نماذج توليد الفيديو بوصفها محاكيات للعالم

سرّ نجاح النماذج اللغوية الكبيرة فكرة بسيطة لكنها قوية: أيّ نص — سواء كان كوداً أو معادلة أو قصيدة أو عقداً قانونياً — ما هو إلا تسلسل من رموز. وبفضل هذا التوحيد، بنية واحدة وهدف تدريبي واحد يكفيان لمعالجة كل شيء.

Sora نقل هذا المبدأ إلى البيانات البصرية. السؤال الجوهري كان: ما الذي يلعب دور الرمز في عالم الصور والفيديو؟ الجواب هو الرقعة الزمكانية. المُحوِّل البصري يقطّع الصورة إلى شبكة من الرقع ثنائية الأبعاد — وSora يمدّ الفكرة إلى ثلاثة أبعاد فيقطّع الفيديو إلى مكعبات صغيرة، كل منها يمتد بضعة بكسلات عرضاً وارتفاعاً وبضعة إطارات زمنياً.

المشكلة أن الفيديو الخام ضخم جداً. فيديو مدته دقيقة بدقة 1080p وبمعدل 30 إطاراً في الثانية يتجاوز 6 مليارات بكسل. لو حاولنا تقطيع البكسلات مباشرة إلى رقع، لكان التسلسل أطول من أن يتحمّله أي محوِّل. لذلك الحل يمرّ بمرحلتين: اضغط أولاً، ثم قطِّع.

قبل أي تقطيع، يمرّ الفيديو الخام عبر شبكة ضغط مُتعلَّمة — الفكرة قريبة من المُرمِّز في نموذج الانتشار الكامن. هذه الشبكة تُصغِّر الأبعاد المكانية والزمنية معاً، فتُحوِّل الفيديو إلى تمثيل كامن منخفض الأبعاد. وفي الاتجاه المعاكس، يوجد فاكّ ترميز يُعيد هذا التمثيل إلى بكسلات مرئية.

فكّر في الأمر كأنك تختصر فيلماً كاملاً بدقة عالية إلى «لغة بصرية مضغوطة». التمثيل الكامن يحتفظ بالجوهر — الأشكال والحركات والأنسجة — ويتخلّص من التكرار الذي لا يُضيف معلومة حقيقية. كل ما يأتي بعد ذلك من تدريب وتوليد يجري في هذا الفضاء المضغوط، وهذا ما يجعل المسألة قابلة للحساب عملياً.

بعد الضغط، يقطّع Sora التمثيل الكامن إلى تسلسل من الرقع الزمكانية — مكعبات صغيرة ثلاثية الأبعاد، كل منها يغطّي منطقة محدودة في العرض والارتفاع والزمن معاً. هذه الرقع تصير بالضبط رموز الدخل التي يعمل عليها المُحوِّل، تماماً كرموز الكلمات في النموذج اللغوي.

وهنا تظهر الفائدة الكبرى: الرقعة حجمها ثابت، لكن الشبكة يمكن أن تأخذ أي شكل. لذلك Sora يتعامل تلقائياً مع دقّات ومُدد ونسب أبعاد مختلفة. فيديو عريض بنسبة 16:9 يعطي شبكة رقع أعرض، ومقطع من 5 ثوانٍ يعطي شرائح زمنية أقل من فيديو طوله دقيقة. وعند التوليد، تتحكّم في شكل الخَرْج ببساطة باختيار أبعاد شبكة التشويش الابتدائية.

والصور تدخل في الإطار نفسه دون جهد إضافي — فالصورة ليست إلا فيديو بإطار واحد، أي أن البُعد الزمني في كل رقعة يساوي واحداً.

Sora في جوهره محوِّل انتشاري — يدمج نماذج الانتشار مع المحوِّلات. خلال التدريب، تُلوَّث الرقع الكامنة النظيفة بضوضاء غاوسية، ومهمة النموذج أن يتنبّأ بالرقع الأصلية انطلاقاً من النسخة المُشوَّشة ومن إشارة نصية موجِّهة. وعند الاستدلال، يبدأ من تشويش محض ويُنظّفه خطوة بخطوة حتى يُخرج فيديو متماسكاً.

أسلوب التوجيه النصي مستوحى من DALL·E 3: بدلاً من الاكتفاء بنصوص بديلة قصيرة وغير دقيقة، يُدرَّب نموذج وصف ليُنتج تعليقات مفصّلة لكل فيديو تدريبي تغطّي الموضوع والخلفية وحركة الكاميرا والإضاءة. ثم عند التوليد، يأخذ GPT الوصف القصير من المستخدم ويوسّعه إلى وصف غني قبل تمريره لـ Sora. هذا الأسلوب ذو المرحلتين يرفع دقة الفيديوهات المُنتَجة وجودتها بفارق واضح.

النتيجة المفتاحية: المحوِّلات الانتشارية تتوسّع في الفيديو بنفس الفعالية التي أثبتتها في الصور واللغة. كلما زادت موارد التدريب الحسابية، تحسّنت العيّنات — ليس في الحدّة فقط، بل في التماسك والمعقولية الفيزيائية والدقة التركيبية.

الطرق السابقة كانت تُجبر كل فيديو تدريبي على حجم واحد — مثلاً مقاطع من 4 ثوانٍ بدقة 256×256 بكسل. هذا القصّ يُضيع معلومات مهمة عن تكوين المشهد الأصلي وإطاره الطبيعي.

Sora يعمل بطريقة مختلفة: يتدرّب على الفيديوهات بـدقّتها ونسبة أبعادها الأصلية. ولأن تمثيل الرقع مَرِن — أي شكل للشبكة مقبول — فلا حاجة لقصّ شيء أو إعادة تحجيمه. وهذا يعطي فائدتين عمليتين:

مرونة في التوليد: النموذج نفسه يُنتج فيديو عريضاً بدقة 1920×1080 أو فيديو طولياً بدقة 1080×1920 للموبايل أو أي نسبة بينهما — كل ذلك بلا إعادة تدريب.

تكوين بصري أفضل: النماذج المُدرَّبة على مقاطع مربّعة غالباً ما تُخرج إطارات مشوّهة يظهر فيها الموضوع مقصوصاً. لكن التدريب على النسب الأصلية يُتيح للنموذج تعلُّم التوزيع الحقيقي لتكوينات المشاهد كما هي في الواقع، فتخرج النتائج أكثر طبيعية وتناسقاً.

لكي يولّد النموذج فيديو من نص، يحتاج فيديوهات مقترنة بأوصاف نصية. وجودة هذه الأوصاف عامل حاسم: أوصاف غامضة أو سطحية تُنتج نموذجاً لا يستطيع تنفيذ ما يطلبه المستخدم بدقة.

Sora يستخدم أسلوب إعادة الوصف الذي ابتكره فريق DALL·E 3. في الخطوة الأولى يُدرَّب نموذج مُتخصِّص ليكتب وصفاً تفصيلياً لكل فيديو في مجموعة التدريب — لا يكتفي بالموضوع الرئيسي، بل يغطّي الخلفية وحركة الكاميرا والإضاءة والأسلوب البصري والتطوّر الزمني. هذه الأوصاف الغنية تحلّ محل النصوص البديلة القصيرة الأصلية.

في مرحلة الاستدلال، تُضاف حيلة ذكية: GPT يأخذ الوصف المختصر من المستخدم (مثل «كلب على الشاطئ») ويوسّعه إلى وصف مفصّل (مثل «ريتريفر ذهبي يركض على رمل مبلّل وقت الغروب، أمواج تتكسّر في الخلفية، كاميرا محمولة تتبعه»). هذا التوسيع يسدّ الفجوة بين الطريقة العفوية التي يكتب بها الناس وبين مستوى التفصيل الذي تدرّب عليه النموذج.

Sora لا يقتصر على توليد فيديو من نص. يمكنك أيضاً تغذيته بصور أو مقاطع فيديو موجودة، وهذا يفتح طيفاً واسعاً من إمكانيات التحرير:

تحريك الصور: أعطِه صورة ثابتة (من DALL·E مثلاً) مع وصف نصي، وسيُنتج فيديو يبعث الحياة في الصورة وفق تعليمات الوصف.

تمديد الفيديو زمنياً: Sora يمدّ الفيديو إلى الأمام أو الخلف في الزمن. من النهاية ذاتها، تمديدات مختلفة قد تُنتج بدايات مختلفة كلياً — أو يمدّ النموذج في الاتجاهين ليصنع حلقة متواصلة بلا قطع.

تحرير فيديو إلى فيديو: بأساليب شبيهة بـ SDEdit، يستطيع Sora تغيير أسلوب الفيديو وبيئته دون أي تدريب إضافي — كنقل المشهد إلى مكان آخر أو تبديل أسلوبه البصري بالكامل.

الدمج بين فيديوهين: أعطِه مقطعين بمواضيع وتكوينات مختلفة تماماً، وسيولّد انتقالاً سلساً يتحوّل تدريجياً من أحدهما إلى الآخر.

الأمر الأكثر إدهاشاً هو ما يحدث حين يكبر النموذج. بدون أي إشراف صريح على الأبعاد الثلاثية أو الفيزياء، يُظهر Sora قدرات محاكاة ناشئة — سلوكيات لم يطلب منه أحد تعلُّمها:

الاتساق ثلاثي الأبعاد: حين تتحرك الكاميرا الافتراضية في مشهد ما، الأشخاص والأشياء يتحرّكون بشكل صحيح في الفضاء ثلاثي الأبعاد. النموذج التقط ضمنياً شيئاً عن الهندسة ثلاثية الأبعاد من فيديوهات ثنائية الأبعاد فقط.

ديمومة الكائنات: الشخصيات والأشياء تبقى موجودة حتى حين تختفي خلف عائق أو تخرج مؤقتاً من الإطار. كأن النموذج يحتفظ بصورة ذهنية متماسكة لكل ما في المشهد.

التماسك الزمني بعيد المدى: في فيديوهات تمتد لدقيقة كاملة، الشخصية نفسها تحافظ على مظهرها — ملابسها وشعرها وبنية جسمها — عبر لقطات وزوايا كاميرا متعددة.

التفاعل مع العالم: النموذج يحاكي تأثيرات سببية بسيطة. رسّام يترك ضربات فرشاة تبقى ظاهرة، شخص يأكل طعاماً فتظهر آثار العضّ — أفعال تُغيّر حالة العالم مع مرور الوقت.

محاكاة البيئات الرقمية: Sora قادر على تصيير بيئات تفاعلية مثل Minecraft، حيث يتحكّم بالشخصية بسياسة بسيطة ويرسم عالم اللعبة بدقة عالية في الوقت نفسه.

رغم هذه القدرات الناشئة اللافتة، لـ Sora حدود واضحة كمحاكٍ للعالم. كثير من التفاعلات الفيزيائية الأساسية لا تخرج بشكل صحيح: الزجاج لا يتحطّم بواقعية، والأشياء قد تطفو أو تعبر الأسطح، وأكل الطعام لا يُنتج دائماً التغيّرات المتوقّعة.

في الفيديوهات الطويلة قد تظهر تناقضات زمنية — كائنات تنبثق من العدم أو تتلاشى فجأة، أو خروقات خفيّة لقوانين الفيزياء. لا يوجد داخل النموذج محرّك فيزياء ولا تمثيل ثلاثي الأبعاد حقيقي؛ كل ما يعرفه عن العالم استخلصه ضمنياً من أنماط في بيانات الفيديو.

OpenAI تطرح هذه القيود لا بوصفها عوائق جوهرية بل بوصفها تحدّيات توسُّع: القدرات التي ظهرت فعلاً تُشير إلى أن مزيداً من البيانات والحوسبة سيقرّب النموذج من فهم فيزيائي أعمق. لكن هل يستطيع التعلّم الضمني أن يحلّ فعلاً محلّ النمذجة الفيزيائية الصريحة؟ هذا أحد أكثر الأسئلة المفتوحة سخونةً في المجال.

المساهمة الأعمق لـ Sora ليست فيديو بعينه — بل الفكرة نفسها: البيانات البصرية بكل أنواعها يمكن توحيدها عبر الرقع، كما وُحِّدت اللغة عبر الرموز. هذا التمثيل يُطلق المزايا ذاتها التي غيّرت معالجة اللغة الطبيعية: بنية واحدة، هدف تدريبي واحد، مدخلات ومخرجات بأحجام مفتوحة، وقدرات ناشئة تتحسّن كلما كبر النموذج. السؤال لم يعد هل يمكن توسيع توليد الفيديو — بل إلى أي مدى ستذهب هذه القدرات الناشئة.