كيف يفهم الذكاء الاصطناعي المكان؟ اختبار جديد يكشف نقاط ضعفه

تبدو قدرة الإنسان على فهم المكان أمرًا بسيطًا للغاية. عندما تدخل مبنى جديدًا، تبدأ بشكل طبيعي في ملاحظة الغرف والممرات والأبواب ومواقع الأشياء، ومع مرور الوقت تتكوّن لديك خريطة ذهنية تساعدك على معرفة مكانك وتحديد الطريق الذي تريد سلوكه.

لكن هل يستطيع الذكاء الاصطناعي القيام بالشيء نفسه؟

بحث حديث من مختبر الذكاء الاصطناعي في جامعة ستانفورد يقدم إجابة أكثر تعقيدًا مما قد نتوقع. فقد طوّر الباحثون معيارًا جديدًا باسم Theory of Space لاختبار قدرة نماذج الذكاء الاصطناعي على استكشاف البيئات، وبناء تصور مكاني عنها، ثم تحديث هذا التصور عندما تتغير المعلومات.

ما المقصود بفهم الذكاء الاصطناعي للمكان؟

عندما نتحدث عن فهم الذكاء الاصطناعي للمكان، فنحن لا نقصد فقط أن يتعرف النموذج على صورة تحتوي على كرسي أو باب.

المطلوب أكثر من ذلك.

يجب أن يتمكن النظام من تكوين تصور متكامل عن البيئة المحيطة به، ومعرفة العلاقات بين الأشياء والأماكن والاتجاهات، ثم استخدام هذه المعلومات في اتخاذ قرارات لاحقة.

وهنا تظهر فكرة Theory of Space، التي تشبه في مفهومها العام فكرة “نظرية العقل” المعروفة في علم الإدراك، لكنها تركز على قدرة النظام على تكوين نموذج داخلي للبيئة المادية من حوله.

كيف يعمل اختبار Theory of Space؟

صمم الباحثون بيئات تحتوي على عدة غرف وترتيبات مكانية مختلفة. يبدأ نموذج الذكاء الاصطناعي في بيئة غير معروفة، ولا يحصل على صورة كاملة للمكان منذ البداية.

بدلًا من ذلك، عليه أن يقرر بنفسه:

  • أين يتحرك؟
  • ماذا يستكشف؟
  • متى يغيّر اتجاهه؟
  • ما المعلومات التي يحتاج إلى جمعها؟
  • كيف يربط الملاحظات الجديدة بالمعلومات التي جمعها سابقًا؟

وبهذه الطريقة، لا يتم اختبار قدرة النموذج على الإجابة فقط، وإنما يتم اختبار قدرته على جمع المعلومات وبناء خريطة مكانية أثناء الاستكشاف.

ثلاث قدرات أساسية يقيسها الاختبار

يركز إطار Theory of Space على ثلاث قدرات مترابطة.

1. بناء الخريطة المكانية

يجب على الذكاء الاصطناعي أن يستكشف البيئة تدريجيًا، ثم يجمع الملاحظات الجزئية في تصور مكاني متماسك.

فمعرفة موقع كرسي في غرفة واحدة لا تكفي. المطلوب أن يفهم النظام موقع الغرفة بالنسبة إلى بقية البيئة أيضًا.

2. تحديث المعلومات

ماذا يحدث إذا تغير مكان أحد الأشياء؟

هنا يصبح الاختبار أكثر صعوبة. يجب على النظام أن يتخلى عن المعلومة القديمة عندما يحصل على دليل جديد، ثم يحدّث خريطته الداخلية وفقًا للمعلومات الحديثة.

3. استخدام الخريطة في التفكير

بعد بناء التصور المكاني، يجب أن يتمكن النموذج من استخدامه للإجابة عن أسئلة تتعلق بالاتجاهات والمواقع ووجهات النظر.

أي أن الهدف ليس إنشاء خريطة فقط، وإنما استخدام الخريطة في الاستدلال المكاني.

لماذا يُعد الاستكشاف النشط تحديًا للذكاء الاصطناعي؟

هناك فرق كبير بين أن نعطي الذكاء الاصطناعي مجموعة من الصور والمعلومات الجاهزة، وبين أن نطلب منه اكتشاف المعلومات بنفسه.

في الحالة الأولى، تكون البيانات أمام النموذج ويقتصر دوره إلى حد كبير على تحليلها.

أما في الاستكشاف النشط، فعلى النظام أن يقرر ما الذي يحتاج إلى رؤيته بعد ذلك.

وهذا يعني أن الذكاء الاصطناعي لا يواجه مشكلة في الفهم فقط، وإنما في اختيار المعلومات التي يحتاج إليها للوصول إلى الفهم.

وأظهرت تجارب Stanford AI Lab أن أداء النماذج انخفض عندما أصبحت مطالبة باستكشاف البيئة بنفسها بدلًا من الاعتماد على ملاحظات جاهزة.

ماذا كشفت التجارب عن نماذج الذكاء الاصطناعي؟

اختبر الباحثون مجموعة من النماذج الحديثة، من بينها GPT-5.2 وGemini 3 Pro وClaude Sonnet 4.5، إلى جانب نماذج مفتوحة المصدر مثل GLM-4.6V وQwen3-VL وInternVL 3.5.

ومن أبرز النتائج وجود فرق واضح بين التعامل مع المعلومات النصية والمعلومات البصرية.

في البيئات المرئية، واجهت النماذج صعوبات أكبر في الحفاظ على تصور مكاني دقيق، خصوصًا فيما يتعلق باتجاه الأشياء ومواقعها.

ووفق نتائج الدراسة، وصلت دقة تحديد الاتجاه لبعض النماذج في الاختبارات النصية إلى مستويات مرتفعة جدًا، بينما انخفضت بشكل حاد عند الاعتماد على الرؤية والصور.

مشكلة أخرى: الذكاء الاصطناعي قد ينسى ما رآه سابقًا

من أكثر النتائج أهمية أن المشكلة لا تتعلق فقط بالتعرف على الأشياء الجديدة.

النموذج قد يتعرف على شيء بشكل صحيح في بداية الاستكشاف، لكنه يواجه صعوبة في الحفاظ على هذه المعلومة مع مرور الوقت وإضافة معلومات جديدة.

وهذا يعني أن بناء خريطة ذهنية مستقرة يمثل تحديًا مستقلًا عن مجرد التعرف على العناصر الموجودة في الصورة.

كما وجد الباحثون أن بعض التحديثات الجديدة يمكن أن تؤثر سلبًا في المعلومات الصحيحة التي تم جمعها سابقًا.

ماذا يحدث عندما تتغير البيئة؟

لجعل الاختبار أكثر واقعية، استخدم الباحثون سيناريوهات تتغير فيها مواقع بعض الأشياء بعد الاستكشاف الأول.

على سبيل المثال، يمكن للنظام أن يبني تصورًا معينًا لموقع جسم ما، ثم يواجه لاحقًا البيئة نفسها بعد تغيير موقع ذلك الجسم.

هنا يجب على الذكاء الاصطناعي أن يكتشف التغيير ويصحح خريطته.

لكن النتائج أظهرت مشكلة يمكن وصفها بـ جمود المعتقدات المكانية؛ إذ قد يتمسك النظام بالمعلومات القديمة حتى بعد حصوله على أدلة جديدة تشير إلى أن البيئة تغيرت.

لماذا هذه النتائج مهمة؟

قد تبدو المشكلة نظرية في البداية، لكنها ترتبط بشكل مباشر بتطور أنظمة الذكاء الاصطناعي القادرة على التعامل مع العالم الحقيقي.

فالروبوت الذي يتحرك داخل منزل أو مستودع يحتاج إلى معرفة مكانه، وفهم البيئة المحيطة به، وتحديث معلوماته باستمرار.

والأمر نفسه ينطبق على الوكلاء الذكيين الذين يمكنهم تنفيذ مهام متعددة الخطوات في بيئات رقمية أو مادية.

إذا كان النظام لا يستطيع الحفاظ على خريطة مستقرة للمكان أو تحديثها عندما تتغير البيئة، فقد يؤدي ذلك إلى أخطاء في التنقل واتخاذ القرارات.

هل يستطيع الذكاء الاصطناعي بناء خريطة ذهنية مثل الإنسان؟

الدراسة لا تقول إن الذكاء الاصطناعي يفتقر تمامًا إلى القدرة على فهم المكان، بل تكشف أن الفهم المكاني المتماسك والمستمر ما يزال تحديًا.

النماذج تستطيع التعامل مع كثير من المعلومات المكانية، لكنها تواجه صعوبات أكبر عندما يتطلب الأمر الاستكشاف الذاتي، والحفاظ على المعلومات لفترة طويلة، وتحديثها بعد حدوث تغييرات في البيئة.

وهذا يوضح الفرق بين الإجابة الصحيحة عن سؤال مكاني وبين امتلاك نموذج داخلي متماسك للعالم.

مستقبل الذكاء الاصطناعي المكاني

يرى الباحثون أن تطوير أنظمة أكثر موثوقية يتطلب تحسين عدة جوانب، منها قدرة الذكاء الاصطناعي على التعامل مع عدم اليقين، واختيار خطوات الاستكشاف بكفاءة، والحفاظ على المعلومات المكانية لفترات طويلة، وإعادة بناء تصوراته عندما تتغير البيئة.

وقد يكون هذا النوع من الأبحاث مهمًا بشكل خاص مع تطور الروبوتات والوكلاء الذكيين وأنظمة الذكاء الاصطناعي متعددة الوسائط.

فكلما انتقل الذكاء الاصطناعي من التعامل مع النصوص والشاشات إلى التفاعل المباشر مع العالم، ستصبح القدرة على فهم المكان والتغيرات المحيطة به أكثر أهمية.

الخلاصة

يكشف اختبار Theory of Space جانبًا مهمًا من التحديات التي لا تزال تواجه نماذج الذكاء الاصطناعي الحديثة.

فالمشكلة ليست دائمًا في معرفة الإجابة، وإنما في القدرة على استكشاف البيئة، وبناء خريطة مكانية، والحفاظ عليها، ثم تعديلها عندما تتغير المعلومات.

وتشير نتائج الدراسة إلى وجود فجوة واضحة بين التعامل مع المعلومات النصية وفهم البيئات المرئية، إضافة إلى صعوبات في الاستكشاف النشط وتحديث المعلومات السابقة.

ومع استمرار تطور الذكاء الاصطناعي، قد تصبح القدرة على بناء نموذج متماسك للعالم من أهم الخطوات نحو تطوير أنظمة تستطيع التفاعل مع البيئة بطريقة أكثر استقلالية وموثوقية.

الأسئلة الشائعة

ما هو Theory of Space؟

Theory of Space هو إطار واختبار اقترحه باحثون من Stanford AI Lab لقياس قدرة أنظمة الذكاء الاصطناعي على بناء تصور مكاني للبيئة من خلال الاستكشاف، ثم استخدام هذا التصور وتحديثه عند تغير البيئة.

هل يستطيع الذكاء الاصطناعي فهم الأماكن؟

نعم، تستطيع نماذج الذكاء الاصطناعي التعامل مع معلومات مكانية بدرجات متفاوتة، لكن الدراسة تشير إلى وجود تحديات عندما يُطلب من النموذج استكشاف البيئة بنفسه وبناء تصور مكاني مستمر وتحديثه مع مرور الوقت.

ما أكبر مشكلة تواجه الذكاء الاصطناعي في فهم المكان؟

تشير نتائج الدراسة إلى عدة تحديات، أبرزها الاستكشاف النشط، ودقة فهم الاتجاهات في البيئات المرئية، والحفاظ على المعلومات المكانية، وتحديث الخريطة الداخلية عندما تتغير البيئة.

هل الذكاء الاصطناعي أفضل في فهم النصوص أم الصور؟

في اختبارات Theory of Space، كان أداء النماذج أفضل في عدد من المهام عندما قُدمت المعلومات بصيغة نصية مقارنة بالبيئات المرئية، ما يشير إلى وجود فجوة بين معالجة المعلومات النصية والفهم المكاني البصري.

لماذا يعتبر الفهم المكاني مهمًا للذكاء الاصطناعي؟

الفهم المكاني مهم للأنظمة التي تحتاج إلى التنقل والتفاعل مع العالم، مثل الروبوتات والوكلاء الذكيين وأنظمة الذكاء الاصطناعي متعددة الوسائط.

من أجرى هذه الدراسة؟

الدراسة نُشرت عبر Stanford AI Lab وشارك فيها عدد من الباحثين، من بينهم Li Fei-Fei وJiajun Wu وRanjay Krishna وYejin Choi، إلى جانب باحثين آخرين.

اشترك في آخر الاخبار

ادخل بريدك الالكتروني ثم اضغط على اشتراك

اترك ردّاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *