بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
منذ سنوات وباحثو رؤية الحاسوب يطاردون سؤالاً واحداً: هل يمكن بناء نموذج بصري واحد يُتقن كل شيء بدلاً من نموذج مخصص لكل مهمة؟ فريق من Google DeepMind بالتعاون مع جامعة تورنتو وجامعة UCL وأكسفورد وMIT وجامعة Lund يُجيب الآن بنعم مقنعة، عبر نظام اسمه GenCeption، سيُقدَّم في مؤتمر ECCV 2026.
الفكرة الجوهرية جريئة في بساطتها: بدلاً من تصميم بنية جديدة للرؤية من الصفر، أخذ الباحثون نموذجاً توليدياً مُدرَّباً مسبقاً على توليد الفيديو — وحوّلوه إلى نموذج رؤية تغذية أمامية feed-forward موحّد يحل مهام بصرية متعددة في تمريرة واحدة، موجَّهاً بتعليمات نصية. المنطق هنا أن نماذج توليد الفيديو، بحكم تدريبها على ملايين المشاهد المرئية، تمتلك بالفعل “فهماً” عميقاً للمكان والزمان والأجسام والحركة — وهذا تحديداً ما تحتاجه مهام الرؤية الحاسوبية.
من الناحية المعمارية، يستخدم GenCeption نموذج انتشار نصي-إلى-فيديو text-to-video diffusion model كقاعدة تدريب مسبق، تلتقط فيها التمثيلات المكانية-الزمانية الغنية والمحاذاة الأصيلة بين الرؤية واللغة على نطاق واسع. في مرحلة التدريب المتعدد المهام، يُحوَّل النموذج إلى نموذج تغذية أمامية بتمريرة واحدة، يُدرَّب في معظمه على بيانات اصطناعية. المهام الكثيفة كتقدير العمق وتجزئة الكائنات تُوحَّد في فضاء RGB المحيطي حيث تُطبَّق الإشراف في الفضاء الكامن بكفاءة، فيما تُعالَج المهام المتفرقة بإضافة رموز قابلة للتعلم كمدخلات إضافية إلى محوّل الانتشار DiT.
(وفقاً للورقة البحثية) يحقق GenCeption أداءً مساوياً أو متفوقاً على نماذج متخصصة مخصصة لكل مهمة على حدة، بما فيها DepthAnything3 وD4RT وVGGT-Ω وSAM3 وSapiens وDAVID وGenmo وLotus-2. هذا يعني أن نموذجاً واحداً يُنافس ثمانية نماذج متخصصة في مجالاتها — وهو إنجاز نادر في تاريخ رؤية الحاسوب.
لكن الأرقام الأكثر إثارة تتعلق بكفاءة البيانات. (وفقاً للورقة البحثية) تحت شروط fine-tuning متكافئة، يتفوق العمود الفقري التوليدي للفيديو على بدائل التدريب المسبق مثل V-JEPA وVideoMAE V2، ويصل إلى أداء مقارن لـ D4RT وVGGT-Ω باستخدام بيانات تدريب أقل بمقدار 7 إلى 500 مرة. هذا النطاق الواسع — من 7 أضعاف إلى 500 ضعف — يوحي بأن التدريب المسبق على توليد الفيديو يمنح النموذج “معرفة مسبقة” بالعالم البصري تجعل التعلم اللاحق أسرع وأكثر اقتصاداً بشكل لافت.
المهام التي يتقنها النموذج واسعة ومتنوعة بشكل يصعب تجاهله. يستطيع GenCeption تقدير العمق، وتجزئة الكائنات بناءً على تعليمات لغوية طبيعية — بما فيها كائنات لم يرها من قبل كالصواريخ — والتنبؤ بنقاط مفاتيح الجسم البشري 4D human keypoints في ظروف صعبة من حركة معقدة وانسداد وزوايا ego-centric ومتعددة. ومن فيديو واحد، يمكنه التنبؤ بهندسة كل بكسل وموضع الكاميرا ورفع المشهد إلى سحابة نقاط رباعية الأبعاد 4D point cloud تتيح المشاهدة من زوايا حرة والتعرف على الكائنات بالتعليمات النصية.
الظاهرة الأكثر استثارة للتفكير هي ما يسميه الباحثون “السلوكيات الناشئة” Emergent Behaviors. النموذج المُدرَّب حصراً على فيديوهات اصطناعية يُحوَّل بشكل فوري إلى لقطات حقيقية دون أي تدريب إضافي — وهو ما يُعرف بنقل sim-to-real. المُدرَّب على فيديوهات ذات كائن واحد يتعامل مع مشاهد متعددة الكائنات. والمُدرَّب على البشر فقط يُعمّم على حيوانات وروبوتات لم يسبق له رؤيتها. هذه الخصائص الثلاث مجتمعةً تُشير إلى أن العمود الفقري التوليدي يحمل داخله نوعاً من “نموذج عالمي” world model عام يتجاوز مجرد حفظ الأنماط.
الشبه الذي يستحضره الباحثون مع تطور معالجة اللغة الطبيعية ليس مجازاً بلاغياً فارغاً. قبل عقد ونصف، كانت النماذج اللغوية متخصصة: نموذج للترجمة، آخر للتلخيص، ثالث للإجابة عن الأسئلة. ثم جاءت نماذج اللغة الكبيرة وأسقطت هذه الفجوات. يراهن GenCeption على أن رؤية الحاسوب تسير في المسار ذاته، وأن نماذج توليد الفيديو ستكون الركيزة التي تحمل هذا التحول — تماماً كما كان تدريب LLM المسبق على النصوص الهائلة ركيزة الثورة اللغوية.
لا يزال الكود محدَّداً بـ “TBA” — متاح قريباً — مع نشر الورقة على arXiv. لكن أثر هذه النتائج يبدأ الآن: كل مختبر يبني نظام رؤية متخصص يجب أن يُعيد حسابه من جديد، وكل مطوّر يُصمّم خط معالجة بصري متعدد النماذج يستحق أن يسأل: هل يمكن استبدال هذا كله بنموذج واحد مُدرَّب مسبقاً على توليد الفيديو؟
GenCeption Project Page (Google DeepMind)
