PhiZero: تعليم الذكاء الاصطناعي للفيديو التفكير في الفيزياء قبل العرض

نماذج توليد الفيديو تواجه مشكلة فيزيائية. أعطِ أحدها إطاراً بدئياً ويمكنه إنتاج تسلسل معقول تماماً تسقط فيه كرة إلى الأعلى، أو يمر كوب عبر طاولة، أو ينحني ذراع في الاتجاه الخاطئ. ورقة جديدة من CASIA تجادل بأن الخلل بنيوي: نماذج اليوم تتنبأ بالبكسل مباشرة، ولا شيء في ذلك المسار يمثل قواعد العالم المُصوَّر.

الحل المقترح غير معتاد. لا يحاول PhiZero جعل المتنبئ البصري أذكى. بدلاً من ذلك، يبتعد عن البكسل تماماً، ويترجم أولاً التطور المتوقع للمشهد إلى ما يسميه المؤلفون «اللغة الفيزيائية»، وهي تمثيل منفصل ومضغوط لانتقالات حالة العالم، ثم يعرض ذلك الوصف في صورة فيديو. فكّر أولاً، ثم ارسم.

مشكلة التنبؤ بالبكسل

النماذج الفيزيائية العالمية القائمة، كما تلاحظ الورقة، تعمل عادة في فضاء البكسل: تأخذ إطاراً أو مطالبة وتتنبأ بإطارات مستقبلية، تاركةً «ديناميكيات العالم الأساسية ضمنية داخل متنبئات بصرية عالية الأبعاد»، كما يذكر الملخص. ينجح ذلك مع مقاطع قصيرة مبهرجة. لكنه لا ينجح بوضوح مع المشاهد التي تتطلب ميكانيكا متسقة، لأن النموذج غير مطالب أبداً بأن يكشف ما يعتقد أنه يحدث، بل فقط ما يعتقد أن شكله يبدو عليه.

فرضية PhiZero هي أن البشر يفعلون شيئاً مختلفاً. نحن نستخلص البنية التنبؤية من التجربة البصرية وننظمها في عبارات شبيهة باللغة حول كيفية تغيّر الأشياء. تتعامل الورقة مع هذه الملاحظة بوصفها قيداً تصميمياً لا مسألة فلسفية.

لغة فيزيائية، تُتعلم من العالم الحقيقي

«اللغة» ليست أنطولوجيا مصنوعة يدوياً. يتعلمها PhiZero من فيديوهات العالم الحقيقي عبر الإشراف الذاتي، دون تسميات أو تعليقات توضيحية، بوصفها تمثيلاً منفصلاً ومضغوطاً لتغيرات الحالة. ما ترمّزه الوحدة بالضبط في تلك اللغة غير مفصَّل في ملخص المسودة. القصد واضح بما يكفي: إجبار النموذج على الالتزام بوصف ما سيتغير قبل السماح له برسم أي شيء.

فكّر، ثم اعرض

تتبع البنية نموذجاً من مرحلتين يسميه المؤلفون «التفكير ثم العرض». المرحلة الأولى تستنتج التطور المستقبلي للعالم بوصفه تسلسلاً في اللغة الفيزيائية. المرحلة الثانية تعرض تلك الانتقالات المستنتجة في إطارات فيديو فعلية. تقسيم العمل هذا هو ما يميز PhiZero عن المناهج التي تدمج الديناميكيات في متنبئ عالي الأبعاد وتأمل في أن تعاود الظهور وقت الاستدلال.

ما تدّعيه الورقة

يذكر المؤلفون تجارب موسعة عبر معايير التوليد والفهم تتحقق، بكلمات الملخص، من «تطور عالمي متماسك فيزيائياً». كما يدّعون إمكانات لثلاثة أمور تتجاوز نتائج المعايير: نمذجة عالمية واقعية وتفاعلية، ومحاكاة دقيقة مشروطة بالأفعال، ونقل الحركة بدون تدريب (zero-shot motion transfer)، أي أن نمط حركة مُتعلَّماً على كائن واحد يمكن تطبيقه على آخر دون إعادة تدريب.

أُرسلت المسودة إلى arXiv في 30 يوليو 2026، وصفحة المشروع متاحة على phi-zero.github.io. حصلت الورقة على 155 صوتاً مؤيداً على Hugging Face وقت كتابة هذا التقرير. ذلك اهتمام مجتمعي متواضع، وليس حكماً على العلم.

أسئلة بلا إجابة

الأسئلة المفتوحة حقيقية، والورقة تدعو إليها. ماذا يعني «متماسك» عملياً في المعايير؟ كيف يتوسع التمثيل المنفصل عندما تصبح المشاهد طويلة ومزدحمة؟ وهل «اللغة» هي الاستعارة الصحيحة، أم أنها عنق زجاجة منفصل متقن يحمل اسماً مثيراً للإعجاب؟ لا يحسم الملخص أيّاً من ذلك. الادعاء الأقوى، بأن الاستدلال الصريح يتفوق على التنبؤ المباشر بالبكسل، سيحتاج إلى معايير من طرف ثالث وإعادة إنتاج لمسار التفكير-ثم-العرض على بيانات شخص آخر قبل أن يعني شيئاً.

لا شيء من ذلك يجعل هذا الاتجاه أقل إثارة للاهتمام. النماذج العالمية تُسحب في اتجاهين في آن واحد: نحو سياق أكبر وآفاق تنبؤ أطول، أو نحو تمثيلات داخلية أكثر بنية. PhiZero رهان على الثاني؛ على أن النموذج القادر على قول ما سيحدث قبل أن يُظهر ما سيحدث سينتهي به الأمر إلى فهم العالم أفضل من نموذج يكتفي بعرضه.