لمشكلة الحالات النادرة، مثل أعمال الطرق المعقدة أو جسم ساقط في منتصف الطريق. فقد نشرت مجموعة بيانات من 20 ألف مشهد مدة كل منها 20 ثانية (111 ساعة): كاميرات وليدار وخرائط HD وتوسيم وتسميات استدلال (reasoning labels). وانتقى المشاهد المعقدة Gemini 3.1 Pro بمقياس من 10 درجات، ثم راجعها بشر. والاستدلال ثلاثة أنواع: مكاني، وحول القرار المتخذ، وافتراضي مضاد (counterfactual) («ماذا لو سرّعنا بدل الفرملة»). وقد حسّن الضبط الدقيق لنموذج VLM على هذه الأسئلة والأجوبة النتيجة.

ماذا نفعل بكل هذا

• إذا كنتم تعملون على تحرير الصور، فجرّبوا فكرة DuET: لا تتطلب تدريبًا، لكن راقبوا الحفاظ على التفاصيل.
• إذا كنتم تبنون مخططات للأنظمة ذاتية القيادة، فاستثمروا في محاكاة الحساسات وجمع مشاهد الذيل الطويل (long-tail)، وليس في البنية المعمارية فقط.
• إذا كنتم تختارون رهانًا بحثيًا، فضعوا في الحسبان الجدل «النماذج اللغوية الكبيرة مقابل نماذج العالم»: فهذا حتى الآن موقف لوكون وليس إجماعًا.

وضعوا في الحسبان أيضًا حدود المصدر: هذا تقرير شخصي لمشارك من Yandex وليس مراجعة مستقلة، وفي النص الكثير من السرد المنقول دون تحقق ذاتي.