أفلام الذكاء الاصطناعي: دليل مشاهدة منسّق
مسار مشاهدة عبر سينما الذكاء الاصطناعي: من أين تبدأ، وماذا يضيف كل فيلم، وكيف تتغير أسئلة النوع مع اقتراب الآلات من البيت.
تعلّم صناعة أفلام الذكاء الاصطناعي
معجم سينما الذكاء الاصطناعي: 24 مصطلحًا للمبتدئين
تعريفات بلغة بسيطة للمصطلحات خلف صور وفيديو الذكاء الاصطناعي: النموذج، الانتشار، الفضاء الكامن، الاستدلال، LoRA، البذرة، التزييف العميق وغيرها.
الكتابة عن الذكاء الاصطناعي في السينما مليئة بمصطلحات تقنية مستعارة، وكثيرًا ما تُستخدم باستخفاف. يعرّف هذا المعجم المصطلحات التي ستلقاها في المقالات عن سينما الذكاء الاصطناعي والمواد المولّدة به، بترتيب يقارب ترتيب صناعة اللقطة المولّدة الواحدة. التعريفات مقصودة البساطة، وينتهي كل منها بالجزء المهم على الشاشة.
النموذج وكيف يتعلم
النموذج (Model)
النموذج نظام يحوّل مُدخلًا — أمرًا نصيًا، صورة، إطارًا — إلى مُخرج مثل لقطة مولّدة أو تصنيف أو الكلمة التالية. في الكتابة السينمائية، تعني «النموذج» عادةً الأداة التوليدية كاملةً، لا مكوّنًا واحدًا داخلها.
المعاملات والأوزان (Parameters and weights)
الأرقام المتعلَّمة داخل النموذج. يعدّلها التدريب، ويستخدمها الاستدلال من دون تغييرها. وعندما يوصف نموذج بأنه «كبير»، فعدد المعاملات هو المقصود عادةً.
التدريب (Training)
عملية تعديل أوزان النموذج على البيانات، عادةً بمقارنة المخرجات بالأهداف ودفع الأوزان لتقليل الخطأ. التدريب مكلف ويحدث غالبًا قبل أن تلمس الأداة أصلًا.
الاستدلال (Inference)
تشغيل نموذج مدرَّب للحصول على مُخرج. التوليد استدلال: لا يحدث تعلّم، ومعرفة النموذج مجمّدة عند النقطة التي انتهى فيها التدريب.
الأمر النصي (Prompt)
نص التعليمة — وأحيانًا صورة — الذي يهيّئ عملية توليد. يوجّه الأمر المخرج، لكنه ليس شيفرة. الأوامر المتطابقة قد تعطي نتائج مختلفة بين النماذج والإصدارات.
الرمز (Token)
وحدة نصية يعالجها النموذج، غالبًا كلمة أو جزء من كلمة. عدد الرموز مهم لأن حدود السياق والتكاليف تُقاس بالرموز.
النموذج متعدد الوسائط (Multimodal model)
نموذج يتعامل مع أكثر من نوع من المدخلات أو المخرجات، مثل النص مع الصور أو الصوت. معظم أدوات الفيديو الحالية متعددة الوسائط بهذا المعنى على الأقل.
كيف تُبنى لقطة مولّدة
الفضاء الكامن (Latent space)
تمثيل رقمي مضغوط للصور أو الفيديو. تعمل النماذج في هذا الفضاء لأنه أصغر وأكثر سلاسة من البكسلات الخام، ولأن النقاط المتقاربة فيه تميل إلى التشابه. و«المسيرة الكامنة» (latent walk) تعني الانتقال بين نقاط لإنتاج تغيّر تدريجي.
المشفّر التلقائي التبايني (VAE)
زوج من الشبكات يضغط صورة إلى تمثيل كامن ثم يعيد بناءها. في كثير من أدوات الصور، يكون VAE هو الجزء الذي يفكّ ترميز النتيجة الكامنة إلى بكسلات.
نموذج الانتشار (Diffusion model)
نموذج توليدي مدرَّب على عكس عملية إضافة ضجيج تدريجية: يتعلم إزالة الضجيج خطوة بخطوة حتى تظهر صورة أو مقطع. وقد وُضع هذا النهج في الورقة التي قدّمت نماذج الانتشار الاحتمالية لإزالة الضجيج.
خطوات أخذ العينات (Sampling steps)
عدد خطوات إزالة الضجيج التي يتخذها النموذج. قد تضيف الخطوات مزيدًا من التفاصيل، لكنها تضيف وقتًا أيضًا ولا تضمن نتيجة أفضل.
البذرة (Seed)
الرقم العشوائي الذي يبدأ الضجيج. إعادة استخدام بذرة مع النموذج والإعدادات والبرمجيات نفسها قد تعيد إنتاج صورة بدقة قريبة. غيّر إصدار النموذج أو المنصة فقد تنحرف النتيجة.
مقياس التوجيه (Guidance scale)
إعداد يتحكم في مدى قوة اتباع النموذج للأمر النصي، ويُنفَّذ غالبًا كتوجيه بلا مصنّف (classifier-free guidance). القيم المنخفضة تعطي مخرجات أحر وأكثر مفاجأة؛ والقيم المرتفعة جدًا تميل إلى نتائج هشة أو مشبعة الألوان.
نقطة الحفظ (Checkpoint)
ملف محفوظ لأوزان النموذج، يضم عادةً المكوّنات اللازمة لتشغيل نموذج معين. نقاط الحفظ المختلفة من العائلة نفسها قد تبدو وتتصرف بشكل مختلف تمامًا.
LoRA
اختصار التكييف منخفض الرتبة (Low-Rank Adaptation): مجموعة صغيرة من المصفوفات القابلة للتدريب تُضاف إلى نموذج أساسي مجمّد. تعلّم الأسلوب أو الشخصية أو المفهوم بمعاملات قابلة للتدريب أقل بكثير من الضبط الكامل.
الضبط الدقيق (Fine-tuning)
تدريب إضافي لنموذج مدرَّب مسبقًا على بيانات جديدة. LoRA طريقة فعالة لفعل ذلك، ويُستخدم «الضبط الدقيق» غالبًا بشكل فضفاض لأي تكييف.
ControlNet
إضافة تهيّئ نموذج انتشار بمعلومات مكانية مثل وضعية جسم أو خريطة عمق أو صورة حواف، فيتبع المخرج بنية محددة بدلًا من اختراع بنية.
التعبئة والتمديد (Inpainting and outpainting)
ملء جزء من صورة أو استبداله (inpainting)، أو تمديدها خارج إطارها الأصلي (outpainting). كلاهما شائع في تنظيف اللقطات وتمديد الديكور.
صناعة الحركة
الاستيفاء بين الإطارات (Frame interpolation)
توليد إطارات جديدة بين إطارات موجودة لرفع معدل الإطارات أو إبطاء المادة. استخدمت الأدوات الأقدم التدفق البصري، وتستخدم الأحدث نماذج متعلَّمة. يمكن للاستيفاء تنعيم الحركة، لكنه لا يستطيع استعادة ما لم يُصوَّر قط.
الاتساق الزمني (Temporal consistency)
مدى تماسك التسلسل من إطار إلى إطار: الوجوه والملابس والإضاءة والفيزياء. يظهر ضعف الاتساق الزمني كارتجاف أو تشوّه أو أجسام تتغير بين اللقطات.
المخرج والدليل
الهلوسة (Hallucination)
مخرج معقول لكنه زائف: جسم يظهر من العدم، يد بأصابع أكثر من اللازم، نص يكاد يُقرأ. يصف المصطلح هراءً واثقًا، لا عيبًا تقنيًا له سبب واحد.
التزييف العميق (Deepfake)
فيديو أو صوت صناعي أو مُعدَّل، غالبًا لوجه شخص أو صوته، مصنوع بالتعلّم العميق. تُستخدم الكلمة غالبًا لأي تزييف مقنع، لكن التعريف المفيد يسمّي تقنية محددة وضررًا محددًا.
رفع الدقة بالذكاء الاصطناعي (AI upscaling)
زيادة الدقة بنموذج متعلَّم. قد يزيد التفاصيل الحقيقية حدةً، لكنه قد يختلق أيضًا تفاصيل لم تكن في المصدر، ولهذا تهتم أخلاقيات الترميم به.
C2PA وContent Credentials
C2PA معيار تقني مفتوح لتسجيل أصل المحتوى الرقمي وتاريخ تعديله. وContent Credentials هو الاسم الذي يُطلق على تلك البيانات الوصفية في أدوات المستهلك. إنه ادعاء موقّع عن المصدر، لا دليل على أن المحتوى صحيح.
لماذا تهم هذه المفردات
هذه المصطلحات ليست محايدة. مراجعة تقول إن لقطة «صُنعت بالذكاء الاصطناعي» لا تخبرك تقريبًا بشيء: الرسوم المتحركة اليدوية ونموذج الانتشار والتزييف العميق كلها تنطبق عليها العبارة. معرفة خط الإنتاج تتيح لك طرح أسئلة أدق — أي نموذج، مدرَّب على ماذا، يُشغّله من، عُدّل كيف. تلك هي الأسئلة التي تحوّل رد الفعل الغامض إلى نقد.
لمسار مشاهدة عبر الأفلام التي تطرح الأسئلة الأكبر، ابدأ بـدليل مشاهدة أفلام الذكاء الاصطناعي. وللجانب العملي من التحقق من المواد الصناعية، راجع كيف تكتشف الفيديو المولّد بالذكاء الاصطناعي. وإن أردت آليات الإنتاج لا المفردات، فاقرأ كيف تعمل نماذج فيديو الذكاء الاصطناعي.
المصادر والمراجع
- Google — “Machine Learning Glossary”, Google for Developers, URL: https://developers.google.com/machine-learning/glossary
- Ho, Jain and Abbeel — “Denoising Diffusion Probabilistic Models”, arXiv, URL: https://arxiv.org/abs/2006.11239
- Hu et al. — “LoRA: Low-Rank Adaptation of Large Language Models”, arXiv, URL: https://arxiv.org/abs/2106.09685
- Hugging Face — “LoRA”, Diffusers documentation, URL: https://huggingface.co/docs/diffusers/training/lora
