التحول متعدد الوسائط: كيف لم يعد الذكاء الاصطناعي أعمى، ولماذا يهمّ ذلك

قبل عامين فقط كنا نُبدي إعجابنا بقدرة الشبكة العصبية على صياغة رسالة متماسكة أو كتابة شيفرة برمجية. كان الذكاء الاصطناعي حينها أشبه بعبقري منعزل في غرفة مظلمة، لا يعرف شيئًا عن العالم الخارجي إلا من الرقاع التي تُدَسّ من تحت الباب. أما اليوم فلم يعد هذا التشبيه صالحًا. فقد خُلع الباب من مفاصله، وصارت لهذا المنعزل عينان وأذنان. وأصبح تعدد الوسائط المعيار الجديد في الصناعة، وهو أخطر بكثير من مجرد أن تطلب من الروبوت وصف صورة قطتك.

ولفهم حجم التغيير، لا بد من استذكار طريقة العمل السابقة. اعتمدت الأنظمة القديمة نهجًا متسلسلًا: نموذج يحوّل الصوت إلى نص، وثانٍ يحلل هذا النص، وثالث يولّد الإجابة. وفي كل مرحلة كانت تضيع التفاصيل الدقيقة: نبرة الصوت، والسخرية، وضوضاء الخلفية. أما البنى المعمارية الحديثة التي نراها في أحدث إصدارات OpenAI وGoogle فتعمل بطريقة مختلفة. فهي متعددة الوسائط بشكل أصيل. وهذا يعني أنه لا فرق بالنسبة إلى النموذج بين رمز نصي (توكن) وجزء من صورة. فهو يتدرب على مجمل البيانات في آن واحد، ويبني روابط بين الصور البصرية والكلمات على مستوى جوهري.

ما الفائدة من ذلك للشركات والمستخدم العادي؟ أولًا، السرعة والسياق. فحين يحلل النموذج بث الفيديو مباشرة، يستطيع أن يتفاعل فورًا مع التغيرات في الإطار، وهو أمر حاسم لأنظمة الأمن والمركبات ذاتية القيادة. ثانيًا، الدقة. ففي الطب يمكن للذكاء الاصطناعي الآن أن يقارن بيانات السجل المرضي بصور الرنين المغناطيسي الفعلية، دون الاعتماد على الأوصاف النصية لأخصائيي الأشعة، وقد تكون هذه الأوصاف ذاتية. نحن ننتقل من أدوات «تعرف عن الأشياء» إلى أنظمة «تفهم الأشياء».

ويعالج هذا التحول أيضًا مشكلة اختناق البيانات. فالإنترنت النصي استُنفد تقريبًا، إذ قرأ الذكاء الاصطناعي ما كتبته البشرية كله تقريبًا. لكن عالم الفيديو والصوت وبيانات المستشعرات أكبر بآلاف المرات. وبتدريب النماذج على منصات استضافة الفيديو وأرشيفات الصور، تصل الشركات إلى طبقات من المعرفة لم تُدوَّن يومًا في الكتب. مثل كيفية حركة يد الحرفي أثناء العمل بالخشب، أو كيف تتغير تعابير وجه الإنسان مع انفعالات معينة. وهذا طريق مباشر إلى صنع روبوتات ذكية حقًّا.

ولهذه العملة وجه آخر بالطبع. فالنماذج متعددة الوسائط تتطلب قدرات حوسبة هائلة. ومعالجة ساعة واحدة من الفيديو في نافذة السياق مهمة بدت حتى وقت قريب مستحيلة التنفيذ. ومع ذلك، يُظهر سباق التسلح في مجال العتاد وتحسين الخوارزميات أن هذه الحواجز تتهاوى أسرع مما كان متوقعًا. إننا ندخل عصرًا يصبح فيه التفاعل مع الحاسوب طبيعيًا إلى أقصى حد: تعرض عليه المشكلة ببساطة، فيحلّها.

الخلاصة: لم يعد النص الواجهة الرئيسية للتواصل مع الذكاء الاصطناعي، بل صار مجرد قناة من قنوات عدة. فهل نحن مستعدون لأن تبدأ الخوارزميات بفهم إشاراتنا غير اللفظية أفضل مما نفهمها نحن؟