نظرة من الداخل على مجموعة التقنيات الكاملة وراء مولّدات الذكاء الاصطناعي لمحتوى NSFW: كيف تعالج نماذج الانتشار الأوامر النصية، وكيف تعمل مرشّحات الأمان، وما الأجهزة التي تشغّلها، وكيف تنتج النماذج المضبوطة بدقة مثل Flux Dev صورًا واقعية لأشخاص بتفاصيل مذهلة.
إذا كتبت يومًا أمرًا نصيًا موحيًا في مولّد للذكاء الاصطناعي وشاهدت صورة واقعية تتشكّل خلال ثوانٍ، فقد رأيت واحدًا من أكثر مسارات تعلم الآلة الحديثة تعقيدًا وهو يعمل بكامل سرعته. يحدث خلف دائرة التحميل الدوّارة أكثر بكثير مما يدركه معظم الناس. تشمل العملية الضغط، والرياضيات الخاصة بالضوضاء، ونماذج اللغة، وتسريع الأجهزة، وشبكة معقدة من قرارات الأمان تختلف بشدة من منصة إلى أخرى.
يفصّل هذا المقال كل طبقة من هذا المسار، من لحظة وصول أمرك النصي إلى الخادم حتى البكسل الأخير الذي يظهر على شاشتك.
التقنية الأساسية وراء معظم مولّدات الصور بالذكاء الاصطناعي الحديثة هي نموذج الانتشار الكامن (latent diffusion model). يبدو المصطلح تقنيًا، لكن الفكرة بسيطة: بدلًا من العمل مباشرة على صور البكسل كاملة الحجم (وهو ما يتطلب ذاكرة ضخمة)، يعمل النموذج داخل فضاء رياضي مضغوط يسمى الفضاء الكامن (latent space). تُرمَّز الصور إلى تمثيل أصغر بكثير، ثم تُعالَج، ثم تُفكّ شفرتها مرة أخرى إلى بكسلات مرئية.
النموذجان اللذان يقومان بعملية الترميز وفك الترميز يشكّلان VAE (المُرمِّز التلقائي التبايني)، إذ يضغط الصورة المستهدفة إلى أرقام ثم يعيد بناءها. هذا الضغط هو السبب في أن صور الذكاء الاصطناعي تُولَّد خلال ثوانٍ بدلًا من ساعات.
الفضاء الكامن ليس مجرد حيلة للتخزين. إنه نظام إحداثيات عالي الأبعاد تقع فيه المفاهيم المتشابهة بالقرب من بعضها. وجه امرأة ووجه رجل ووجه قطة لا تعيش في نقاط عشوائية، بل تتجمع في مناطق ذات معنى رياضي. لهذا يستطيع الذكاء الاصطناعي دمج المفاهيم بسلاسة، فطلب "امرأة بعينين تشبهان عيون القطط" ينجح لأن هذين المفهومين متجاوران في الفضاء الكامن.
يعيش المحتوى من نوع NSFW في ذلك الفضاء أيضًا. لا يوجد "قسم NSFW" منفصل داخل النموذج. يوجد المحتوى الصريح وغير الصريح كمتجهات في الفضاء المتصل نفسه، ويفصل بينهما فقط المسافة الإحداثية. وعندما يُفعَّل مرشّح الأمان في المنصة، فإنه يعمل عمليًا على توجيه النموذج بعيدًا عن مناطق معينة من ذلك الفضاء.
تبدأ عملية التوليد بضوضاء عشوائية نقية، وليس بلوحة فارغة. دُرِّب النموذج على إزالة هذه الضوضاء تدريجيًا عبر سلسلة من الخطوات، موجَّهًا بالأمر النصي الذي تكتبه. تتنبأ كل خطوة بشكل أوضح قليلًا بما ينبغي أن تبدو عليه الصورة النهائية. بعد 20 إلى 50 خطوة من هذه الخطوات (حسب جدولة الخطوات والنموذج)، تظهر صورة متماسكة.
هذا ما تبدو عليه هذه العملية مفاهيميًا:
| نطاق الخطوات | ما الذي يحدث |
|---|---|
| الخطوات 1-5 | تتشكّل التركيبة العامة وكتل الألوان |
| الخطوات 6-15 | تتضح الأشكال الكبيرة والوجوه والأجساد |
| الخطوات 16-30 | تظهر التفاصيل الدقيقة وملمس البشرة وخصلات الشعر |
| الخطوات 30-50 | تحديد الحواف عالية التردد والتماسك النهائي |
عدد الخطوات قابل للضبط. تنتج خطوات أكثر عادةً نتائج أكثر حدّة وتماسكًا، لكنها تستغرق وقتًا أطول. نماذج مثل Flux Schnell مُحسَّنة خصيصًا لتقديم جودة ممتازة في 4 خطوات فقط، ما يجعلها أسرع بكثير من البنى القديمة.
لا ينتقل أمرك النصي مباشرة إلى عملية الانتشار. أولًا يمرّ عبر مُرمِّز نصي، وأشهره نموذج يسمى CLIP (التدريب المسبق التبايني للغة والصورة) أو نسخة مشابهة منه مثل T5. يحوّل هذا المُرمِّز كلماتك إلى تضمين عددي، أي متجه يلتقط المعنى الدلالي لأمرك ويضعه في الفضاء عالي الأبعاد نفسه الذي تعيش فيه الصور الكامنة.
💡 هذا هو سبب أهمية صياغة الأمر النصي. "امرأة جميلة ترتدي بيكيني على الشاطئ" و"عارضة ملابس سباحة عند المحيط" ستنتجان تضمينات مختلفة، وبالتالي صورًا مختلفة، رغم أنهما تصفان مشهدًا متشابهًا.
يتحكم مقياس التوجيه (guidance scale)، الذي يُسمّى غالبًا مقياس CFG، في مدى التزام النموذج بأمرك. القيمة الأعلى تجبر النموذج على اتباع نصك بصرامة أكبر، وغالبًا على حساب الطبيعية. أما القيمة الأدنى فتمنح النموذج حرية إبداعية أكبر، لكنها قد تنتج نتائج خارج الأمر.
يحدث ترشيح NSFW في مرحلتين مختلفتين تمامًا: أثناء التدريب وأثناء التشغيل. يتعلق الترشيح أثناء التدريب بالبيانات التي يراها النموذج أصلًا. دُرِّبت نماذج أساسية كثيرة، مثل الإصدارات الأولى من Stable Diffusion، على مجموعة LAION-5B، وهي بيانات جُمعت من الإنترنت العام وتضمنت محتوى صريحًا. احتفظت تلك النماذج بالقدرة على إنتاج صور للبالغين لأن هذه المعلومات كانت مدمجة في أوزانها.
قدّمت نماذج لاحقة ترشيح NSFW على مستوى مجموعة البيانات، فأُزيل المحتوى الصريح قبل التدريب. كانت النتيجة نموذجًا لا يعرف فعلًا كيف ينتج مخرجات صريحة، وليس نموذجًا مُنع فقط من فعل ذلك.
الترشيح أثناء التشغيل هو خط الدفاع الثاني. وهو ما يصادفه معظم المستخدمين بوصفه قيدًا على مستوى المنصة. هناك ثلاثة أساليب شائعة:
لا تتخذ كل منصات صور الذكاء الاصطناعي الخيارات نفسها في الترشيح، وهذه الخيارات تشكّل تجربة المستخدم كلها.
| نوع المنصة | النهج | قدرة المخرجات |
|---|---|---|
| منصات المستهلكين (العامة) | ترشيح صارم للأوامر النصية والمخرجات | محتوى آمن للعمل (SFW) فقط |
| منصات المبدعين | ترشيح انتقائي مع التحقق من العمر | عري فني |
| منصات الذكاء الاصطناعي للبالغين | ترشيح أدنى ونماذج مضبوطة بدقة | قادرة على المحتوى الصريح |
| مفتوحة المصدر (محليًا) | يتحكم فيها المستخدم | بلا قيود |
عادةً ما تستخدم المنصات التي تسمح بمحتوى NSFW الراقي أو الفني، مثل تصوير الجلامور (glamour) والعري الموحى به، التحقق من العمر مع مصنِّفات للمخرجات مضبوطة لحجب المحتوى الأكثر صراحة فقط، مع السماح بكل ما هو دون هذا الحد.
كل طلب لتوليد صورة هو مسألة ضرب مصفوفات تعمل على نطاق ضخم. تجري الحوسبة الفعلية على مجموعات GPU (وحدات معالجة الرسومات)، لأن هذه الوحدات صُمّمت خصيصًا للحسابات المتوازية التي تحتاجها نماذج الانتشار. قد يتطلب توليد صورة واحدة عالية الدقة بحجم 1024x1024 مليارات العمليات الحسابية العائمة.
تشمل الأجهزة التي تشغّل معظم مولّدات الذكاء الاصطناعي المستضافة ما يلي:
تشغيل نموذج مثل Flux 1.1 Pro Ultra على نطاق واسع يكلّف مالًا حقيقيًا مع كل صورة، ولهذا تعمل معظم المنصات بنظام النقاط أو الاشتراكات.
السرعة ليست مسألة تجربة مستخدم فقط. فتشغيل النموذج بسرعة أكبر يعني حوسبة أرخص لكل صورة، وهذا يؤثر مباشرة فيما تستطيع المنصة أن تقدّمه مجانًا. ساهم ابتكاران في خفض وقت التشغيل بشكل كبير في السنوات الأخيرة:
"أسلوب" مولّد الصور بالذكاء الاصطناعي نتاج كامل لما دُرِّب عليه. النماذج الأساسية (Base models) مثل SDXL دُرِّبت على مئات الملايين من الصور المقترنة بتعليقات، واستوعبت الأنماط الإحصائية لكل شيء، من صور الأرشيف ومجلات الأزياء إلى الفن الرقمي ولقطات الأفلام.
لهذا تنتج بعض النماذج بشكل طبيعي أسلوب صور الأرشيف، بينما تميل نماذج أخرى إلى المخرجات الفنية الشبيهة باللوحات. تكوين مجموعة بيانات التدريب هو أكبر مؤشر منفرد على الأسلوب البصري الافتراضي للنموذج.
💡 إذا أردت إضاءة سينمائية وجماليات تصوير الأفلام، فإن النماذج المدرّبة بكثافة على مجموعات بيانات تصوير عالية الجودة ستنتج نتائج أفضل من تلك المدرّبة على صور عامة من الإنترنت.
LoRA (التكيّف منخفض الرتبة) تقنية ضبط دقيق تتيح للمبدعين تدريب مجموعة صغيرة من الأوزان الإضافية فوق نموذج أساسي، فتنقل مخرجاته نحو مظهر أو موضوع محدد. كثيرًا ما تكون ملفات LoRA بضع مئات من الميغابايت فقط، لكنها قادرة على تغيير مخرجات النموذج بشكل كبير.
بالنسبة إلى النماذج القادرة على NSFW، يكون ضبط LoRA بالغ القوة بشكل خاص:
يتيح النموذج p-image-lora على PicassoIA قدرة الضبط الدقيق هذه بشكل مباشر، فيمكنك تطبيق أوزان LoRA على توليداتك للحصول على أساليب مخرجات محددة للغاية.
دُرِّب نموذج Stable Diffusion الأساسي وخلفاؤه على مجموعات بيانات واسعة. وتذهب النماذج المضبوطة بدقة خطوة أبعد، إذ تواصل التدريب على مجموعات فرعية منتقاة وعالية الجودة من أساليب بصرية محددة. ومن هنا نشأت النماذج الواقعية الفوتوغرافية التي تتفوق في تصوير البشر.
يُعد Realistic Vision v5.1 مثالًا بارزًا: فهو مبني على بنية SDXL، لكنه خضع لضبط دقيق مكثف على مجموعات بيانات فوتوغرافية لإنتاج أشخاص بملمس بشرة حقيقي وتشريح دقيق وإضاءة طبيعية، وهي أمور تعاني منها النماذج الأساسية كثيرًا.
وبالمثل، يمثل Flux Dev من Black Forest Labs جيلًا جديدًا من البنى يتعامل مع توليد الصور بطريقة مختلفة عن نماذج U-Net القديمة. يعمل Flux على فضاء البكسل الكامل دفعة واحدة بدلًا من معالجته بشكل هرمي، ما ينتج دقة تشريحية أفضل بكثير ومخرجات واقعية متسقة.
عندما يتعلق الأمر بتوليد صور بشرية واقعية بملمس طبيعي للبشرة والشعر والإضاءة، تتفوق عدة نماذج باستمرار على غيرها:
| النموذج | البنية | الأفضل لـ |
|---|---|---|
| Flux Dev | Flux Transformer | الواقعية الفوتوغرافية ودقة التشريح |
| Flux Pro | Flux Transformer | مخرجات بجودة تجارية |
| Flux 1.1 Pro Ultra | Flux Transformer | مخرجات بدقة عالية جدًا |
| Realistic Vision v5.1 | ضبط دقيق لنموذج SDXL | أسلوب البورتريه الفوتوغرافي |
| Stable Diffusion 3.5 Large | MMDiT | توازن بين الجودة والسرعة |
بما أن Flux Dev من أفضل النماذج أداءً لتوليد صور بشرية واقعية، فإليك الطريقة الدقيقة لاستخدامه على PicassoIA:
جودة مخرجاتك مرتبطة مباشرة بدقة أمرك النصي. الأوامر الغامضة تنتج نتائج عامة، والأوامر المحددة تنتج نتائج لافتة.
أمر ضعيف: beautiful woman at the beach
أمر قوي: close-up portrait of a woman with sun-kissed skin and loose dark waves, lying on white sand at a tropical beach, afternoon rim light creating a warm halo on her hair, 85mm f/1.4 lens, natural skin texture, Kodak Portra 400 film grain
نصائح إضافية تحسّن المخرجات باستمرار:
💡 يستجيب Flux Dev بشكل ممتاز لأوصاف الكاميرا والإضاءة. إدراج مواصفات العدسات وإشارات نوع الفيلم في أمرك النصي ينتج باستمرار مخرجات أكثر فوتوغرافية وأقل اصطناعية.
عندما تضغط على "توليد"، إليك كل خطوة تحدث في أجزاء من الثانية خلف الكواليس:
يعمل المسار كله على أجهزة GPU ويمكن أن يكتمل خلال 3-15 ثانية حسب النموذج والبنية التحتية.
الآن وقد عرفت بالضبط ما يعمل في الداخل، فأنت في موقع أفضل بكثير لاستخدام هذه الأدوات بوعي. الفجوة بين صورة ذكاء اصطناعي متوسطة وأخرى مذهلة حقًا ليست حظًا. إنها معرفة أي نموذج يتعامل مع موضوعك بشكل أفضل، وكيفية كتابة أمر نصي يضع الفضاء الكامن في المكان الذي تريده تمامًا، وكيفية استجابة عملية إزالة الضوضاء لإعدادات التوجيه لديك.
يتيح لك PicassoIA الوصول إلى مجموعة كاملة من هذه النماذج في مكان واحد، من Flux Dev و Flux Pro إلى Realistic Vision v5.1 وStable Diffusion 3.5 Large. سواء كنت تنشئ تصوير جلامور أو بورتريهات فنية أو صورًا لجلسات تصوير لمجلات الأزياء، فالنماذج متاحة والمسار يعمل بسرعة.
اختر نموذجًا، واكتب أمرًا نصيًا محددًا، وشاهد ما ينتجه الفضاء الكامن.
اختر لغتك
