تعليم الذكاء الاصطناعي قراءة النص المخفي الذي يستطيع البشر رؤيته

كانت إحدى صيحات الذكاء الاصطناعي التي ذاع صيتها ثم خبت سريعًا قبل نحو سنتين إلى ثلاث سنوات هي استخدام نماذج الرؤية واللغة (VLMs) لإخفاء نصوص غامضة و«صور كامنة» داخل صور مُولَّدة تبدو بريئة ظاهريًا:

تتسم مخرجات ControlNet QR Code Monster بالخدع البصرية وتأثيرات الإيهام البصري. المصدر

إنه نوع من تأثيرات الإيهام البصري عند الطلب، وقد بلغ ذروة انتشاره عبر إطار العمل مفتوح المصدر QR Code Monster ControlNet.

بعد أن يشاهد عدد كافٍ من الناس هذه التقنية قيد الاستخدام، لا يبقى لها مجال يُذكر سوى توظيفها شكلًا من أشكال التشفير العملي، بما يتيح إرسال نص لا تعترضه نماذج الرؤية واللغة ولا تفسّره، ولا ترصده أنظمة التعرّف الضوئي على الحروف (OCR)، فضلًا عن نقل رسائل شبه لاواعية:

هل وصلتك الرسالة؟ إن لم تفهمها، فمرّر إلى أسفل الصفحة لمعرفة الإجابة. وهذا مثال معروف على خداع بصري مُولَّد بالذكاء الاصطناعي، يستحضر، كما تفعل الصورة الرئيسية في هذا المقال، صورةً ساخرة من فيلم الخيال العلمي «They Live» الذي أخرجه John Carpenter عام 1988، وفيه يكتشف رجل أن العالم يعج برسائل لاواعية تبثها سلالة فضائية متغلغلة. المصدر

تُظهر أعمال مثل دراسة عام 2025 الكراهية على مرأى الجميع، ودراسة الشهر الماضي مخفٍ على مرأى الجميع، إمكانات هذه الطريقة في نشر الآراء الحاقدة، وكذلك استخدامها عمومًا أسلوبًا للكتابة الخفية.

لذلك، باتت الأدبيات البحثية تنظر إليها أساسًا بوصفها تقنية قد تُستخدم لأغراض ضارة، لا مجرد وسيلة طريفة لتوليد الصور الساخرة.

نظرة أعمق

من التحديات التي تواجه رصد مثل هذه الاختراقات — ولنسمّها خدع الذكاء الاصطناعي البصرية، إذ لا يبدو أن اسمًا موحدًا قد استقر لها — جعل نماذج الذكاء الاصطناعي متعددة الوسائط «ترى الصورة كاملة بدلًا من الانشغال بالتفاصيل»، إذا جاز التعبير. فعندما نحدّق في الخدعة البصرية المُولَّدة بالذكاء الاصطناعي أو نُصغّرها كثيرًا، يسهل علينا تمييز السمات العامة للنص اللاواعي:

نظرًا إلى أن التدريب التدريجي لنماذج الانتشار ينقل الذكاء الاصطناعي من تصور المفاهيم على هيئة «مسودات أولية غير متقنة» إلى القدرة على إظهار تفاصيل دقيقة، على نحو يشبه إكمال بقية الـ… بومة، فمن المفترض أن تكون نماذج الرؤية واللغة قادرة على تمييز الأنماط من هذا النوع. غير أن أبحاثًا حديثة تشير إلى أن الأمر ليس كذلك في الواقع:

خلصت دراسة «SemVink» الصادرة عام 2025 إلى أن نموذجًا متطورًا من نماذج الرؤية واللغة، رغم قدراته الأخرى، لم يتمكن من كشف النص اللاواعي في الخدع البصرية المُولَّدة بالذكاء الاصطناعي. المصدر

لكن ورقة بحثية حديثة من الصين تقترح إطار عمل جديدًا قد يساعد نماذج الرؤية واللغة على التعرّف إلى الخدع البصرية المُولَّدة بالذكاء الاصطناعي.

يعتمد النهج الجديد، الذي أُتيح رمزه البرمجي، أسلوبًا تدريبيًا يتعلم فيه نموذج للذكاء الاصطناعي من نموذج آخر، بعد تزويده بنسخة مصغّرة من الصورة وبالنص الصحيح. ويذكر الباحثون أن ذلك يتيح قراءة الرسائل المخفية مباشرةً من الصور الأصلية، مع درجات تعرّف أعلى بكثير من تلك التي تحققها أساليب التدريب التقليدية:

مخطط لطريقة التدريب المقترحة للذكاء الاصطناعي. يوضح المخطط نموذجين يتعلمان من الصورة نفسها. ويُزوَّد المعلّم بقرائن إضافية، منها نسخة أصغر تسهّل التعرّف إلى النص المخفي، والإجابة الصحيحة. وتُستخدم إرشاداته لتدريب المتعلّم، الذي ينبغي له في نهاية المطاف أن يتعرّف إلى النص من دون هذه القرائن. المصدر

تعتمد الطريقة، المسماة SQUINT، على تقطير المعرفة، حيث تُنقل المعلومات التي تعلمها أحد نماذج الذكاء الاصطناعي إلى نموذج آخر أثناء التدريب. وفي هذه الحالة، يُدرَّب المتعلّم على محاكاة تنبؤات المعلّم، من خلال مقارنة رياضية بين استجابتيهما. وبعد اكتمال التدريب، يمكن الاستغناء عن المعلّم، ليبقى نموذج واحد يفحص الصور الجديدة من دون مساعدة إضافية.

في مرحلتي SQUINT، تُقارَن تنبؤات النموذج المتعلّم أولًا بتنبؤات المعلّم الأكثر اطلاعًا، ما يتيح له التعلّم من الاختلافات بينهما. وفي المرحلة الثانية، يُشجَّع على إجراء مزيد من التحسينات من خلال مكافأته على القراءة الصحيحة للنص المخفي.

في الاختبارات، تعرّف SQUINT على الحروف المخفية في صور عجز نموذج الذكاء الاصطناعي الأصلي إلى حد كبير عن قراءتها، كما حقق أداءً أفضل في عدة اختبارات معيارية مستقلة. وتبيّن أن النص المخفي يمكن غالبًا اكتشافه حتى عندما يتعذر قراءته، وأن دقة التعرّف تتحسن عند توجيه الانتباه إلى أجزاء الصورة التي تشكّل الحروف.

تحققت تحسينات إضافية عبر الحد من التفاصيل الدقيقة والأنسجة، ما أتاح تمييز الأشكال الأساسية بسهولة أكبر:

ثلاثة اختبارات تبحث في أسباب سوء قراءة النص المخفي. يسارًا: يُظهر توجيه النموذج إلى مناطق الصورة الصحيحة أن العثور على الحروف يمثل عقبة كبيرة. وسطًا: يُظهر حذف التفاصيل البصرية الدقيقة أن الأنسجة قد تحجب الأشكال الأكبر للحروف. يمينًا: تُظهر إضافة نسخة مصغرة أن تقليل حجم الصورة يساعد النموذج على التمييز بين الأحرف المتشابهة بصريًا.

البيانات والمنهجية

تبيّن أن مجرد تعريض النموذج لمزيد من أمثلة الخدع البصرية للذكاء الاصطناعي لا يكفي، إذ لا يوفّر التدريب التقليدي سببًا يدفع النموذج إلى النظر إلى الصورة بمقياس مختلف. لذلك تُستخدم في SQUINT نسخة مصغرة أثناء التدريب، لتعليم النموذج المعلومات البصرية التي ينبغي إعطاؤها الأولوية عند التعامل مع الصورة بالحجم الكامل.

ولتحقيق ذلك، كان لا بد من مجموعتي بيانات؛ تتألف SquintBench من 1,076 صورة اختيرت من مسار إنتاجي غير محدد لمراجعة المحتوى، وكلها مأخوذة من بيانات إنتاج فعلية، بحسب ما أفاد به المؤلفون. ويبدو أنها صور ملفات شخصية لأشخاص تتضمن نصًا مخفيًا يستطيع الناس قراءته بسهولة تكاد تكون بلا جهد، وقد دوّن معلّقون بشريون النص الظاهر والمخفي فيها.

أما مجموعة البيانات الثانية، SquintCtrl، فتضم نصًا مخفيًا مدمجًا في مشاهد مُولّدة باستخدام QR Code Monster v2، الذي يعمل على الإصدار الذي بات عتيقًا الآن Stable Diffusion 1.5 (والذي يبدو أن على المرء انتزاعه من أيدي باحثي الرؤية الحاسوبية الباردة الميتة). ولأن النص المستخدم في توليد كل صورة كان معروفًا مسبقًا، أمكن تحديد موقعه بدقة تلقائيًا، ما أتاح فحص حالات الإخفاق في التعرّف من دون تعليق بشري.

قُسّمت SquintCtrl إلى أربع مجموعات فرعية: تستخدم SquintCtrl-Pair 500 زوج متطابق من الصور، مع نص مخفي ومن دونه، لاختبار إمكانية اكتشاف وجوده؛ واختبرت SquintCtrl-Glyph إمكانية تحديد مواقع الأحرف الصينية واللاتينية المفردة والتعرّف عليها؛ وغيّرت SquintCtrl-Strength شدة النص المخفي عبر 200 مشهد؛ أما SquintCtrl-Read فقد وفّرت 200 صورة بمفردات مفتوحة لاختبار النسخ الكامل للنص.

الاختبارات

أُجريت التجارب التشخيصية باستخدام Qwen3.5-9B، مع إبقاء أوزانه من دون تغيير للكشف عما يستطيع النموذج الحالي إدراكه بالفعل.

تستخدم مرحلة التدريب الأولى، Squint OPSD، المعلّم الأكثر اطلاعًا لتوجيه النموذج المتعلّم. يتلقى المعلّم الصورة الأصلية ونسخة مصغرة منها والنص المنسوخ الصحيح، بينما لا يرى النموذج المتعلّم سوى الصورة الأصلية. ثم تُقارَن تنبؤاتهما رمزًا برمز، ما يتيح للنموذج المتعلّم الاستفادة من المعلّم مع احتفاظه بقدرته على العمل انطلاقًا من الصورة الأصلية وحدها.

أُجري التدريب على 5,905 مطالبات، شملت 3,489 صورة اصطناعية تتضمن نصًا مخفيًا، و1,213 عينة للتعرّف الضوئي على الأحرف، و1,203 عينات للإجابة عن الأسئلة المرئية. واستُخدمت SquintBench مجموعةً رئيسية للتقييم، بينما قيس انتقال الأداء على Illusory VQA؛ وAdvOCR؛ وHC-Bench. واختُبر الأداء الأوسع في الرؤية واللغة على AI2D؛ وDocVQA؛ وOCRBench.

وللمقارنة، اختُبر النموذج الأصلي المُدرَّب مسبقًا إلى جانب نسخة زُوّدت بمنظور إضافي مُصغَّر، ونسخة خضعت لـالضبط الدقيق (SFT)، وDAPO. وشملت النماذج المرجعية الخارجية التي خضعت للتقييم أيضًا Claude Opus 5؛ وGemini 3.1 Pro؛ وGPT-6 Astra؛ وQwen3-VL-235B-Thinking.

نتائج الاختبارات التي تقارن Squint OPSD بالأساليب الأساسية. حقق Squint OPSD أعلى نتيجة على SquintBench، بلغت 88.61، مع احتفاظه بأداء عام في الرؤية واللغة يفوق بدرجة كبيرة أداء الضبط الدقيق الخاضع للإشراف.

كما يوضح جدول النتائج أعلاه، رفع Squint OPSD نتيجة SquintBench من 26.50 للنموذج الأصلي إلى 88.61، متفوقًا على أساليب التدريب الأساسية الثلاثة مع الحفاظ إلى حد كبير على الأداء في اختبارات الرؤية واللغة العامة.

في الاختبار التالي، جرى تقييم Squint OPSD باستخدام ثلاثة معايير خارجية للنصوص المخفية:

نتائج الاختبارات التي تقارن Squint OPSD بخمسة نماذج أخرى على SquintBench وثلاثة معايير خارجية للنصوص المخفية. حقق Squint OPSD أفضل أداء في كل اختبار عندما زُوّدت النماذج بالصور كاملةً من دون تعديل. وفي Illusory VQA، تشير معدلات الخطأ الأقل في الكلمات إلى أداء أفضل.

ارتفعت النتائج من 3.7 إلى 66.7 في AdvOCR، ومن 1.8 إلى 44.6 في HC-Bench، بينما انخفض معدل الخطأ في الكلمات في Illusory VQA من 178.10 إلى 67.00. كما حقق نموذجا Qwen3-VL-235B-Thinking وGPT-6 Astra، وهما أكبر بكثير، نتائج ضعيفة على صور SquintBench الأصلية، إذ سجلا 24.44 و8.33 على التوالي.

بعد التدريب، ظهرت فروق داخلية أوضح بكثير بين الأحرف المنفردة المخفية داخل الصورة. وبالنسبة إلى الأحرف الصينية، ارتفع مقياس مدى وضوح تمثيل هوية الحرف من 0.718 إلى 0.975، في حين ارتفعت النتيجة المناظرة للأحرف اللاتينية من 0.612 إلى 0.779.

اختبارات للتغيرات التي طرأت بعد التدريب على طريقة تعامل النموذج مع الأحرف المخفية. على اليسار، يتضح أن تنبؤات النموذج وانتباهه أصبحا أكثر تركيزًا على مناطق الصورة التي تكوّن الأحرف المخفية، وأن الدقة تنخفض عند تشويش تلك المناطق. وعلى اليمين، يتضح أن تنبؤات النموذج البديلة للأحرف أصبحت أكثر تنظيمًا بحسب التشابه البصري، مع احتفاظها بالمعلومات المستندة إلى اللغة.

وُجّه قدر أكبر من الانتباه أيضًا إلى أجزاء الصورة التي تكوّن الأحرف المخفية فعلًا. وعندما عُطّل عمدًا التمثيل الداخلي للنموذج لهذه المناطق، انخفضت الدقة من 90.5% إلى 71.5%. في المقابل، لم يؤدِّ تعطيل عدد مماثل من مناطق الخلفية المختارة عشوائيًا إلا إلى تغير طفيف للغاية، ما يشير إلى أن النص المخفي كان يُقرأ انطلاقًا من البنى البصرية ذات الصلة.

الخلاصة

لعل هذا العمل الجديد يكشف عن نوع من «قصر النظر الكسيري» الذي يتكرر في مجالات أخرى من الذكاء الاصطناعي. وسيتعرف كثير من المستخدمين المطلعين على النماذج اللغوية الكبيرة والنماذج البصرية اللغوية المتقدمة على الحالات العديدة التي تميل فيها هذه النماذج إلى التركيز على مساحة صغيرة من النص أو الصور أو إنشاء الفيديو، من دون النظر على نطاق أوسع إلى كيفية تأثير هذه التغييرات في الصورة الكاملة.

في حالات كثيرة، ترتبط المشكلة بـذاكرة الذكاء الاصطناعي غير المثالية (وبـقدرته التي لا تزال في بداياتها على ضغط ذاكرته بنفسه، في المهام الأطول التي تعتمد عادةً على الوكلاء). لكن يتضح أحيانًا، كما في هذه الحالة، أن ممارسات التدريب الافتراضية لا تفي بالغرض، وأنها تحتاج إلى معالجة مخصصة. والسؤال هو إلى أي مدى ينبغي أن نتعلم من مثل هذه الحالات، وأن ننظر في مراجعة ممارسات التدريب الأساسية… ومتى يمكن اعتبار هذه العملية «متخصصة» أكثر من اللازم وهامشية، بحيث لا يناسبها سوى نهج من طرف ثالث مثل LoRA.

نُشر لأول مرة يوم الثلاثاء، 10 نوفمبر 2026