مولدات الفيديو بالذكاء الاصطناعي غير الخاضعة للرقابة: ماذا يحدث عندما يزيل الذكاء الاصطناعي لتحويل النص إلى فيديو الفلاتر؟

هناك نوعٌ خاص من الإحباط لا يفهمه حقًا إلا من يختبرون أدوات الذكاء الاصطناعي لكسب عيشهم. تجلس أمام منصة جديدة، وتكتب شيئًا جريئًا، كما هو الحال غالبًا مع الأعمال الإبداعية المثيرة للاهتمام، فينظر إليك النظام بنظرةٍ رقمية أشبه بهز الكتفين، ويرفض طلبك. ليس لأن ما طلبته كان ضارًا، ولا لأنه يخالف أي قاعدة منطقية، بل لأن أحدهم قرر، في أعماق بنية النظام، أن الغموض مكلفٌ للغاية، فقام بتوسيع نطاق المحتوى ليشمل كل ما هو غير تقليدي.

لقد تكرر الأمر مراتٍ عديدة لدرجة أنني توقفت عن العد بعد المنصة الثالثة التي اختبرتها بجدية. وما يصيبك وأنت تحدق في رسالة الرفض تلك للمرة التي تبدو وكأنها المئة، ليس الغضب تحديدًا. إنه شيء أبطأ وأكثر إرباكًا من الغضب. إنه دوارٌ خاصٌّ ناتجٌ عن معرفة أن الجهاز الذي يقف وراء الواجهة قادرٌ تمامًا على فعل ما طلبته. يمكنك أن تشعر بذلك، كما تشعر أن بابًا مغلقًا ليس عالقًا بل مغلقٌ عمدًا. النموذج موجود. القدرة موجودة. ما يقف بينك وبين النتيجة ليس قيدًا تقنيًا، بل قرارٌ اتخذه أشخاصٌ لن تقابلهم أبدًا، في اجتماعٍ لم تُدعَ إليه، حول ما يُسمح لشخصٍ مثلك بطلبه وما لا يُسمح. لقد رسموا خطهم بعيدًا عن أي شيءٍ خطيرٍ حقًا، وانتهى بك الأمر على الجانب الخطأ منه على أي حال، ليس بسبب ما أردته، بل بسبب ما بدا عليه طلبك لنظامٍ مُدرَّبٍ على الخوف من التشابه. أنت ضحيةٌ جانبية.

لا تتقلص الفجوة بين إمكانيات هذه الأنظمة الفعلية وما تسمح به الجهات المسؤولة عنها. بل على العكس، تتسع هذه الفجوة، وهذا تحديدًا ما يفسر تزايد عمليات البحث عن مولدات فيديو تعمل بالذكاء الاصطناعي دون رقابة، وعن برامج تحويل النصوص إلى فيديو بدون قيود، وعن أدوات تولد الفيديو دون العائق الخفي الذي يواجهه معظم المستخدمين قبل حتى أن يدركوا وجوده، بشكل مطرد لم تستطع أي تحديثات للخوارزميات إيقافه. هذا السلوك البحثي ليس مجرد فضول، بل هو رغبة حقيقية. إنه يعكس تجربة مستخدمين سبق لهم تجربة توليد الفيديو بالذكاء الاصطناعي عندما يعمل بكفاءة، ويريدون معرفة كيف سيكون الأمر عندما لا يكون هناك أي عائق أمامهم.

هذا السؤال هو ما بُنيت عليه هذه القطعة: من أين يأتي السقف، وما هي تكلفته الإبداعية، وكيف يبدو المشهد بالنسبة للأشخاص الذين قرروا التوقف عن قبوله كأمر مسلم به.

ما هو مولد الفيديو بالذكاء الاصطناعي غير الخاضع للرقابة؟

مولد الفيديو بالذكاء الاصطناعي غير الخاضع للرقابة هو نظام مصمم لإنتاج محتوى فيديو من نصوص مكتوبة دون تطبيق فلاتر الرقابة الصارمة التي تفرضها معظم منصات الذكاء الاصطناعي السائدة. في حين أن شركات الذكاء الاصطناعي الكبرى تقيد بشدة ما يمكن لنماذجها إنتاجه، فإن منظومة متنامية من الأدوات التجريبية والمنصات المستقلة والنماذج مفتوحة المصدر تعمل بقيود أقل بكثير، مما يتيح للمستخدمين الوصول إلى نطاق أوسع من المخرجات الإبداعية مقارنةً بما تسمح به منصات الشركات الكبرى عادةً.

يشمل هذا المصطلح عدة تكوينات متباينة تقنيًا. بعض الأدوات غير الخاضعة للرقابة هي منصات سحابية تتبنى سياسات إشراف أقل صرامة من منافسيها الرئيسيين. بينما تعتمد أدوات أخرى على نماذج مفتوحة المصدر يقوم المستخدمون بتثبيتها محليًا على أجهزتهم الخاصة، خارج نطاق البنية التحتية لخوادم أي شركة، حيث لا توجد سياسة محتوى مركزية لتقييم أو رفض أي طلب. وهناك أدوات أخرى تقع بين هذين النوعين: منصات مستضافة مبنية على نماذج أساسية أقل تقييدًا، مصممة خصيصًا لحالات استخدام إبداعية لا تخضع لسيطرة الشركات الكبرى.

يُعدّ فهم نوع النظام الذي تتعامل معه أمراً بالغ الأهمية من الناحية العملية، لأنّ المرونة التي يوفرها كل تكوين، والمفاضلات التي ينطوي عليها، تختلف اختلافاً جوهرياً. ويتناول باقي هذا المقال كل ذلك بالتفصيل.

يُعدّ هذا التباين أهمّ ما يحدث في هذا المجال حاليًا. ففي السنوات الأولى من ظهور تقنية توليد الفيديو بالذكاء الاصطناعي، كان السؤال حول ما يمكن لهذه الأنظمة إنتاجه، والسؤال حول ما تسمح به أي شركة لإنتاجه، متطابقين. أما الآن، فقد تغيّر الوضع، وتتسع الفجوة بينهما كل ثلاثة أشهر.

يكمن المحرك وراء هذا التحول في بيئة متطورة من نماذج المصادر المفتوحة القادرة على العمل بالكامل على الأجهزة المحلية، حيث لا يوجد خادم بعيد يُقيّم طلبك ولا توجد سياسة منصة تفصلك عن المخرجات. وبحلول أوائل عام 2026، وصلت العديد من هذه النماذج إلى مستوى جودة يجعل مقارنتها بالبدائل السحابية تنافسية حقيقية وليست مجرد طموح.

وان 2.1

تعتمد تقنية WAN 2.1 والإصدارات اللاحقة لها من علي بابا على ذاكرة وصول عشوائي للفيديو (VRAM) لا تتجاوز 8 إلى 12 جيجابايت، مما يجعلها في متناول الأجهزة الاستهلاكية التي يمتلكها بالفعل جزء كبير من المبدعين المحترفين. تُوازن هذه التقنية بين جودة الإنتاج والتكلفة الحسابية بطرق لم تُحققها النماذج المفتوحة السابقة بكفاءة، وتتميز مخرجاتها بجودة عالية، خاصةً في مجال الحركة السينمائية واستمرارية المشاهد. وقد سهّلت واجهات المستخدم مثل ComfyUI عملية النشر المحلي، بحيث لم يعد تجاوز العائق التقني، وإن كان لا يزال قائماً، يتطلب خبرة في مجال التعلم الآلي.

إل تي إكس-2

يعمل جهاز LTX-2 من شركة Lightricks بمستوى طموح مختلف تمامًا. فهو يدعم دقة 4K الأصلية، ومعدلات إطارات تصل إلى 50 إطارًا في الثانية، وتوليد صوت متزامن، بالإضافة إلى رخصة Apache 2.0 التي تمتد للاستخدام التجاري: هذه مواصفات إنتاجية عالية الجودة في نموذج قابل للنشر محليًا، وهو ما كان سيمثل مزيجًا غير وارد في السابق.teen قبل أشهر. بالنسبة للمبدعين الذين يحتاجون إلى الاتساق والتحكم في المخرجات دون الاعتماد على السحابة، فإنه يحتل حاليًا مكانة متقدمة بين ما هو متاح عمليًا.

سكاي ريلز

يتخصص برنامج SkyReels، المبني على أسس مثل HunyuanVideo والمُحسّن باستخدام مجموعات بيانات ضخمة من الأفلام والمسلسلات التلفزيونية، في المجال الذي تعاني فيه معظم النماذج مفتوحة المصدر بشكل واضح: وهو تصوير الشخصيات البشرية بواقعية عبر الإطارات. يتطلب البرنامج ذاكرة وصول عشوائي للفيديو (VRAM) أكبر، تتراوح بين 14 و24 جيجابايت حسب التكوين، ولكن بالنسبة للأعمال التي تركز على الشخصيات، فإن مخرجاته تبرر الاستثمار في الأجهزة بطرق لا تستطيع النماذج الأخف وزنًا مجاراتها حاليًا.

موتشي 1

يُعالج برنامج Mochi 1 من شركة Genmo المشكلة من خلال بنية محوّل الانتشار، مما يُقلّص جزءًا كبيرًا من فجوة الجودة مع النماذج التجارية المغلقة. ويُعدّ اعتماده السريع من بين الأقوى في مجال المصادر المفتوحة، وهو أمرٌ بالغ الأهمية عمليًا، لأنّ النموذج الذي يُنتج ما طلبته بدقةٍ وموثوقيةٍ أفضل من النموذج الذي يُنتج أحيانًا نتائج استثنائية، وغالبًا ما يُنتج نتائج قريبة من المطلوب.

يتم الوصول إلى كل هذه العناصر عادةً من خلال واجهات مثل comfyUI, بينوكيو، أو العرف Gradio التطبيقات. نظرًا لأنها تعمل محليًا، فإن القيود الوحيدة على ما تُنتجه هي ما كان موجودًا أو غائبًا في بيانات التدريب الأساسية. لا يمكن لأي منصة رفض طلبك. لا توجد طبقة إشراف بين مدخلاتك ومخرجاتك. يتطور النظام البيئي بسرعة كبيرة لدرجة أن اعتبار أي إصدار محدد نهائيًا هو خطأ. وجه يعانق وتوجد في مستودعات GitHub ذات الصلة الأوزان الحالية، والتعديلات الدقيقة التي يجريها المجتمع، والوثائق المحدثة فعليًا.

يعني هذا عمليًا أن مولد الفيديو بالذكاء الاصطناعي غير الخاضع للرقابة لم يعد فئة نظرية، بل هو مجموعة من الأدوات المحددة ذات متطلبات أجهزة محددة ومواصفات جودة محددة، وهي متاحة الآن، وتتحسن باستمرار، ولا تخضع لأي شيء سوى جهازك الخاص.

لتوضيح المشهد، إليك مقارنة سريعة للأنواع الرئيسية من "غير الخاضعة للرقابة"الترتيبات التي يواجهها الناس في مارس 2026:

كيف يقوم الذكاء الاصطناعي بتحويل النص إلى فيديو فعلياً بإنشاء الفيديو

الآليات الكامنة وراء السحر

للوهلة الأولى، يبدو نظام تحويل النص إلى فيديو وكأنه يقوم بشيء بسيط للغاية: تصف شيئًا ما، فيظهر. تبدو المسافة بين المدخلات والمخرجات فورية، تكاد تكون عفوية، كأنك تُملي على رسام موهوب يعمل بسرعة خارقة. لكن ما يخفيه هذا الانطباع هو سلسلة من العمليات المعقدة لدرجة تجعل هذا المظهر العفوي يبدو وكأنه معجزة صغيرة. شيء ما يتلاشى لحظة عبور كلماتك تلك العتبة. تدخل الكلمات كلغة وتخرج كشيء بناه النظام من بقاياها، ليس ترجمة بقدر ما هو استخراج.

لا يعالج النموذج جملتك بالطريقة التي يعالجها القارئ، متتبعًا المعنى من اليسار إلى اليمين حتى يصل إلى النقطة. بل يُجزّئها إلى مكوناتها الأساسية: الدلالة العاطفية الكامنة وراء الأسماء، والوزن البصري الذي توحي به اختيارات الأفعال، والفراغ بين ما حددته وما تركته مفتوحًا. كل ذلك يُجمع في آنٍ واحد، ويُوازن فيما بينه، ويُدمج في مجموعة من الإحداثيات التي لا تصف مكانًا بقدر ما تُشير إليه. المشهد الذي كنت تتخيله لم يكن موجودًا في جملتك، بل كان خلفها، في بنية الإيحاء، وما يُنتجه النموذج هو أفضل إعادة بناء لغرفة استنتجها من صدى كلماتك على الجدران.

تتراكم الإطارات. وتظهر الحركة. ما تحصل عليه في النهاية هو مقطع فيديو تخيله الذكاء الاصطناعي بناءً على كل ما رآه على الإطلاق والتعليمات المحددة التي قدمتها له.

يُعرف هذا المجال رسميًا باسم "تحويل النص إلى فيديو"، ويقع عند تقاطع مجالات رؤية الحاسوب، ومعالجة اللغة الطبيعية، والنمذجة التوليدية. كما أنه يُعدّ من أكثر المهام استهلاكًا للموارد الحاسوبية التي يُمكن تكليف نظام الذكاء الاصطناعي بها، وهذا أحد أسباب استمرار قياس مخرجاته بالثواني بدلًا من الساعات.

مشكلة الاتساق التي لا يتحدث عنها أحد بما فيه الكفاية

إن توليد صورة واحدة جذابة أمر صعب. أما توليد خمسين صورة متتالية متماسكة بما يكفي لقراءتها كمشهد واحد متصل، فهو تحدٍ مختلف تماماً.

يجب أن تتطابق كل لقطة مع سابقتها. يجب أن يكون مصدر الضوء في نفس الموضع. يجب أن يكون وجه الشخصية في اللقطة الثامنة والثلاثين هو نفسه الوجه في اللقطة الثالثة، بحيث يمكن تمييزه بوضوح. لا يمكن للأشياء أن تغير شكلها بشكل عشوائي بين اللقطات. يجب أن تتبع قوانين الفيزياء، حتى الفيزياء المُنمّقّة، منطقًا داخليًا متسقًا تقبله العين البشرية على أنه معقول.

هنا تكشف معظم الأنظمة عن قصورها، ليس من خلال فشل ذريع، بل من خلال انحرافات طفيفة، من النوع الذي يُسجّل خطأً قبل أن تتمكن من شرح سببه. وهنا أيضاً تبرز الفجوة بين أفضل النماذج المتاحة وبقية الأنظمة بشكلٍ جليّ. لقد أمضيتُ وقتاً طويلاً مع مجموعة من هذه الأنظمة، وهذه الفجوة حقيقية وقابلة للقياس، وتتقلص بوتيرة أسرع مما توقعتُ عند بدء هذا العمل.

الحركة لغة لا يزال الذكاء الاصطناعي يتعلمها

هناك طبقة في عملية توليد الفيديو نادرًا ما تُناقش في التغطية التي تركز على المخرجات والعروض التوضيحية: طبقة نمذجة الحركة، حيث لا يقتصر دور النظام على التنبؤ بمظهر الأشياء فحسب، بل يتعداه إلى التنبؤ بسلوكها مع مرور الوقت. كيف تتحرك الملابس عندما يغير الجسم موضعه؟ كيف يُعيد الوجه تشكيل نفسه من خلال تعبيرات الوجه بدلًا من مجرد الانتقال بين حالتين ثابتتين؟ كيف يُترجم الوزن والزخم إلى طريقة سقوط الأشياء، أو توقفها، أو دورانها؟

الأنظمة التي تُنتج فيديوهات أكثر إقناعًا استثمرت بكثافة في هذا الجانب. أما الأنظمة التي تُنتج محتوى يبدو غير متناسق، معقولًا في كل إطار على حدة ولكنه غير مقنع أثناء الحركة، فهي تلك التي تفتقر إلى هذا الاستثمار أو يكون استثمارها غير كافٍ. في رأيي، هذا هو الجانب الأقل تقديرًا في جودة إنتاج الفيديو.

لماذا تستخدم معظم مولدات الفيديو المدعومة بالذكاء الاصطناعي المرشحات؟

المسؤولية المتخفية في ثوب المبدأ

لا تُعدّ أنظمة الإشراف المُدمجة في منصات الفيديو المدعومة بالذكاء الاصطناعي السائدة مجرد أدوات أخلاقية، بل هي في جزء كبير منها بنية قانونية وسمعية. لا يُمكن للشركات العاملة في عشرات الدول أن تكتشف، بعد فوات الأوان، أن أدواتها قد أنتجت محتوىً يُعاقب عليه القانون في دولة لم تكن قد أخذته في الحسبان. يكمن الحل في بناء فلاتر مُحكمة بما يكفي لتوفير هامش أمان مناسب في كل مكان في آن واحد.

ما يرصده المخزن المؤقت في الواقع ليس الخطر. فالخطر هدف صغير، وهذه الأنظمة ليست أدوات دقيقة. إنها شبكات واسعة تُسحب عبر اللغة، وما يظهر فيها هو كل ما يتطابق نمطه مع شيء قرر أحدهم حظره، بغض النظر عما إذا كان التشابه ذا دلالة. سرد معقد أخلاقياً. مشهد يتطلب الظلام ليكون صادقاً. طلب ​​غريب أسلوبياً بما يكفي ليُقرأ على أنه مثير للريبة بالنسبة لنظام تعلم الحذر من الأمثلة لا من المبادئ.

لا يُعدّ أيٌّ من هذه الأمور ضارًّا بالمعنى العمليّ للكلمة، لكنّها تتشابه ظاهريًّا مع أمورٍ أخرى قد تُثير الجدل. لم يكن هدف واضعي هذه القواعد خنق رؤية مخرج سينمائي أو منع كاتب من كتابة مشهدٍ غير مريح. بل جلسوا ومعهم مذكرة قانونية، وقائمةٌ بسيناريوهات المسؤولية، والإرهاق الشديد الذي يُصيب من يحاول تطبيق سياسةٍ واحدةٍ في ثلاثين بيئةً تنظيميةً تختلف في تعريفها للضرر.

القواعد التي انبثقت عن تلك العملية ليست قاسية. إنما كُتبت على مستوى يُخفي النية الإبداعية الفردية، حيث يُقرأ كل ما هو أدنى من عتبة معينة من التقليدية على قدم المساواة مع كل ما هو أدنى منها، وحيث تقع مسؤولية استيعاب الأضرار الجانبية لهذا التسطيح على عاتق غيرنا. تتراكم هذه الأضرار بهدوء. رفض هنا، وعرقلة هناك، ومخرجة تُعيد توجيه مسارها متجاوزةً قيدًا لم يكن مُخصصًا لها أصلًا. ليس هذا خللًا في أي نظام يُتابعه أحد. إنها ببساطة ضريبة العمل الإبداعي لوجوده في بيئة لم تُبنَ عليها البنية التحتية القانونية لفهمها.

هذا ليس دفاعاً عن المنصات التي تحجب ما لا ينبغي لها حجبه، بل هو شرح لأسباب قيامها بذلك، لأن فهم الآلية ضروري لفهم ما تمثله البدائل غير الخاضعة للرقابة في الواقع.

الفرق بين المرشحات السطحية والمرشحات الهيكلية

أحد الأمور التي تخطئ فيها معظم التغطيات الإعلامية حول الإشراف على المحتوى باستخدام الذكاء الاصطناعي: ليست كل المرشحات من نفس النوع.

تُطبَّق بعض أنظمة الإشراف على مستوى المنصة، فوق نموذج غير مقيد. تقوم هذه الأنظمة بفحص الرسائل، وتحديد الأنماط، ورفض إنشاء المحتوى قبل بدء العملية. نظرياً، يمكن إزالة هذه الأنظمة أو تجاوزها من قِبل شخص لديه وصول مباشر إلى النموذج الأساسي.

تُدمج قيود أخرى في النموذج نفسه أثناء التدريب. تُستبعد أنواع معينة من المحتوى بشكل منهجي من بيانات التدريب، مما يعني أن النموذج لا يكتسب القدرة على توليدها مهما طلب المستخدم. لا يوجد فلتر لإزالته لأن هذه القدرة غير موجودة على المستوى المعماري.

عندما يبحث المستخدمون عن مولدات فيديو ذكاء اصطناعي غير خاضعة للرقابة، فإنهم غالبًا ما يصفون كلا الحالتين دون التمييز بينهما. وهذا التمييز مهم عمليًا: فقد يتصرف نموذج مُثبَّت محليًا، بعد إزالة المرشحات الخاصة بالمنصة، بشكل مختلف تمامًا عما يتوقعه المستخدمون إذا تم تدريب النموذج الأساسي بشكل متحفظ منذ البداية.

ما الذي تعنيه عبارة "غير خاضع للرقابة" هنا؟

ثلاثة أشياء مختلفة تحمل نفس العلامة

إن كلمة "غير خاضعة للرقابة" تلعب دوراً بالغ الأهمية في هذا الحوار، ومن الجدير بالتريث ودراسة ما تحمله في الواقع.

بالنسبة لفئة من المستخدمين، لا يعني المحتوى غير الخاضع للرقابة أكثر من نظام يُقيّم الطلبات الإبداعية بناءً على محتواها الفعلي لا على شكلها الظاهري. منصة تتفاعل مع سردٍ قاتم، أو سيناريو مُلتبس أخلاقيًا، أو فكرة غير تقليدية من الناحية الجمالية، دون أن تُغلق تلقائيًا لمجرد أن الموضوع يُشبه شيئًا محظورًا. هذا توقع منطقي يُعبّر عن شريحة واسعة من المستخدمين المُحبطين، ولكنهم مُحقّون تمامًا.

أما بالنسبة لفئة أخرى، فيشير مصطلح "غير خاضع للرقابة" تحديدًا إلى المحتوى المخصص للبالغين، أي المواد الجنسية الصريحة التي تستبعدها المنصات الرئيسية بشكل قاطع. وهذه حالة استخدام مميزة لها منصاتها الخاصة، ومجتمعاتها الخاصة، ومنطقها الاقتصادي الخاص، وخضوعها لرقابة خاصة. سنتناول بالتفصيل مشهد مولدات الفيديو بالذكاء الاصطناعي غير المناسبة للعمل في مقالات مخصصة في مكان آخر على هذا الموقع، بما في ذلك تصنيف محدّث بانتظام للمنصات التي تستحق وقتك حاليًا، والمبنية على نفس منهجية الاختبار التي نطبقها على كل شيء هنا.

أما بالنسبة للفئة الثالثة، فإن جاذبيتها فلسفية أكثر: فضول حول ما تحتويه هذه الأنظمة بالفعل، وما هي قادرة عليه عند رفع القيود، باعتبارها نافذة على طبيعة التكنولوجيا نفسها بدلاً من أي هدف محتوى محدد.

التحول إلى المصادر المفتوحة

إن أهم تطور هيكلي في مجال فيديوهات الذكاء الاصطناعي غير الخاضعة للرقابة ليس منصةً أو إصدارًا محددًا من النماذج، بل هو النضج التدريجي لنماذج توليد الفيديو مفتوحة المصدر التي يمكن تشغيلها على أجهزة شخصية، خارج نطاق البنية التحتية لخوادم أي شركة، ودون وجود طبقة إشراف مركزية تتخذ قرارات بشأن ما يُسمح للمستخدمين بطلبه.

عند تشغيل نموذج محليًا، يكون التعديل الوحيد المتاح هو ما تم تضمينه في النموذج أثناء التدريب. تختفي قيود مستوى المنصة تمامًا لعدم وجود منصة. ما يتبقى هو القدرة الخام للنموذج نفسه، والتي يمكن الوصول إليها من خلال واجهات يقوم مجتمع المصادر المفتوحة بإنشائها وصيانتها بشكل مستقل عن الباحثين الأصليين.

هذا تحوّلٌ هام. فهو يعني أن مسألة ما يمكن أن ينتجه توليد الفيديو بالذكاء الاصطناعي باتت منفصلةً بشكلٍ متزايد عن مسألة ما ترغب أي شركة في السماح لمنصتها بإنتاجه. كان هذان السؤالان يحملان الإجابة نفسها خلال السنوات الأولى من ظهور هذه التقنية، لكنهما لم يعودا كذلك.

البنى المختلفة لتوليد الفيديو بالذكاء الاصطناعي

تحويل النص إلى فيديو: توليد خالص من اللغة

يُعدّ تحويل النص الكامل إلى فيديو، حيث يكون النص المكتوب هو المدخل الوحيد ويقوم النظام بإنشاء المخرج المرئي بالكامل، العملية الأكثر تطلبًا من الناحية التقنية والأكثر تفاوتًا في الجودة. السقف استثنائي. الأرضية غريبة حقًا، أشبه بحلمٍ انطباعي محموم حيث الفيزياء مجرد زخرفة والتشريح قابل للتفاوض.

أفضل الأنظمة التي اختبرتها تُنتج مقاطع فيديو قصيرة تتميز بتناسق الحركة والاتساق البصري، وهو أمر كان مستحيلاً قبل عامين. أما أسوأها، فتُنتج مخرجات لا تُثير الاهتمام إلا كدليل على قصور هذه الأنظمة، بدلاً من كونها محتوىً مفيدًا. يتفاوت مستوى هذه الأنظمة بشكل كبير، واستكشاف هذا التفاوت هو أحد الأهداف التي نسعى من خلالها إلى إنشاء هذا الموقع.

تحويل الصورة إلى فيديو: العمل بما هو موجود

يُعدّ تحريك صورة موجودة أسهل بكثير من إنشاء كل شيء من الصفر، لأن البنية البصرية للمشهد تكون مُحددة مسبقاً. فمهمة النموذج ليست ابتكار العالم، بل تحريكه.

يُنتج هذا النهج نتائج أكثر اتساقًا، لا سيما في تحريك الصور الشخصية والشخصيات، وهو مسؤول عن جزء كبير من محتوى الفيديو عالي الجودة المُنتج بالذكاء الاصطناعي والمتداول حاليًا. العديد من المقاطع التي تبدو احترافية تقريبًا لم تُنتج من النصوص فقط، بل من صور ثابتة مُولّدة بالذكاء الاصطناعي ثم رُفعت لاحقًا، وهي عملية من خطوتين تتجاوز بعضًا من أصعب مشاكل الاتساق في تحويل النصوص الكاملة إلى فيديو.

اتساق الشخصية: المشكلة التي لم تُحل في صميم كل شيء

إذا أردتَ فهمَ أين يكمن التحدي الهندسي الحقيقي في مجال الفيديو المدعوم بالذكاء الاصطناعي حاليًا، فانظر إلى اتساق الشخصية. إن القدرة على الحفاظ على هوية شخصية ثابتة ومميزة عبر مقاطع فيديو متعددة، وفي مشاهد وظروف إضاءة وزوايا تصوير مختلفة، هي الميزة التي تميز إنتاج الفيديو المفيد حقًا عن العروض التوضيحية المبهرة ولكن المحدودة.

لا تستطيع معظم الأنظمة الحالية القيام بذلك بكفاءة. تتنقل الشخصيات بين المقاطع بطرق تجعل السرد المتواصل مستحيلاً. هذه هي المشكلة التي تتسابق العديد من المنصات الأكثر إثارة للاهتمام في هذا المجال لحلها، وهي المعيار الذي أوليه أهمية قصوى عند تقييم الأنظمة في التصنيفات التي نعتمدها هنا.

القيود الحقيقية للتكنولوجيا الحالية

ليس قصر الطول عيبًا، بل هو جزء من بنية النظام.

يبلغ الحد الأقصى لطول المقطع الذي تصل إليه معظم أنظمة الفيديو المدعومة بالذكاء الاصطناعي ما بين أربعة وخمسة مقاطع.teen إنّ إنتاج ثوانٍ متواصلة من المخرجات المتماسكة ليس خيارًا تصميميًا عشوائيًا أو قيدًا تجاريًا ينتظر التفعيل باشتراك مميز. بل يعكس الصعوبة الحسابية الحقيقية للحفاظ على الاتساق عبر الزمن في نماذج الفيديو التوليدية.

كل إطار إضافي يمثل فرصة أخرى للنظام لتراكم أخطاء صغيرة تتفاقم لتُصبح تناقضًا واضحًا. وكلما طال المقطع، ازدادت حدة هذه المشكلة. وتسعى الأبحاث جاهدةً لتجاوز هذه الحدود، وقد رأيتُ خلال العام الماضي أنظمةً تُنتج مخرجات مدتها ثلاثون ثانية كان من المستحيل إنتاجها قبل ثماني سنوات.teen قبل أشهر. لكن المنصات التي يمكن للمستهلكين الوصول إليها لا تزال تعمل دون ذلك الحد بكثير، ولا تزال الفجوة بين ما يمكن تحقيقه تقنياً وما يمكن الوصول إليه بشكل موثوق كبيرة.

مشكلة التشريح حقيقية ومستمرة

لا تزال الأيدي البشرية مؤشراً موثوقاً لمدى تطور أنظمة توليد الفيديو. ولا يزال ضبطها بدقة عبر عشرات الإطارات، والحفاظ على التناسق النسبي، وسلوك المفاصل المنطقي، ووضعيات الراحة الطبيعية، أمراً يتجاوز قدرة معظم الأنظمة على تحقيقه بشكل موثوق. وينطبق الأمر نفسه على تعابير الوجه المعقدة أثناء الحركة، وفيزياء الشعر، والطرق الدقيقة التي يوزع بها الجسم وزنه أثناء الحركة.

تختلف هذه القيود باختلاف التطبيق. ففي المحتوى التجريدي أو المُنمّق، غالبًا ما تكون غير مرئية أو تُفسّر على أنها خيارات جمالية. أما في أي شيء يطمح إلى الواقعية الفوتوغرافية، فتظهر هذه القيود بوضوح. أستخدم هذه المؤشرات باستمرار في اختباراتي كمؤشرات للجودة لأنها ترتبط ارتباطًا وثيقًا بمدى دقة فهم النموذج للحركة.

ما تدفعه فعلياً عند الدفع

إن التكلفة الحسابية لإنتاج فيديوهات عالية الجودة باستخدام الذكاء الاصطناعي حقيقية، وتنعكس مباشرةً على هياكل التسعير لكل منصة في هذا المجال. وقت وحدة معالجة الرسومات (GPU) مكلف. كما أن الاستدلال بالدقة ومعدل الإطارات المطلوبين لإنتاج مخرجات فيديو قابلة للاستخدام أغلى بكثير من توليد الصور. لهذا السبب، لا تزال أفضل النماذج محصورةً بأسعار المؤسسات، أو إمكانية الوصول للأبحاث، أو متطلبات الأجهزة التي تستبعد معظم المستخدمين.

ولهذا السبب أيضاً أشكك في المنصات التي تعد بإنتاج فيديوهات عالية الدقة غير محدودة بأسعار لا تعكس التكلفة الفعلية لتشغيل هذه النماذج. هناك تقليص في الجودة، وعادةً ما يكون هذا التقليص متعلقاً بالجودة أو السرعة أو الاستثمار في التدريب، وهو ما يحدد مدى جودة المخرجات.

لماذا حجم البحث حول هذا الموضوع حقيقي

لقد نضج جيل الصورة

الجمهور الأكثر استعدادًا لتبني تقنيات توليد الفيديو بالذكاء الاصطناعي هو نفسه الجمهور الذي أمضى العامين الماضيين في العمل على تقنيات توليد الصور بالذكاء الاصطناعي. فهم يفهمون الجوانب الهندسية السريعة، وقد طوروا فهمًا بديهيًا لسلوك النماذج، وهم مستعدون للمرحلة التالية. إن فضولهم بشأن إمكانيات نماذج الفيديو، لا سيما مع غياب القيود التي شكلت عائقًا مستمرًا في تجربتهم في توليد الصور، أمرٌ متوقع تمامًا.

هذه ليست فئة محدودة من الجمهور. فقد دمج ملايين الأشخاص تقنيات توليد الصور بالذكاء الاصطناعي في سير عملهم الإبداعي، ومشاريعهم الشخصية، وأعمالهم المهنية. وعندما يتساءلون عما يمكن أن يفعله الفيديو المدعوم بالذكاء الاصطناعي بدون فلاتر، فإنهم يطرحون سؤالاً مشروعاً ذا أهمية عملية حقيقية.

مجتمع المصادر المفتوحة كمؤشر رائد

يبلغ حجم مجتمع الذكاء الاصطناعي مفتوح المصدر حوالي ثمانيةteen تسبق هذه التقنية سوق المستهلكين بأشهر من حيث الإمكانيات التقنية المتاحة للمستخدمين ذوي الخبرة التقنية. إن متابعة ما يبنيه هذا المجتمع ويجربه الآن يُعد مؤشراً معقولاً لما ستقدمه المنصات الرئيسية في المستقبل القريب.

في الوقت الراهن، ينخرط هذا المجتمع بشكلٍ كبير في إنتاج مقاطع الفيديو القابلة للنشر محليًا، وفي تقنيات الحفاظ على تناسق الشخصيات، وفي التساؤل تحديدًا حول ما يمكن أن تُنتجه هذه النماذج عندما لا تكون قيود المنصات موجودة. ويُشير هذا الانخراط إلى اتجاه طلب المستهلكين بغض النظر عما إذا كانت المنصات الرئيسية ستتبعه أم لا.

أعمال الاختبار التي تقف وراء هذا الموقع

أودّ أن أكون صريحًا بشأن أمرٍ يُتجاهل غالبًا في معظم مراجعات الذكاء الاصطناعي: إنّ اختبار هذه الأنظمة بدقةٍ عمليةٌ شاقةٌ ومُكلفةٌ وتستغرق وقتًا طويلًا. يتطلب إجراء مقارناتٍ ذات مغزى بين منصات توليد الفيديو إنتاج كمياتٍ كبيرةٍ من المخرجات في ظلّ ظروفٍ مُحكمة، وتقييم الاتساق عبر مجموعةٍ من أنواع التوجيهات ومستويات التعقيد، ومراجعة المنصات بانتظام مع تحديث نماذجها.

تستند التصنيفات والتقييمات التي ننشرها هنا إلى هذا العمل. نجري اختبارات منهجية لا انطباعية. فعندما نقول إن أداء منصة ما جيد في اتساق الشخصيات أو ضعيف في واقعية الحركة، فإن هذا التقييم يستند إلى دراسة منهجية شاملة لحجم إنتاج كافٍ ليكون ذا مغزى، وليس إلى عدد قليل من الأمثلة المنتقاة بعناية.

نعمل على تطوير تصنيف شامل ومُحدّث بانتظام خاص بمولدات الفيديو غير اللائقة وغير الخاضعة للرقابة والمُزوّدة بتقنية الذكاء الاصطناعي، وهو أحد أكثر المجالات طلبًا وأقلها تغطيةً في هذا السياق. سيُتاح هذا التصنيف على هذا الموقع، وسيتم تحديثه مع تطور المنصات، وسيُبنى على نفس معايير الاختبار التي نطبقها على جميع المحتويات الأخرى هنا. إذا كان هذا ما تبحث عنه، فهو قادم، وسيكون الانتظار جديرًا بالاهتمام.

إلى أين تتجه هذه التكنولوجيا فعلياً

التكامل هو المرحلة التالية

إن أهم تطور قريب المدى في مجال الفيديو المدعوم بالذكاء الاصطناعي لا يكمن في تحسين قدرة واحدة، بل في دمج أدوات متعددة ضمن سير عمل إبداعي متكامل. ويتجه التطور نحو أنظمة لا تُعتبر فيها تصميم الشخصيات، وتوليد البيئات، وكتابة السيناريو، وإنتاج الفيديو خطوات منفصلة تتطلب أدوات منفصلة، ​​بل مراحل متكاملة ضمن عملية واحدة تعتمد كلياً على اللغة الطبيعية.

تقوم العديد من المنصات حاليًا بتجميع هذه العناصر. النتائج اليوم متفاوتة، لكن المسار واضح. في غضون فترة زمنية تُقاس بالأشهر لا بالسنوات، سيتحول مفهوم خط إنتاج الفيديو المتكامل المدعوم بالذكاء الاصطناعي من مجرد طموح إلى واقع ملموس يُحقق أغراضًا إبداعية عملية.

الضغط التنظيمي هيكلي وليس مؤقتاً

إنّ الحركة التشريعية والتنظيمية المتعلقة بالمحتوى المُولّد بالذكاء الاصطناعي ليست رد فعل مؤقتاً على بعض الحوادث البارزة، بل تمثل تحولاً هيكلياً في كيفية تعامل الحكومات والأنظمة القانونية مع الوسائط الاصطناعية، وهو تحول سيُعيد تشكيل بيئة عمل منصات الفيديو المُولّدة بالذكاء الاصطناعي بشكل دائم.

ستعمل المنصات التي تتعامل مع بنية السلامة كمتطلب تصميم أساسي في تلك البيئة بشكل أكثر استدامة من تلك التي تتعامل معها كقيد يجب تقليله.

لا يعني هذا أن أدوات الفيديو المدعومة بالذكاء الاصطناعي الأقل تقييدًا ستختفي تمامًا، بل يعني أن الأدوات التي ستستمر وتتوسع هي تلك التي اتخذت قرارات مدروسة بشأن ما ستتيحه وما لن تتيحه، بدلًا من تلك التي اكتفت بتعطيل الفلاتر وانتظار النتائج.

إن التمييز بين الحرية الإبداعية والتساهل القابل للاستغلال هو السؤال المحوري الذي ستجيب عنه هذه التقنية علنًا في المستقبل المنظور. وسنتابعها عن كثب.