تقف نماذج الانتشار وراء أكثر مولّدات الصور بالذكاء الاصطناعي واقعية اليوم. يشرح هذا المقال بدقة كيف تعمل، بدءًا من فكرة حقن الضوضاء وصولًا إلى عملية إزالة الضوضاء العكسية، دون الحاجة إلى أي خلفية تقنية، مع أمثلة حقيقية وتشبيهات واضحة ومقارنات مباشرة.
إذا سبق لك أن كتبت جملة وشاهدت الحاسوب يولّد صورة واقعية كالصور الفوتوغرافية من لا شيء، فقد رأيت نموذج انتشار يعمل أمامك. تقف هذه النماذج خلف معظم مولّدات الصور بالذكاء الاصطناعي الكبرى اليوم، من Stable Diffusion إلى Flux Dev، وطريقة عملها أبسط بكثير مما يتوقعه معظم الناس. يشرح هذا المقال نماذج الانتشار دون معادلات، ودون مصطلحات معقدة، ودون تجاهل الأجزاء المهمة فعلًا.
تبدأ معظم الشروحات لنماذج الانتشار بالرياضيات المعقدة، وهذا ليس المكان الصحيح للبدء. المكان الصحيح هو سؤال أبسط بكثير: ماذا لو استطعت أن تعلّم الحاسوب أن يتراجع عن العشوائية؟
فكّر في ما يحدث عندما تقلّب قطرة حبر في كأس ماء. ينتشر الحبر ويختلط، وفي النهاية لا تعود قادرًا على تحديد المكان الذي بدأ منه. تُسمّى هذه العملية، أي الانتشار والتجانس وفقدان البنية، الانتشار (diffusion). وهي تحدث مع الحبر في الماء، ومع الحرارة عبر قضيب معدني، ومع العطر في الغرفة.
تستعير نماذج الانتشار هذه الفكرة وتشغّلها بالاتجاه المعاكس.
في عالم الصور، تعني "الضوضاء" قيمًا عشوائية للبكسلات. خذ أي صورة فوتوغرافية وأضف إلى كل بكسل قيمًا عشوائية كافية، فستنتهي بتشويش بصري أشبه بشاشة تلفاز معطّلة. تختفي الصورة الأصلية تمامًا.
هذه هي نقطة البداية لكل نموذج انتشار. ليس لأنها مثيرة للاهتمام، بل لأنها مفيدة. الضوضاء الخالصة سهلة التوليد. لا تحتاج إلى مجموعة بيانات من الصور لإنتاج بكسلات عشوائية، فيمكنك إنشاؤها فورًا من لا شيء.
الفكرة التي جعلت نماذج الانتشار عملية هي التالية: إذا استطعت تدريب شبكة عصبية على أخذ صورة مشوّشة قليلًا والتنبؤ بشكل النسخة النظيفة منها، يمكنك ربط هذه العملية مئات المرات معًا للانتقال من الضوضاء الخالصة إلى صورة متماسكة.
في جوهره، نموذج الانتشار شبكة عصبية لها مهمة واحدة: التنبؤ بالضوضاء في الصورة. يبدو ذلك بسيطًا أكثر من اللازم، لكن هذه القدرة الواحدة، عند توسيعها بكمية كافية من البيانات والحوسبة، تنتج المخرجات الواقعية التي تراها اليوم.
يبدأ التدريب بتدمير الصور عمدًا. يأخذ الباحثون ملايين الصور الفوتوغرافية الحقيقية ويضيفون إليها ضوضاء غاوسية عشوائية بطريقة مضبوطة وعلى مستويات مختلفة. عند مستوى الضوضاء 1، تبدو الصورة طبيعية تقريبًا، لكنها أكثر حبيبية قليلًا. وعند مستوى 500، تكون متضررة بشدة. وعند مستوى 1,000، تصبح تشويشًا خالصًا.
لكل نسخة مشوّشة، يُقال للشبكة: هذه الصورة المشوّشة، وهذا مستوى الضوضاء، والآن تنبأ بشكل الضوضاء. عبر ملايين أمثلة التدريب، تصبح الشبكة بارعة جدًا في التعرف على أنماط الضوضاء عند كل درجة من درجات الشدة.
بعد التدريب، تشغّل النموذج بالاتجاه المعاكس. تبدأ بصورة ضوضاء عشوائية تمامًا، وتمررها إلى الشبكة، وتطلب منها التنبؤ بالضوضاء عند الخطوة 1,000، ثم تطرح جزءًا من تلك الضوضاء، وبعدها تطلب منها التنبؤ بالضوضاء عند الخطوة 999، وتطرح مجددًا، وهكذا تكرر العملية.
بعد 1,000 من خطوات إزالة الضوضاء الصغيرة هذه، يتحوّل التشويش إلى صورة متماسكة. لم يُطلب من الشبكة يومًا أن ترسم شيئًا محددًا، بل طُلب منها فقط أن تزيل الضوضاء. لكن لأنها تعلّمت من ملايين الصور الفوتوغرافية الحقيقية، تبدو الصورة التي تظهر كأنها صورة فوتوغرافية حقيقية.
💡 الفكرة الجوهرية: لا تولّد نماذج الانتشار الصور بالرسم من الصفر. إنها تولّدها بالطرح، عبر إزالة الضوضاء حتى تظهر البنية.
أكثر ما يثير الدهشة في نماذج الانتشار هو ما تتعلمه الشبكة العصبية فعليًا أثناء التدريب. فهي لا تتعلم رسم العيون أو الأشجار أو الوجوه. إنها تتعلم البنية الإحصائية للصور، أي الأنماط التي تجعل ترتيبات البكسلات تبدو كأشياء حقيقية بدلًا من أن تكون ضوضاء عشوائية.
إليك شكل حلقة التدريب بعبارات بسيطة:
بعد عدد كافٍ من التكرارات، تكون الشبكة قد رأت أمثلة كثيرة جدًا، حتى استوعبت معنى "الصورة الطبيعية" على مستوى إحصائي عميق. تعرف، دون أن يُقال لها صراحةً، أن بكسلات السماء تميل إلى الظهور فوق بكسلات الأرض، وأن الوجوه تملك تماثلًا معينًا، وأن الملمس يتكرر بطرق يمكن التنبؤ بها.
حاولت الأساليب المبكرة للانتشار الانتقال مباشرة من الضوضاء إلى الصورة في خطوة واحدة. كانت النتائج ضعيفة، إذ كانت القفزة أكبر من اللازم، وكان يجب استنتاج قدر كبير من المعلومات دفعة واحدة.
يغيّر تقسيم العملية إلى 1,000 خطوة صغيرة صعوبة كل خطوة على حدة بشكل كبير. في كل خطوة، تحتاج الشبكة إلى تصحيح صغير فقط، والتصحيحات الصغيرة أسهل في التنبؤ بدقة. ويؤدي تراكم 1,000 تصحيح صغير ودقيق إلى نتيجة كبيرة ودقيقة.
لهذا ركزت الأعمال اللاحقة بقوة على تقليل عدد الخطوات المطلوبة، مثل استخدام SDXL Lightning 4Step لتحقيق نتائج جيدة في 4 خطوات فقط، أو Flux Schnell الذي ينتج صورًا حادة خلال ثوانٍ.
للنصفين في نموذج الانتشار أسماء رسمية: العملية الأمامية والعملية العكسية. عمليًا، يسهل وصفهما.
| العملية | الاتجاه | ما الذي يحدث | متى تعمل |
|---|---|---|---|
| الأمامية | من الصورة إلى الضوضاء | تضيف ضوضاء غاوسية تدريجيًا حتى تُدمَّر الصورة | أثناء التدريب فقط |
| العكسية | من الضوضاء إلى الصورة | تزيل الضوضاء تدريجيًا حتى تُعاد بناء الصورة | أثناء تشغيل النموذج (توليد الصور) |
لا تملك العملية الأمامية أي معاملات قابلة للتعلم. إنها مجرد صيغة رياضية تضيف الضوضاء. أما العملية العكسية فهي المكان الذي تعيش فيه الشبكة العصبية. كل الذكاء يكمن في تعلم تشغيل ذلك الاتجاه الثاني.
يُسمّى التصميم العصبي الذي تستخدمه معظم نماذج الانتشار U-Net. يأتي الاسم من شكلها: تضغط الصورة إلى تمثيل صغير (أسفل حرف U)، ثم توسّعها إلى حجمها الكامل (الجانب الأيمن من حرف U)، مع وصلات بين المستويات المتطابقة على كل جانب.
يتميز هذا التصميم بقدرة جيدة بشكل خاص على معالجة الصور لأن:
تحوّلت نماذج أحدث مثل Flux Dev إلى بنى قائمة على المحوّلات (transformers) بدلًا من U-Net، وهي تعالج الدقات العالية جدًا بكفاءة أكبر وتتيح متابعة أدق للأوامر النصية.
شرح كيفية توليد نموذج الانتشار للصور من الضوضاء هو الجزء الأول من القصة. أما الجزء الثاني فهو شرح كيف تتحكم الأوامر النصية في الصورة التي تظهر. هنا تختلف نماذج تحويل النص إلى صورة عن نماذج الانتشار البسيطة.
تستخدم نماذج الانتشار الموجّهة بالنص نموذجًا منفصلًا يُسمّى CLIP (أو مرمّزات نصية مشابهة) لترجمة الأمر النصي المكتوب إلى تمثيل عددي. دُرّب CLIP على مئات الملايين من أزواج الصورة والنص من الإنترنت، فتعلّم أي الكلمات والعبارات تميل إلى الظهور مع أي مفاهيم بصرية.
عندما تكتب أمرًا نصيًا، يحوّله CLIP إلى متجه، أي قائمة من الأرقام تمثل المعنى الدلالي لنصك في فضاء تكون فيه المفاهيم المتقاربة قريبة من بعضها. ينتج الأمر "تفاحة حمراء على طاولة خشبية" متجهًا قريبًا رياضيًا من متجهات مفاهيم مرتبطة مثل "فاكهة" و"طبيعة صامتة في مطبخ" و"ضوء طبيعي".
يُمرَّر ذلك المتجه بعد ذلك إلى نموذج الانتشار في كل خطوة من خطوات إزالة الضوضاء، ويعمل كدليل ثابت يجذب الصورة الناشئة نحو المفهوم الموصوف. ومن دون هذا التوجيه، سيولّد النموذج صورًا عشوائية واقعية كالصور الفوتوغرافية لا علاقة لها بكلماتك.
توجد تقنية تُسمى التوجيه الخالي من المصنّف (classifier-free guidance) تجعل نتائج تحويل النص إلى صورة أوضح بشكل ملحوظ وأكثر التزامًا بالأمر النصي. إليك الفكرة الأساسية:
في كل خطوة من خطوات إزالة الضوضاء، يعمل النموذج مرتين:
يجمع التنبؤ النهائي بالضوضاء بين الاثنين: يبدأ بالتنبؤ دون أمر نصي، ثم يضيف نسخة مضخّمة من الفرق بين التنبؤين. هذا التضخيم (إعداد مقياس التوجيه الذي تراه في كثير من الواجهات) يدفع المخرجات بقوة أكبر نحو أمرك النصي، مقابل بعض التنوع في الصورة.
💡 نصيحة عملية: تنتج قيم مقياس التوجيه الأعلى (7-10) صورًا تطابق أمرك النصي بحرفية أكبر. أما القيم الأدنى (3-5) فتنتج نتائج أكثر إبداعًا لكنها أحيانًا غير متوقعة.
تغيّر مشهد نماذج الانتشار بسرعة. فالنموذج الذي كان متقدمًا قبل عامين يتفوق عليه غالبًا بوضوح ما هو متاح اليوم. إليك الوضع الحالي.
كان Stable Diffusion النموذج الذي أتاح توليد الصور بالانتشار للجمهور. صدر في 2022 عن Stability AI، وكان أول نموذج كبير لتحويل النص إلى صورة مفتوح الأوزان، أي أن أي شخص يستطيع تشغيله على جهازه الخاص.
كان ابتكاره الأساسي هو الانتشار الكامن (latent diffusion): فبدلًا من تشغيل عملية إزالة الضوضاء مباشرة على قيم البكسلات (وهو أمر مكلف حسابيًا عند الدقات العالية)، تعمل العملية في "فضاء كامن" مضغوط، ولا تُفكّ إلى بكسلات إلا في النهاية. وقد جعل ذلك التوليد عالي الجودة عمليًا على أجهزة المستخدمين العاديين.
ومنذ ذلك الحين توسعت العائلة بشكل كبير:
تمثل عائلة Flux من Black Forest Labs الطليعة الحالية لنماذج الانتشار مفتوحة المصدر. بناها كثير من الباحثين أنفسهم الذين صنعوا Stable Diffusion، ويستخدم Flux نهج مطابقة التدفق (flow matching) بدلًا من الانتشار التقليدي، وهذا يجعله من الناحية التقنية قريبًا من نماذج الانتشار لا نموذج انتشار خالصًا، لكنه يعمل على المبادئ الجوهرية نفسها ويُدرَّب بالطريقة نفسها.
| النموذج | الأفضل في | السرعة |
|---|---|---|
| Flux Schnell | النماذج الأولية السريعة، والحجم الكبير | سريع جدًا (1-4 خطوات) |
| Flux Dev | العمل الإبداعي عالي الجودة | متوسطة |
| Flux Pro | مخرجات بمستوى تجاري | متوسطة |
| Flux 1.1 Pro | أقصى جودة للإنتاج | متوسطة |
| Flux 2 Pro | توليد الصور وتحريرها | متوسطة |
ما يميز Flux هو تعامله المتفوق مع النصوص داخل الصور، والتفاصيل التشريحية الدقيقة، والدقة في تنفيذ الأوامر. فحيث كانت النماذج السابقة تعاني من رسم يد متماسكة أو كلمة مقروءة في مشهد، يتعامل Flux مع الأمرين بموثوقية.
يمتد نظام نماذج الانتشار إلى ما هو أبعد من هاتين العائلتين. وإليك بعض النماذج الأخرى الجديرة بالمعرفة:
لا تحتاج إلى GPU ولا بيئة Python ولا أي خلفية تقنية لتشغيل هذه النماذج اليوم. يمنحك PicassoIA وصولًا مباشرًا إلى أكثر من 91 نموذج انتشار لتحويل النص إلى صورة عبر واجهة متصفح، دون أي تثبيت.
إليك ما يمكنك فعله الآن:
أفضل طريقة لبناء الحدس حول ما يفعله نموذج الانتشار هي استخدامه بنفسك. اكتب أمرًا نصيًا، وشاهد النتيجة، وغيّر كلمة واحدة، وشاهد كيف تتغير. الحدس الذي تبنيه من بضع دقائق من التجربة العملية يستحق أكثر من ساعات من قراءة الشروحات.
تعمل نماذج الانتشار لأنها تعلّمت من العالم. كل صورة تولدها تحمل البصمة الإحصائية لملايين الصور الفوتوغرافية الحقيقية. وعندما تكتب وصفًا فتظهر صورة، فما تراه هو نموذج قضى مليارات خطوات التدريب في تعلم الإجابة عن سؤال واحد: كيف يبدو العالم حين تُزال كل العشوائية؟
هذا السؤال، حين يُطرح على نطاق واسع، يثبت أنه ينتج شيئًا قريبًا جدًا من الواقع.
اختر لغتك
