بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
نماذج الرؤية والل غة الكبرى تفهم الصور والنصوص بشكل لافت، لكنها تتعثر حين يُطلب منها تحديد موضع جسم في الفضاء الثلاثي الأبعاد، أو وصف أبعاد مشهد بدقة. بحث جديد على arXiv نشره وينهاو لي وستة باحثين يوم 23 يوليو 2026 يعالج هذه الهوة مباشرةً بإطار اسمه VLM-IE3D، قادر على استخلاص الهندسة ثلاثية الأبعاد من فيديو عادي بالكاملة — دون أي مستشعرات عمق أو بيانات إضافية.
الفكرة الجوهرية أن معظم نماذج VLMs تُبنى على مدخلات بصرية ثنائية الأبعاد، فتعجز عن الاستدلال المكاني الدقيق الذي تتطلبه مهام من قبيل الكشف ثلاثي الأبعاد في الفيديو، أو التأسيس البصري المكاني، أو التعليق التفصيلي على مشاهد ثلاثية الأبعاد. يُقدّم VLM-IE3D حلاً موحداً يجمع نوعين متكاملين من الرموز الهندسية داخل بنية واحدة تُوصل هذه الرموز بالمدخلات البصرية ثنائية الأبعاد التقليدية.
النوع الأول هو Implicit Geometry Tokens (IGTs)، وهي رموز تلتقط الأنماط الهندسية عالية المستوى وتُدمج المعرفة المسبقة بهيكل الفضاء من تسلسلات الفيديو دون الحاجة إلى تمثيل هندسي صريح. النوع الثاني هو Explicit Geometry Tokens (EGTs)، وتُمثّل الهيكل الهندسي التفصيلي المستخرج مباشرةً من إعادة بناء السمات ثلاثية الأبعاد للمشهد، كمواضع النقاط ومعلومات العمق والبنية الفراغية الدقيقة. الجمع بين النوعين ليس ترفاً بل ضرورة: الرموز الضمنية توفر سياقاً هندسياً واسعاً، بينما الصريحة تُحدد التفاصيل المكانية الدقيقة التي يفتقدها الفهم عالي المستوى وحده.
يربط هذه المكونات الثلاثة — الرموز الضمنية والصريحة والإشارات البصرية ثنائية الأبعاد — ما يُسميه الباحثون 3D-aware adapter، وهو وحدة دمج مخصصة تُعلّم النموذج كيف يُوازن بين التمثيلات المختلفة بحسب طبيعة المهمة. النتيجة الأهم أن التصميم يعتمد على RGB فقط، أي أن أي فيديو عادي التقطته كاميرا هاتفك كافٍ كمدخل، دون حاجة إلى كاميرات عمق أو ليدار أو أي بيانات ثلاثية الأبعاد مسبقة.
الأداء الذي يرصده الباحثون في التجارب يمتد عبر أربع مهام رئيسية متمايزة: الكشف ثلاثي الأبعاد في الفيديو، والتأسيس البصري ثلاثي الأبعاد، والتعليق التفصيلي ثلاثي الأبعاد، والاستدلال المكاني. تحقيق أداء متفوق عبر هذه المهام الأربع دفعةً واحدة ليس تفصيلاً تقنياً هامشياً — فقد اعتادت الأبحاث السابقة تقديم نماذج متخصصة في مهمة أو اثنتين على حساب البقية. أن يأتي نموذج واحد موحد بنتائج متسقة عبرها جميعاً يُشير إلى أن الرموز الهندسية الضمنية والصريحة تُكمّل بعضها بدل أن تتعارضا.
التطبيقات العملية التي يفتحها هذا النهج واسعة: الروبوتات التي تحتاج إلى فهم الفضاء من كاميرات عادية، ونظم المراقبة التي تستدل على مواضع الأجسام ثلاثياً، ومحركات البحث المرئي القادرة على الإجابة عن أسئلة مكانية دقيقة (“ما المسافة بين الكرسي والطاولة؟”)، وتطبيقات الواقع المعزز التي تُوجّه الذكاء الاصطناعي بفهم حقيقي للمشهد لا مجرد تعرف سطحي على الأشياء. كل هذا مع الحفاظ على بساطة المدخلات.
الكود والنماذج متاحة مفتوحة المصدر، ما يجعل VLM-IE3D قابلاً للتحقق والبناء عليه فوراً. لمن يعمل في مجالات الرؤة الحاسوبية أو بناء تطبيقات تعتمد على VLMs، يستحق هذا الإطار مراجعةً جادة — لا سيما أن اشتراط RGB فقط يُزيل العائق الأكبر أمام نشر القدرات ثلاثية الأبعاد في البيئات الحقيقية.
