كيف تعمل نماذج فيديو الذكاء الاصطناعي

تكتب جملة، وتنتظر دقيقة أو دقيقتين، فيظهر مقطع قصير: الكاميرا تتحرك، وجه يستدير، مطر يتساقط. تبدو النتيجة كأنها تصوير فوتوغرافي، لكن شيئًا لم يُصوَّر. بين الجملة والمقطع تقف طبقة من المكوّنات المدرَّبة، وفهم ما يفعله كل منها تقريبًا يغيّر طريقة كتابتك للأوامر، وحكمك على النسخة السيئة، ودرجة ثقتك بالنسخة الجيدة.

هذا ليس دليلًا لمنتج بعينه. إنه جولة بلغة بسيطة في الآلية التي تشترك فيها معظم مولّدات الفيديو التجارية، مع التحفظ بأن الشركات تحتفظ بالتفاصيل لنفسها وأن المجال يتغير سريعًا.

يبدأ الأمر من الضجيج، لا من الصور

يُدرَّب نموذج الانتشار في اتجاهين. أولًا، تُدمَّر صورة حقيقية تدريجيًا بإضافة الضجيج حتى لا يبقى منها شيء يمكن تمييزه. ثم يُدرَّب نظام عصبي على التراجع عن ذلك التدمير خطوة صغيرة في كل مرة. وعند التوليد يعمل المسار بالعكس: ابدأ من ضجيج صافٍ، وأزل الضجيج مرارًا حتى تظهر صورة.

هذا هو التصميم الذي وضعه Ho وJain وAbbeel سنة 2020، وهو يفسّر كثيرًا من سلوك هذه الأدوات. النموذج لا يستدعي صورة من مكتبة. لقد تعلّم توزيعًا لما تبدو عليه الصور، وهو يسير من العشوائية نحو عيّنة معقولة. اطلب الشيء نفسه مرتين فتحصل على نسختين مختلفتين، لأن ضجيج البداية مختلف. ولا يحتفظ النموذج بأي ذاكرة لمحاولتك السابقة؛ كل توليد مسيرة جديدة.

معظم العمل يحدث في فضاء أصغر

توليد البكسلات بدقتها الكاملة مكلف، لذا نادرًا ما تعمل الأنظمة الحديثة على مستوى البكسل. نهج الانتشار الكامن الذي قدّمه Rombach وزملاؤه يضغط الصورة بمشفّر تلقائي مدرَّب مسبقًا إلى تمثيل كامن مختصر، ويجري عملية إزالة الضجيج هناك، ثم يفكّ ترميز النتيجة إلى بكسلات. أضافت الورقة نفسها طبقات الانتباه المتقاطع، وهي الآلية التي تتيح لوصف نصي توجيه إزالة الضجيج.

النتيجة العملية تقسيم للعمل: شبكة تعالج البنية المضغوطة، وأخرى تعالج اللغة، ومفكّك ترميز ينفّذ العرض النهائي. والجزء الذي تؤثر فيه مباشرةً — مشفّر النص — يخاطب النموذج عبر الانتباه، لا عبر تعليمات يعرفها الإنسان.

المحوّلات سيطرت على الوسط

لسنوات كان مزيل الضجيج شبكة U-Net. استبدلها Peebles وXie بمحوّل يعمل على رقع كامنة — وهو محوّل الانتشار، أو DiT — وأظهرا أن الجودة تتحسن بشكل متوقع مع زيادة الحوسبة. ومنذ ذلك الحين انتقلت معظم الأنظمة الكبيرة في هذا الاتجاه.

من الأمثلة الموثقة جيدًا على هذا المسار Stable Diffusion 3، الذي تصف ورقته التدريب بالتدفق المصحّح، وهي صياغة تربط البيانات والضجيج عبر مسار أكثر استقامة، ومعمارية محوّل تحتفظ بأوزان منفصلة لرموز الصورة والنص مع السماح للعلومات بالتدفق في الاتجاهين. ويذكر المؤلفون تحجيمًا متوقعًا ضمن النطاق الذي اختبروه.

الفيديو يضيف بُعدًا، والبُعد مكلف

توسيع الانتشار من الصور إلى الفيديو بسيط مفهوميًا: تنبّأ بنوع الضجيج نفسه، لكن لتسلسل من الإطارات. فعل Ho وزملاؤه ذلك بالضبط في ورقة سنة 2022، فدرّبوا على الصور والفيديو معًا وأفادوا بأن الخليط قلّل تباين تحديثات التدريب وسرّع التحسين. كما قدّموا أخذ عينات شرطيًا لتوسيع الفيديو مكانيًا وزمنيًا — السلف لسير عمل التوسيع ورفع الدقة الذي تراه في الأدوات اليوم.

الجزء الصعب هو الاتساق عبر الزمن. يمكن أن يكون كل إطار مقنعًا بمفرده بينما يفشل التسلسل: وجه ينحرف، سترة تغيّر لونها، يد تذوب في الخلفية. ما يصلح ذلك هو الانتباه عبر الإطارات — يجب أن يرى النموذج الشخصية في اللقطة الأولى وهو يرسم الثانية. عندما يتحدث الناس عن «الاتساق الزمني»، فهذا هو المقصود.

الأمر النصي لا يصل إلى النموذج إلا عبر اللغة

يُرمَّز النص إلى متجهات، ويراقبها مزيل الضجيج أثناء الرسم. لهذا تتفوق الأوامر التي تسمّي أشياء مرئية على الأوامر التي تسمّي مشاعر. «A man is sad» لا يمنح النموذج شيئًا يرسمه تقريبًا. «A man alone at a kitchen table, head down, cold window light from the left, medium shot, static camera» يمنحه موضوعًا وإخراجًا وعدسة ومزاجًا.

وهذا يفسّر أيضًا إحباطًا شائعًا: النموذج لا يتبع التوجيهات كما يفعل طاقم تصوير. إنه يُدفَع إطارًا بإطار نحو منطقة في توزيع تدريبه تشير إليها كلماتك وصورك المرجعية.

الصوت صار داخل النموذج

حتى وقت قريب كنت تولّد مقاطع صامتة وتبني الموسيقى التصويرية في المرحلة اللاحقة. في 2025 صار Veo 3 من Google أول نموذج فيديو للشركة يولّد الحوار والمؤثرات الصوتية والموسيقى متزامنة مع الصورة في تمريرة واحدة. كذلك تولّد وصفة Runway متعددة اللقطات الصوت افتراضيًا. الصوت الأصلي جديد حقًا، وهو يغيّر التخطيط: الجملة المنطوقة داخل مقطع مولّد قرار أداء تتخذه في وقت كتابة الأمر، لا في المونتاج.

كما أنه يرفع سقف الحكم: اللقطة ذات الصوت الأصلي يجب تقييمها على مزامنة الشفاه ونغمة الغرفة ووضوح الكلام، لا على جمال الإطار فقط.

ما ليس النموذج

خمسة حدود تستحق التذكّر، لأن كلًا منها يقابل نوعًا مختلفًا من الفشل ستلقاه عمليًا:

• ليس محرّك فيزياء. إنه يتنبأ بكسلات معقولة. التلامس والوزن والقماش والسوائل عادات متعلَّمة، لا محاكاة، ولهذا ما زالت الأجسام الساقطة والأيدي القابضة تنكسر.
• ليس كاميرا. لغة الكاميرا تعمل كاقتراح، لا كقائمة توجيهات. توقّع التكرار على الحركة بدلًا من ضبطها مرة واحدة.
• ليس حتميًا. الأمر نفسه يعطي نتائج مختلفة. قابلية التكرار تعيش في البذور والمراجع المثبتة وإصدارات النماذج المثبّتة، لا في نثرك.
• ليس قاعدة بيانات. لا يستطيع استرجاع وجه ممثلك أو موقعك الفعلي إلا إذا هيّأته بصور مرجعية أو بإطار أول.
• ليس خدمة لتخليص الحقوق. النموذج القادر على رسم شيء لا يخبرك بما إذا كان يجوز لك استخدامه. بيانات التدريب والشبه وحقوق المخرجات أسئلة منفصلة لها أجوبتها الخاصة.

لماذا تهم هذه الآلية في موقع التصوير

حين ترى خط الإنتاج سلسلة مراحل مدرَّبة، يتضح سير العمل. تخرج لقطات لا مشاهد، لأن اللقطة هي الوحدة التي يستطيع النموذج الإمساك بها. تولّد تنويعات رخيصة كثيرة وتختار، لأن أخذ العينات هو السبيل الوحيد لرؤية التوزيع. تثبّت المراجع لكل ما يجب أن يستمر بين اللقطات، لأن الاتساق مشكلة انتباه لا مشكلة صياغة.

النسخة العملية من هذه المقالة — كيف تكتب اللقطة، وما الذي تغذّي به النموذج، وكيف تصلح النسخة التي كدت تحصل عليها — موجودة في نصائح توليد فيديو الذكاء الاصطناعي. أما كيف تظهر هذه التقنيات في أعمال منتهية، فراجع دليل الأفلام القصيرة المولّدة بالذكاء الاصطناعي.