تغيّر شيء ما في جودة فيديو الذكاء الاصطناعي خلال السنتين الماضيتين، ولم يكن أحد مستعدًا له تمامًا. توقفت المقاطع المولّدة بالذكاء الاصطناعي عن الظهور كرسوم متحركة بلاستيكية، وصارت تُعرض على أنها لقطات حقيقية. يشرح هذا المقال السبب بالتفصيل، بدءًا من بنية نماذج الانتشار، مرورًا باختراقات الاتساق الزمني وتوليد الحركة القائم على الفيزياء، وصولًا إلى أهم النماذج التي تنتج حاليًا فيديوهات واقعية كالصور الفوتوغرافية.
حدث تحوّل ما خلال آخر 24 شهرًا، ومن دون إعلان رسمي. تجاوز توليد الفيديو بالذكاء الاصطناعي عتبة لم تكن سنوات من التقدم التدريجي قادرة على تجاوزها بمفردها. فبعدما كان ينتج لقطات يستطيع أي مشاهد أن يعرف خلال ثوانٍ أنها مُصطنعة، أصبحت النماذج اليوم تنتج مقاطع تحتاج إلى فحص متعمّد وإطارًا تلو الآخر لتبيّن أنها من صنع الآلة. هذا ليس تقدمًا عاديًا. إنه انتقال طوري تقوده عدة اختراقات تقنية متزامنة تضاعف كل منها تأثير الآخر.
تستحق سرعة هذا التغيير أن نتوقف عندها. في أوائل عام 2023، كان لفيديو الذكاء الاصطناعي مظهر مميز: وجوه تتبدل بدقة بين الإطارات، وخامات خلفية تتلألأ بلا سبب، وفيزياء تتحدى الجاذبية بطرق صغيرة لكنها واضحة. لم تكن هذه عيوبًا ثانوية. بل كانت البصمة البصرية المميزة لهذا الوسيط.
ثم جاءت موجة من إصدارات النماذج أعادت كتابة خط الأساس. قدّم Sora 2 من OpenAI تماسكًا سينمائيًا فاجأ الباحثين الذين كانوا يتابعون المجال عن قرب. وأنتج Veo 2 من Google، ثم Veo 3، لقطات بفيزياء بيئية صمدت أمام الفحص الدقيق. ووضع Kling v2.6 من Kwai معايير جديدة لدقة حركة الإنسان. وأضاف Seedance 1.5 Pro من ByteDance صوتًا أصليًا متزامنًا إلى المخرجات الواقعية كالصور الفوتوغرافية، فبدت المقاطع مكتملة بطريقة لم يحققها التوليد الصامت أبدًا.
السؤال ليس عمّا إذا كانت هذه القفزة قد حدثت. السؤال هو لماذا حدثت.
قبل المضي أبعد، من المفيد توضيح ما الذي تتطلبه الواقعية الفوتوغرافية على المستوى التقني. لا تلتقط الكاميرا الواقع ببساطة. إنها تلتقط الضوء كما يتصرف فعليًا عندما يمر عبر عدسة معينة، ويسقط على مستشعر معين، تحت ظروف معينة. وينتج عن ذلك التظليل الطبيعي عند الأطراف، وتشوه العدسة، والزيغ اللوني عند حواف الألوان، وضبابية الحركة المتناسبة مع سرعة الغالق، وتلاشي عمق الميدان الناتج عن الفتحة، وحبيبات المستشعر المميزة عند قيمة ISO معينة.
وبعيدًا عن الكاميرا نفسها، يتمتع العالم الحقيقي باستمرارية زمنية: الجسم الموجود في الإطار 23 هو نفسه تمامًا جسم الإطار 24، مع تغيّرات في الموضع والإضاءة والظل تخضع لقوانين الفيزياء.
لا تحاكي نماذج الذكاء الاصطناعي أيًا من هذا بشكل مباشر. عليها أن تستوعب الأنماط الإحصائية لكل ذلك من بيانات التدريب. ولسنوات، كان هذا الاستيعاب ناقصًا بالتحديد بالطرق التي جعلت فيديو الذكاء الاصطناعي يبدو مُصطنعًا بوضوح. ما تغيّر هو أن بنية الطريقة التي يحدث بها هذا الاستيعاب أُعيد تصميمها من الصفر.
البنية التي تدفع فيديو الذكاء الاصطناعي الحديث هي نموذج الانتشار الكامن، وهو الفئة نفسها من النماذج التي تقف وراء توليد الصور الواقعية بالذكاء الاصطناعي. المبدأ أنيق: يُدرَّب النموذج على إزالة الضوضاء من تمثيل منظم، فيعمل بالعكس من عشوائية ساكنة نحو محتوى متماسك وذي معنى. ومع أمر نصي يوجّهه، ينتج صورة تطابق المحتوى الموصوف.
بالنسبة للصور، تبقى هذه العملية محدودة نسبيًا. أما بالنسبة للفيديو فيزداد التعقيد بعشرة أضعاف تقريبًا. أنت لا تولّد صورة واحدة، بل تولّد تسلسلًا من الصور يجب أن يحافظ على استمرارية فيزيائية. فالكرسي نفسه في الإطار 1 والإطار 47 يجب أن يكون الكرسي ذاته، بالملمس نفسه، والاستجابة المادية نفسها للضوء، والصلابة الهندسية نفسها.
حاولت نماذج الانتشار المبكرة للفيديو حل هذه المشكلة بتوليد الإطارات بشكل مستقل ثم الاستيفاء بينها. وكانت النتيجة مرئية دائمًا: تمويه زمني تبدو فيه الحركة مُجمَّعة لا متصلة.
أما التغيير المعماري الذي كسر هذا السقف فكان اعتماد الانتباه المكاني الزمني، ويُسمّى أحيانًا الانتباه ثلاثي الأبعاد. فبدلًا من الانتباه إلى العلاقات المكانية داخل إطار واحد، تتيح هذه الآليات للنموذج أن ينظر في العلاقات عبر الإطارات في وقت واحد. فعند توليد بكسل معين في الإطار 23، يستشير النموذج ليس فقط البكسلات المحيطة به في الإطار 23، بل أيضًا البكسلات المقابلة لها في الإطارات 20 و21 و22 و24 و25. ويُنتج هذا شكلًا من الذاكرة الفيزيائية قصيرة المدى لم تكن لدى البنى السابقة أصلًا.
عملية إزالة الضوضاء في نماذج الانتشار أكثر من مجرد عملية تنظيف. إنها المكان الذي يُطبَّق فيه التمثيل الداخلي للنموذج للواقع الفيزيائي. وفي كل خطوة من خطوات إزالة الضوضاء، يسأل النموذج عمليًا: بناءً على ما أعرفه عن شكل العالم، إلى ماذا يجب أن تتحول هذه الرقعة المشوشة؟
ما يجعل الجيل الأحدث من النماذج مختلفًا هو حجم ونوعية ما تعرفه. فالنماذج المدرَّبة على مئات الملايين من مقاطع الفيديو عالية الدقة، مع تنقيح دقيق لإزالة اللقطات منخفضة الجودة أو غير المتسقة فيزيائيًا، تطوّر نماذج إحصائية دقيقة للواقع الفيزيائي. لقد شاهدت أمثلة كافية على كيفية سقوط ضوء بعد الظهر على سطح من الخرسانة، بحيث تستطيع إعادة إنتاجه دون أن تُخبَر صراحةً بشكل الخرسانة أو بسلوك ضوء الشمس.
💡 الواقعية في نماذج مثل Wan 2.7 T2V ليست مرشحًا يُطبَّق على مخرجات أقل واقعية. إنها نتيجة نموذج استوعب الإحصاءات من الدرجة الثانية للقطات الحقيقية على مستوى لم تستطع النماذج السابقة الوصول إليه.
كان عدم الاتساق الزمني أكثر أنماط الفشل كشفًا في فيديو الذكاء الاصطناعي المبكر. شاهد أمثلة مؤرشفة من عام 2022 وسترى النمط فورًا: وجه يتغير بشكل طفيف بين الإطارات، وخلفية تتحرك قليلًا دون سبب، وظل يظهر ويختفي دون أي علاقة بأي مصدر ضوء.
كان كل إطار معقولًا بمفرده. أما التسلسل فلم يكن كذلك. لم يكن لدى النموذج آلية لفرض الاتساق عبر الزمن، فكان كل إطار سحبًا احتماليًا مستقلًا من توزيع، وهذه التوزيعات لم تكن تتداخل تمامًا.
أنتج هذا الوميض الذي أصبح مرادفًا لفيديو الذكاء الاصطناعي. وكان بعض المشاهدين الأكثر ملاحظة يصفونه ب"تأثير اللوحة الزيتية": الانطباع بأن الشخص موضوع الصورة يُعاد رسمه باستمرار بدلًا من أن يُصوَّر.
لم يكن الحل مجرد إضافة المزيد من الإطارات إلى نافذة السياق. بل تطلّب إعادة التفكير في كيفية تنظيم التمثيلات الداخلية للنموذج عبر الزمن.
تحتفظ النماذج الحديثة مثل Hailuo 02 وPixverse v5 بتمثيل كامن للتسلسل الفيديوي بأكمله، لا لإطارات منفردة. فعند توليد الإطار 47، لا يبدأ النموذج من الصفر. بل يحدّث تمثيلًا موجودًا يشفّر أصلًا الحالة الفيزيائية للمشهد من كل الإطارات السابقة. وهذا يختلف جوهريًا عن التوليد إطارًا تلو الآخر، والفرق يظهر فورًا في المخرجات.
| المشكلة | النهج القديم | الحل الحديث |
|---|---|---|
| وميض الوجوه | توليد إطارات مستقلة | نوافذ الانتباه الزمني |
| تشوه الخلفيات | لا تثبيت مكاني | تثبيت مكاني كامن |
| إضاءة غير متسقة | لا نموذج للضوء | توليد مشروط بالفيزياء |
| تغيّر أشكال الأجسام | لا نموذج للهندسة ثلاثية الأبعاد | تمثيلات ثلاثية الأبعاد ضمنية |
| حركة غير طبيعية | استيفاء إطارات بسيط | أسبقيات حركة قائمة على التدفق |
من بين كل أنماط الفشل في فيديو الذكاء الاصطناعي، لم يكن هناك ما يفضح الأصل المُصطنع بثبات أكثر من الحركة. فالحركة الحقيقية لها وزن وزخم وقصور ذاتي. عندما يجلس شخص ما، تنضغط ملابسه وتتحرك وفق فيزياء محددة. والشعر المتحرك مع الريح ينفصل إلى خصلات فردية بمسارات مستقلة. وتشكّل أسطح السوائل أنماطًا محددة من الاضطراب بحسب اللزوجة والسرعة.
أنتجت النماذج المبكرة حركة معقولة للوهلة الأولى وغير مقنعة عند الفحص. كانت أنماط الحركة التي تعيد إنتاجها متوسطات إحصائية لحركة مُلاحَظة، لا تسلسلات تحكمها الفيزياء. والنتيجة حركة تبدو مختلة قليلًا بطرق يلاحظها المشاهدون بالحدس دون أن يستطيعوا تسميتها بدقة.
يتضمن الجيل الأحدث ما يسميه باحثو الذكاء الاصطناعي أسبقيات الفيزياء الضمنية: تمثيلات مُدمَجة بعمق للقانون الفيزيائي، يبنيها النموذج من التدريب على لقطات للعالم المادي. النموذج لا يشغّل محرك فيزياء. بل يعيد إنتاج البصمات الإحصائية للحركة الصحيحة فيزيائيًا لأنه استوعب لقطات حقيقية كافية لتستوعب تلك البصمات.
ولهذا يتعامل Kling v3 Video مع أمواج المحيط بإقناع، ويُنتج LTX 2 Pro قماشًا يتثنى بصلابة مناسبة، ويستطيع Wan 2.7 I2V أن يحرّك صورة شخصية ثابتة بحركة تحمل الوزن المحدد لجسم حقيقي.
هذه الفكرة مخالفة للبديهة لكنها بالغة الأهمية: النقص معلومة. فاللقطات الحقيقية لا تكون مثالية أبدًا. هناك دائمًا اهتزاز الكاميرا، وتنفّس التركيز، وضبابية الحركة الطبيعية، والحبيبات، والارتجاف الدقيق للكاميرا المحمولة، والتشوهات البصرية عند أطراف العدسة. هذه "العيوب" ليست ضوضاء يجب إزالتها. إنها البصمة البصرية لكاميرا مادية تسجل عالمًا ماديًا.
عندما أنتجت النماذج المبكرة لقطات نظيفة أكثر من اللازم، ومستقرة أكثر من اللازم، ومثالية هندسيًا أكثر من اللازم، شعر المشاهدون البشر بعدم الارتياح. فنظام المعالجة البصرية، المعايَر بعمر كامل من مشاهدة اللقطات الحقيقية، قرأ غياب النقص الطبيعي كإشارة على أن شيئًا ما خاطئ.
تُدرج النماذج الحديثة عيوبًا مضبوطة وواقعية فيزيائيًا: نمط الحبيبات المميز لمستشعر ISO عالٍ، والانجراف الطبيعي للتركيز في عدسة الزووم، والحركة المميزة للقطات المحمولة باليد. هذه ليست عيوبًا. إنها إشارات أصالة استوعبتها أفضل النماذج من التدريب على السينما الحقيقية.
العلاقة المعروفة على نطاق واسع بين حجم البيانات وأداء النموذج حقيقية، لكن الحجم وحده لا يفسّر قفزة الجودة في واقعية فيديو الذكاء الاصطناعي. ما تغيّر إلى جانب الحجم هو التنقيح والدقة.
النماذج المدرَّبة على فيديوهات مُجمَّعة من الويب بدقة 480p تستوعب الإحصاءات البصرية للمحتوى الرديء على الإنترنت: تشوهات الضغط، وتصحيح الألوان الضعيف، وعمل الكاميرا غير المستقر. أما النماذج المدرَّبة على مكتبات منتقاة من لقطات بدقة 4K مصوّرة باحتراف، فتستوعب شيئًا مختلفًا جوهريًا: اللغة البصرية للإضاءة المضبوطة، والحركة المتعمدة للكاميرا، وعلم الألوان الدقيق بصريًا.
وكان التغيير الآخر في جانب البيانات هو نمو مجموعات البيانات الزمنية الموسومة: فيديوهات موسومة بمعلومات عن نوع الكاميرا، والبعد البؤري، وظروف الإضاءة، والخصائص الفيزيائية للأشخاص والأجسام. يتيح هذا الوسم إشارات تدريب تُشرف مباشرة على إعادة النموذج للظواهر الفيزيائية التي تحدد شكل اللقطات الحقيقية.
💡 واقعية Seedance 2.0 نتاج البنية والبيانات معًا. ولم يكن أيٌّ منهما وحده ليُنتج الفجوة النوعية الظاهرة بينه وبين النماذج التي تسبقه بعامين. كان لا بد أن يتحسنا معًا في الوقت نفسه.
Veo 3 هو أكثر نماذج الفيديو قدرة لدى Google، وأحد أكثر الأنظمة المتاحة للعموم واقعيةً كالصور الفوتوغرافية. يولّد فيديو بدقة 1080p مع صوت أصلي، ويُظهر اتساقًا زمنيًا استثنائيًا في مقاطع تصل إلى 8 ثوانٍ. ويحسّن Veo 3.1 سرعة التوليد وتماسك الحركة، بينما يقدّم Veo 3 Fast جودة مماثلة بزمن توليد أقل لسير العمل الإنتاجي الذي يتطلب تكرارًا سريعًا. ويبقى Veo 2 خيارًا قويًا لمن يعطون الأولوية للفيزياء البيئية.
يقدّم Kling v3 Video من Kwai مخرجات بجودة سينمائية مع واحدة من أقوى درجات دقة حركة الإنسان المتاحة. ويأتي Kling v2.6 في المرتبة الأدنى قليلًا ضمن التشكيلة، ويظل ممتازًا لأعمال البورتريه والمواضيع المقرّبة. ولمن يحتاجون إلى تحكم صريح بمسارات الحركة، يتيح Kling v3 Motion Control وKling v2.6 Motion Control توجيهًا دقيقًا لكيفية تحرك الأشخاص والكاميرات داخل المشهد المولَّد.
ينتج Wan 2.7 T2V من Wan Video بدقة 1080p مع معالجة قوية للفيزياء وتفاصيل بيئية متسقة. ويضع Sora 2 معايير للتماسك السردي في المقاطع الأطول. وأصبح Hailuo 02 من Minimax عنصرًا أساسيًا في الإنتاج لمخرجات سريعة وعالية الجودة، ويدفع Hailuo 2.3 الواقعية البيئية أبعد مع كل إصدار.
يتخصص LTX 2 Pro من Lightricks في فيديو 4K الأصلي مع عرض استثنائي لملمس الأسطح، ما يجعله الخيار الأول عندما تكون التفاصيل الدقيقة هي الأولوية. وينتج Seedance 1.5 Pro فيديو واقعيًا كالصور الفوتوغرافية مع صوت متزامن من أمر نصي واحد، ما يجعله واحدًا من أكثر المخرجات اكتمالًا وجاهزية للإنتاج في الجيل الحالي. ويدفع LTX 2.3 Pro مخرجات 4K أبعد مع تحكم أدق في الحركة وتقليل للتشوهات عند التفاصيل العالية.
الخطأ الأكثر شيوعًا عند كتابة الأوامر النصية لنماذج الفيديو هو الغموض. فعبارة "شخص يمشي في مدينة" تمنح النموذج مساحة واسعة جدًا. يملأ الفراغات بمتوسطات إحصائية، والمتوسطات لا تنتج واقعية.
تحتاج الأوامر النصية الواقعية إلى دقة سينمائية. قارن بين هذين النهجين:
ضعيف: "امرأة تمشي في مدينة ليلًا"
قوي: "امرأة في أواخر الثلاثينات من عمرها تمشي في شارع لندني مبلّل بالمطر الساعة 11 ليلًا، وأضواء الشوارع ذات بخار الصوديوم تنعكس على برك ضحلة فوق الإسفلت المبتل، ومعطفها الصوفي الداكن رطب قليلًا بمطر خفيف، وحركة طبيعية خفيفة للكاميرا المحمولة باليد، وعدسة مكافئة 85 ملم، وعمق ميدان ضحل مع خلفية ضبابية من واجهات المحلات، وتكاثف بخار التنفس في الهواء البارد، واقعي كالصور الفوتوغرافية، 1080p سينمائي"
يشفّر الأمر النصي الثاني ظواهر فيزيائية. فالنموذج شاهد لقطات حقيقية كافية لهذه الظروف ليعيد إنتاجها بدقة. أما الأول فيترك هذه المتغيرات للصدفة.
استخدم هذا الهيكل للحصول على مخرجات واقعية باستمرار:
تتفاوت النماذج المختلفة في نقاط قوتها بحسب فئات المحتوى:
| نوع المحتوى | النموذج الموصى به | السبب |
|---|---|---|
| أشخاص وبورتريهات | Kling v3 Video | أقوى دقة لحركة الإنسان |
| بيئات طبيعية | Veo 3 | أفضل فيزياء بيئية |
| مخرجات سريعة بدقة 1080p | Hailuo 02 Fast | السرعة مع أقل خسارة ممكنة في الجودة |
| أعمال التفاصيل بدقة 4K | LTX 2 Pro | توليد ملمس 4K أصلي |
| تحريك صورة ثابتة | Wan 2.7 I2V | تحويل الصورة إلى فيديو بتماسك قوي |
| مقاطع سينمائية مع صوت | Seedance 1.5 Pro | مزامنة صوت أصلية |
لأقصى تحكم في الواقعية، فإن الطريقة الأكثر موثوقية تبدأ بصورة ثابتة. ولّد مشهدك كصورة ثابتة عالية الجودة أولًا، ثم استخدم نماذج تحويل الصورة إلى فيديو مثل Wan 2.7 I2V أو Kling v2.6 Motion Control لتحريكها. يمنحك هذا تحكمًا بصريًا كاملًا في الجماليات قبل الالتزام بتوليد الحركة.
💡 عند استخدام Ray من Luma أو Pixverse v5، تحافظ المقاطع القصيرة باستمرار على التماسك الزمني أفضل من الطويلة. فالمقاطع من أربع إلى ست ثوانٍ بجودة عالية تتفوق عادةً على مقاطع مدتها ثماني ثوانٍ بإعدادات مماثلة.
الحد الفاصل بين الفيديو الحقيقي وفيديو الذكاء الاصطناعي أرقّ الآن من أي وقت مضى، وكل إصدار رئيسي لنموذج يضيّقه أكثر. الأسس التقنية التي دفعت هذه القفزة، أي الانتباه المكاني الزمني، وأسبقيات الفيزياء الضمنية، وبيانات التدريب المنتقاة عالية الدقة، وشبكات إزالة الضوضاء ذات المليارات من المعاملات، لا تزال جميعها تتحسن وفق مساراتها الخاصة. ومن المرجح أن تصبح النماذج التي تمثل الطليعة اليوم خط الأساس خلال 12 إلى 18 شهرًا.
النتيجة العملية أن نافذة بناء إتقان حقيقي لهذه الأدوات، وهي ما تزال جديدة بما يكفي لمنح ميزة إبداعية، هي الآن بالتحديد. فصنّاع الأفلام والمسوّقون وصنّاع المحتوى الذين يخصصون الوقت لدراسة ما تستجيب له هذه النماذج، ويطوّرون الدقة في الأوامر النصية التي تفصل المخرجات الرائعة عن المتوسطة، سيكونون في موقع أفضل بكثير مع تحوّل فيديو الذكاء الاصطناعي إلى أداة إنتاج قياسية.
كل نموذج تناوله هذا المقال متاح مباشرة على Picasso IA، دون الحاجة إلى إعداد API أو تثبيت محلي. اختر النموذج الذي يناسب موضوعك، واكتب أمرًا نصيًا يشفّر الدقة الفيزيائية، وشاهد كيف تبدو حالة التقنية الراهنة فعليًا. من المرجح أن تكون المخرجات أكثر إقناعًا مما تتوقع، لأن هذا بالضبط ما حدث للتو.
اختر لغتك
