عندما ترفع صورة إلى Gemini 3، يحوّلها النموذج إلى آلاف الرموز البصرية الرقمية (visual tokens)، ويرصد العلاقات بين كل منطقة في الإطار، ثم يدمج هذه البيانات البصرية مع طلبك النصي ليقدّم إجابات دقيقة تراعي السياق. يشرح هذا المقال كل خطوة من هذه العملية بلغة بسيطة، مع نصائح عملية للاستفادة القصوى من الذكاء الاصطناعي متعدد الوسائط.
عندما تضع صورة في محادثة مع Gemini 3 Pro، يحدث تحت السطح ما هو أعقد بكثير من مجرد مسح بسيط. النموذج لا "ينظر" إلى الصور كما يفعل الإنسان. بل يحوّل البيانات البصرية إلى لغة يتقنها أصلًا: أرقام، ومتجهات، وعلاقات رياضية موزونة عبر آلاف الأبعاد. والنتيجة نظام يستطيع تحديد ما في صورتك، ووصف التوزيع المكاني، وقراءة النص المدمج، ورصد المؤشرات العاطفية في الوجوه، والرد على الأسئلة البصرية الدقيقة، كل ذلك في أقل من ثانية.
هذا هو الذكاء الاصطناعي متعدد الوسائط بكامل طاقته. يمثل Gemini 3 واحدًا من أكثر أنظمة الذكاء الاصطناعي البصري تطورًا التي أُتيحت للجمهور، وتستحق طريقة معالجته لصورك المرفوعة أن تعرف تفاصيلها.
قبل أن يستطيع Gemini 3 الاستدلال على صورتك، يحتاج إلى تحويلها إلى صيغة تستطيع شبكته العصبية معالجتها. تبدأ هذه العملية كلها في اللحظة التي ينتقل فيها ملفك.
أول ما يفعله نظام الرؤية هو تقسيم صورتك إلى شبكة من المناطق المستطيلة الصغيرة ثابتة الحجم، وتسمى الرقع. فكّر في الأمر كأنك تقطع صورة فوتوغرافية إلى مئة بلاطة متساوية. تغطي كل رقعة منطقة محددة من الصورة، مثل كتلة بحجم 16×16 بكسل، وتلتقط قيم الألوان والسطوع الخام داخلها.
يتيح هذا النهج القائم على الرقع، المستعار من بنية Vision Transformer (ViT)، للنموذج أن يتعامل مع المناطق المكانية في الصورة بالطريقة نفسها التي يتعامل بها مع الكلمات في الجملة: وحدات منفصلة ومرتبة تحمل معنى.
💡 حجم الرقعة مهم. الرقع الأصغر تلتقط تفاصيل أدق، لكنها ترفع التكلفة الحسابية. يستخدم Gemini 3 استراتيجية ترقيع ديناميكية تعدّل الدقة وفق تعقيد محتوى الصورة.
تُحوَّل كل رقعة إلى متجه عددي مسطّح، أي قائمة طويلة من الأرقام تشفّر قنوات ألوانها وتدرجات سطوعها ومعلومات حوافها. ثم تُسقَط هذه المتجهات عبر تحويل خطي متعلَّم لتصبح توكنًا بصريًا: تمثيل رقمي مضغوط يتسع داخل فضاء التضمين نفسه الذي تعيش فيه توكنات النص.
وعند اكتمال هذه المرحلة، تكون صورتك الفوتوغرافية بدقة 1080p قد صارت تسلسلًا من التوكنات البصرية، كل منها يحمل معلومات مكانية ودلالية عن منطقة من الصورة الأصلية. أصبح لدى النموذج الآن "جملة" مكوّنة من بيانات بصرية، جاهزة لمعالجتها جنبًا إلى جنب مع أي أمر نصي ترسله معها.
المحرك المسؤول عن تحويل الرقع إلى توكنات بصرية يسمى مُشفّر الرؤية. في Gemini 3 يُعد هذا المكوّن كبيرًا وقائمًا على بنية المحوّلات، ودُرّب على مليارات أزواج الصور والنصوص، ما يعلّمه التعرف على الأشياء والملمس والمشاهد والمفاهيم المجردة مباشرة من بيانات البكسلات.
يستخدم مُشفّر الرؤية آلية تسمى الانتباه الذاتي، حيث ينظر كل توكن بصري إلى كل توكن بصري آخر ويحسب مقدار "انتباهه" له. يتيح ذلك للنموذج ربط الأجزاء البعيدة من صورتك ببعضها. فإذا كان شخص في النصف الأيسر من الإطار يشير إلى شيء في الجهة اليمنى، تربط آلية الانتباه بين المنطقتين دون الحاجة إلى برمجة صريحة.
والنتيجة هي خريطة انتباه: مجموعة من الأوزان المتعلَّمة توضح أي الرقع أكثر صلة ببعضها. عمليًا، لا يعالج Gemini 3 صورتك منطقة منطقة بمعزل عن غيرها، بل يعالج الصورة كلها بشكل كلي، مع بقاء العلاقات بين جميع الأجزاء نشطة في الوقت نفسه.
تعالج الشبكات العصبية الالتفافية التقليدية (CNNs) الصور بأسلوب النافذة المنزلقة، وهي ممتازة في رصد الأنماط المحلية لكنها أضعف في الاستدلال الشامل. أما نماذج الرؤية القائمة على المحوّلات، مثل النموذج الموجود داخل Gemini 3، فلها مجال استقبال أوسع منذ الطبقة الأولى. إنها تستدل على التكوين الكامل للصورة قبل أن تضيّق التركيز على التفاصيل المحددة.
لهذا يستطيع Gemini 3 Pro الإجابة عن أسئلة مثل "ماذا يفعل الشخص على اليسار بالنسبة إلى المبنى على اليمين؟" دون أن يفقد الترابط السياقي. تحافظ آلية الانتباه الشاملة على هذه العلاقات سليمة طوال المعالجة.
الإدراك البصري في Gemini 3 ليس قدرة واحدة. إنه مجموعة من القدرات الإدراكية المتراكبة التي تعمل في وقت واحد.
على المستوى الأساسي، ينفذ Gemini 3 التعرف على الأشياء: تحديد العناصر المنفصلة في الإطار، مثل الكراسي والكلاب والمباني أو الوجوه. لكنه يتجاوز مجرد قائمة بسيطة. يتعرف النموذج على العلاقات بين الأشياء (كلب يجلس على أريكة)، وعلى فئات المشهد (داخلي مقابل خارجي، حضري مقابل طبيعي)، وعلى عناصر التكوين مثل عمق المقدمة وسياق الخلفية.
أما النص داخل الصور، فيقرأ Gemini 3 اللافتات والملصقات والخط اليدوي والتسميات التوضيحية المتراكبة بدقة على مستوى OCR. وهذا مفيد بشكل خاص في المهام الواقعية: كأن تصوّر قائمة طعام أو إيصالًا أو بطاقة عمل أو سبورة بيضاء، ثم تطلب ملخصًا منظمًا.
| القدرة | ماذا تفعل |
|---|---|
| اكتشاف الأشياء | تسمّي العناصر في الإطار وتحدد مواقعها |
| تصنيف المشهد | تحدد البيئة والسياق |
| قراءة النص (OCR) | تستخرج المحتوى المكتوب من الصور |
| رسم العلاقات | تصف الروابط المكانية والمنطقية |
| سمات الوجه | تلاحظ التعابير والفئات العمرية والأوضاع |
الاستدلال المكاني من المجالات التي يُظهر فيها Gemini 3 تقدمًا واضحًا مقارنة بنماذج الرؤية السابقة. يستطيع وصف المواضع النسبية (فوق، تحت، إلى يسار، مخفي جزئيًا)، وتقدير النسب والمسافات التقريبية، واستنتاج العمق من إشارات أحادية العين مثل خطوط المنظور واتجاه الظلال وتدرج حجم الأشياء.
اسأله "ما المسافة بين السيارة الحمراء والشجرة؟"، وسيعطيك تقديرًا معايَرًا، أي تقريبًا مبنيًا على استدلال من الإشارات البصرية وليس قياسًا دقيقًا.
عندما تحتوي صورتك على أشخاص، يمتد عمل Gemini 3 البصري إلى التواصل غير اللفظي. فالتعرف على تعابير الوجه، وتحليل الوضعية، وتفسير حركات اليدين، واتجاه النظر، كلها جزء مما يشفّره النموذج من تسلسل التوكنات البصرية. وهذا يجعله مفيدًا في مهام مثل قراءة لغة الجسد في العروض التقديمية، ومراجعة صور المنتجات بحثًا عن النبرة العاطفية، أو توليد تسميات توضيحية دقيقة تتضمن الانفعال البشري.
حتى الآن تناولنا كيف يشفّر Gemini 3 المعلومات البصرية. أما القوة الحقيقية فتظهر حين تندمج تلك البيانات البصرية مع اللغة.
بعد أن ينتج مُشفّر الرؤية تسلسلًا من التوكنات البصرية، تُسلسَل هذه التوكنات مع التوكنات النصية من أمرك النصي. ثم يُغذّى التسلسل المدمج إلى العمود الفقري للنموذج اللغوي الرئيسي في Gemini 3. ومن هذه النقطة فصاعدًا، يتعامل النموذج مع المعلومات البصرية والنصية كتدفق موحّد.
وهذا ما يجعل طرح أسئلة محددة عن الصور ممكنًا. فعندما تكتب "ما ماركة الحاسوب الموضوع على الطاولة؟"، تُعالَج توكناتك النصية والتوكنات البصرية من الصورة معًا. ويستطيع رؤوس الانتباه لدى النموذج أن تركّز في الوقت نفسه على سؤالك وعلى المنطقة البصرية التي تحتوي شعار الحاسوب.
من تحديات الأداء مع الصور عالية الدقة الكمُّ الهائل من الرقع التي تنتجها. فصورة بدقة 4K قد تولّد آلاف التوكنات البصرية، ما يبطئ التشغيل ويستهلك ذاكرة هائلة.
يستخدم Gemini 3 استراتيجية ضغط التوكنات التي تدمج التوكنات البصرية المتجاورة المتشابهة قبل خطوة الدمج. وتُضغط المناطق ذات اللون أو الملمس أو المحتوى الموحّد (مثل سماء صافية أو جدار أبيض) إلى عدد أقل من التوكنات دون فقدان كبير للمعلومات. وهذا يبقي التسلسل قابلًا للتعامل معه مع الحفاظ على التفاصيل في المناطق المعقدة الغنية بالمعلومات من الصورة.
💡 لأفضل النتائج: ارفع الصور بدقتها الأصلية حين تهم التفاصيل. يتولى Gemini 3 تقليل الدقة داخليًا، لكن البدء بمصدر أعلى دقة يحافظ على معلومات أكثر لمرحلة استخراج التوكنات.
لا يوجد نموذج رؤية مثالي. معرفة مواضع قصور Gemini 3 تساعدك على استخدامه بدقة أكبر.
الأشياء النادرة والسياقات البصرية غير الشائعة هي أكثر نقاط الفشل تكرارًا. إذا احتوت صورتك على شيء متخصص جدًا، مثل أداة طبية محددة أو آلة صناعية نادرة أو قطعة ثقافية غامضة، فقد يسيء النموذج تحديدها أو يعممها. وتميل بيانات تدريبه نحو الأشياء والبيئات الأكثر تصويرًا بشكل شائع.
الصور منخفضة الجودة قيد ثابت آخر. فآثار الضغط الشديد، وضبابية الحركة المفرطة، والتعريض الضوئي الناقص بشدة، أو النص الصغير جدًا في خلفيات معقدة، كلها تخفض دقة التعرف. فتمثيل التوكنات البصرية يفقد ببساطة قدرًا كبيرًا من الإشارة، فلا يستطيع النموذج استنتاج أمور بثقة.
عدّ الأشياء بدقة نقطة ضعف معروفة. قد يصف Gemini 3 "مجموعة من الناس" بثقة، لكنه قد يعطي عددًا دقيقًا غير صحيح في مشهد مزدحم. فالترميز القائم على الرقع لا يساعد بطبيعته على العد الدقيق.
💡 نصيحة: حين تكون الدقة مهمة، اقرن استفساراتك عن الصور بتعليمات صريحة: "عُدّ الأشخاص في المقدمة فقط" بدلًا من "كم شخصًا هناك؟"
معرفة كيفية معالجة Gemini 3 للصور تفتح صورة أوضح عن المهام التي يتعامل معها بأفضل شكل، وكيفية صياغة طلباتك.
يؤدي النموذج أفضل أداء حين تعطيه أسئلة محددة ومحدودة بدلًا من أسئلة مفتوحة. فبدلًا من "صف هذه الصورة"، جرّب:
تُفعّل الأوامر المحددة انتباهًا مركّزًا على المناطق البصرية ذات الصلة، ما يعطي عادةً ردودًا أدق وأنفع.
يدعم Gemini 3 إدخال عدة صور، أي أنك تستطيع رفع صورتين أو أكثر في طلب واحد. وهذا يفتح حالات استخدام قوية:
يعالج النموذج التوكنات البصرية لكل صورة على حدة أثناء التشفير، ثم يدمجها معًا قبل خطوة الدمج اللغوي، ما يتيح استدلالًا حقيقيًا عبر الصور.
بما أن Gemini 3 Pro متاح مباشرة على PicassoIA، يمكنك الوصول إلى قدراته في قراءة الصور دون أي إعداد أو مفاتيح API.
نصائح للاستفادة القصوى من النموذج:
يوفر لك PicassoIA أيضًا Gemini 2.5 Flash للاستعلامات البصرية الأسرع بتكلفة حسابية أخف، وGPT-4o كبديل قوي بمزايا مميزة في الصور الغنية بالنصوص والبنى المنظمة.
💡 مقارنة النماذج: استخدم Gemini 3 Pro حين يكون الاستدلال المكاني وتفسير المشاهد المعقدة هو الأهم. واستخدم Gemini 2.5 Flash حين تحتاج إلى نتيجة سريعة لأوصاف صور أبسط.
تنشأ حلقة طبيعية بمجرد أن تفهم كيف يقرأ Gemini 3 الصور. ابدأ بتحليل صورة لديك بالفعل. اطلب من Gemini 3 Pro أن يصف أسلوبها البصري وظروف الإضاءة ولوحة الألوان والتكوين بعبارات دقيقة. ثم استخدم هذا الوصف كأمر نصي لتوليد نسخة جديدة من هذا الطابع البصري، أو مشهد مختلف تمامًا بالأسلوب نفسه، باستخدام أحد نماذج توليد الصور على PicassoIA.
تتيح لك المنصة الوصول إلى أكثر من 90 نموذجًا لتوليد الصور لهذا الغرض. وFlux Dev وFlux 1.1 Pro قويان بشكل خاص في المخرجات الواقعية كالصور الفوتوغرافية. وImagen 4 Ultra وImagen 4 يأتيان مباشرة من Google، الفريق نفسه وراء Gemini 3، ويشتركان في فلسفة مماثلة لجودة الصورة. وللتكرار السريع، يتولى Gemini 2.5 Flash الاستعلامات البصرية السريعة أثناء عملك على أوامر التوليد.
هذه الحلقة، من القراءة إلى الإنشاء، هي المكان الذي يصبح فيه الذكاء الاصطناعي متعدد الوسائط مفيدًا فعلًا للمصورين والمصممين والمسوّقين وكل من يعمل مع المحتوى البصري. والبنية الموصوفة في هذا المقال ليست مجرد معلومات أكاديمية. إنها الأساس لمجموعة من الأدوات يمكنك استخدامها الآن.
يعمل ترميز الرقع، ومُشفّر الرؤية القائم على الانتباه الذاتي، واستراتيجية ضغط التوكنات، وخطوة الدمج متعدد الوسائط معًا في كل مرة ترفع فيها صورة إلى Gemini 3 Pro. ولا يتطلب منك أي من هذا فهم الرياضيات. لكن معرفة البنية تساعدك على العمل مع النموذج بوعي أكبر، وكتابة أوامر أفضل، وتجنب القيود المعروفة، وبناء سير عمل يحقق نتائج متسقة.
يقرّب PicassoIA هذه التقنية من الجميع. سواء أردت قراءة صورة بالتفصيل، أو توليد صورة جديدة من الصفر، أو القيام بالأمرين في الجلسة نفسها، فالأدوات موجودة وجاهزة لك. ابدأ بصورة لديك، وارفعها إلى Gemini 3 Pro، واسأله عن شيء كنت تتساءل عنه دائمًا في تلك الصورة. ستصلك الإجابة خلال ثوانٍ، مبنية على خط الاستدلال البصري الكامل الذي يغطيه هذا المقال.
اختر لغتك
