تسهّل الاتصالات المتكررة تمييز الأشياء المغطاة عبر آلية «الشرح والإلغاء»

كيف ترى الدماغ ما ليس موجودًا

في حياتنا اليومية، نميز بسهولة الأشياء المحجوبة جزئيًا — قطة خلف ستارة، سيارة خلف شجرة. تسأل هذه الورقة كيف تنجح الأدمغة، والشبكات الاصطناعية المستلهمة من الدماغ، في هذه المهمة. يبيّن المؤلفون أن الدوائر التي تحتوي على حلقات تغذية راجعة يمكنها استخدام معلومات عن الكائن المُعيق لِـ«ملء» ما خلفه ذهنيًا، كاشفة خدعة أساسية قد يعتمد عليها نظامنا البصري عندما يكون العالم مزدحمًا وغير مكتمل.

لماذا تعتبر الأشياء المخفية مشكلة صعبة

عندما يكون الكائن مغطى، تختفي أو تتشوه العديد من ميزاته البصرية الاعتيادية. يجب على نظام بصري بسيط ذو مسار أمامي فقط، حيث تتدفّق المعلومات مباشرة من العين إلى مراكز التعرف، أن يخمن الكائن المخفي اعتمادًا على الشظايا المرئية فحسب. الأدمغة البيولوجية، مع ذلك، مليئة بالوصلات المتكررة — حلقات حيث تتواصل المناطق العليا مع المبكرة. لطالما كان يُشتبه في أن هذه الحلقات تساعد في مهام صعبة مثل تمييز الأشياء المغطاة، لكن لم يكن واضحًا بالضبط ما الفائدة التي توفرها أو كيف تغير التمثيلات الداخلية لما نراه.

اختبار الشبكات المستوحاة من الدماغ

بنَى المؤلفون مجموعة واسعة من الشبكات الالتفافية العميقة التي تحاكي مراحل المعالجة البصرية. بعضها كان أماميًا بحتًا، والبعض الآخر احتوى حلقات متكررة أو تغذية راجعة علوية إضافية. درّبوا هذه النماذج على مجموعات صور مخصّصة حيث يغطي عنصر أزياء واحد جزئيًا آخر. كان على الشبكات تحديد كلًا من الكائن الأمامي (المعيق) والخلفي (المغطى) ضمن إعدادات مهام مختلفة. اعتمد الأداء بشكل أقل على كون الشبكة متكررة أو أمامية، وبشكل أكبر على «العمق الحسابي» لها — عدد خطوات المعالجة المتتالية التي يمر بها المدخل. استطاعت النماذج العميقة ذات المسار الأمامي منافسة أو التفوّق على المتكررة في مهمة التعرف الأساسية، مما يبيّن أن التكرار ليس متفوقًا تلقائيًا بحد ذاته.

حيلة خاصة: إلغاء تأثير المُعيق عن طريق الشرح

على الرغم من أن العمق كان الأهم بالنسبة للدقة الخام، أظهرت الشبكات المتكررة ميزة مميزة في كيفية استخدامها للسياق. عندما طُلب من هذه الشبكات أن تعرف أولًا الكائن الأمامي ثم بعد ذلك الكائن المخفي، تحسّن أداؤها على الكائن المخفي مقارنةً عندما صنّفته وحده. لم يظهر هذا النمط في الشبكات الأمامية العادية التي تُخرج كلا الوسميْن معًا دفعة واحدة. يفسّر المؤلفون هذا بـ«الشرح والإلغاء»: بمجرد أن يتعرّف النظام على المُعيق، يمكنه اعتبار السمات الغريبة أو المفقودة في الصورة ناجمة عن ذلك المعوق، بدلًا من اعتبارها دليلاً على وجود كائن جديد غريب. في مشاهد ثلاثية الأبعاد أكثر واقعية وفي نموذج مستلهم من الرئيسيات (CORnet)، عزز نفس الترتيب — الكائن الأمامي قبل الكائن المخفي — أيضًا عملية التعرف.

رؤية نفس التأثير في البشر

لسؤال ما إذا كان البشر يستخدمون استراتيجية مشابهة، أجرى الباحثون تجربة عبر الإنترنت. رأى المشاركون لفترة وجيزة كائنًا واحدًا، ثم مشهدًا حيث يغطي كائن واحد آخر، وعليهم أخيرًا اختيار أيّ من خيارين كان الكائن المخفي. في بعض التجارب، كان الكائن الأحادي الابتدائي هو نفسه المُعيق اللاحق؛ وفي تجارب أخرى لم يكن ذا صلة. عندما شاهد الناس للتو المُعيق الفعلي، عرّفوا الكائن المخفي بدقة أكبر واستجابوا أسرع، عبر مستويات تغطية مختلفة. هذا يوحي بأن أدمغتنا، مثل الشبكات المتكررة، تستفيد من معالجة العنصر المعيق أولًا ثم استخدام تلك المعرفة لتفسير الأدلة الجزئية عما يكمن خلفه.

إعادة بناء الصور المخفية من الداخل

للتعمق في الآلية، صمّم المؤلفون نموذجًا أكثر استلهامًا بيولوجيًا، Recon-Net، مبنًى بشكل غير صارم على التفاعلات بين القشرة البصرية والقشرة الجبهية الأمامية. تستقبل Recon-Net صورة تحتوي على كائن مغطى بالإضافة إلى عرض منفصل للمُعيق وتحوّل تمثيلًا داخليًا بشكل تكراري حتى يطابق ما يجب أن تبدو عليه نسخة غير مغطاة من الكائن المخفي. اللافت أن المصنّفات المدربة فقط على صور نظيفة وغير مغطاة تستطيع تمييز مخرجات Recon-Net تقريبًا بنفس جودة إن كانت قد دُرّبت مباشرة على أمثلة مغطاة. وهذا يعني أن المعالجة المتكررة تُعيد فعليًا «تكوين» صورة داخلية نظيفة للكائن المخفي، رغم اختفاء البيكسلات في الصورة الخارجية.

ما الذي يعنيه هذا للأدمغة والآلات

بشكل عام، تُظهر الدراسة أن حلقات التغذية الراجعة ليست مجرد عامل أداء خام، بل تمثل طريقة ذات نوعية مختلفة لاستخدام السياق. تدعم الاتصالات المتكررة بطبيعتها آلية الشرح والإلغاء: فهي تتيح للنظام البصري أن يحسب كيف يشوه المُعيق ما نراه وأن يستعيد تمثيلًا داخليًا ثابتًا للكائن المخفي. في الوقت نفسه، يجد المؤلفون أن التدريب على صور مغطاة بشدة قد يترك الاستجابات للصور الواضحة دون تغيير كبير، مما قد يُسهّل التعلم في الأدمغة الحقيقية بتجنب إعادة توصيل مستمرة. تشير هذه الرؤى إلى مبدأ مشترك لكل من علم الأعصاب والذكاء الاصطناعي: عندما يخفي العالم معلومات، لا تكتفي الأنظمة الذكية بالنظر بجهد أكبر — بل تستنتج سبب اختفائها.

الاستشهاد: Kang, B., Midler, B., Chen, F. et al. Recurrent connections facilitate occluded object recognition by explaining-away. Nat Commun 17, 2225 (2026). https://doi.org/10.1038/s41467-026-68806-5

الكلمات المفتاحية: تمييز الأشياء المغطاة, الشبكات العصبية المتكررة, الإدراك البصري, الشرح والإلغاء, علم الأعصاب الحسابي