"سامبا" يستبدل GRU بـ Mamba وينهي جموداً دام خمس سنوات في الملاحة السمعية البصرية

عندما تتفوق الأذن على العين

وكيل ملاحة يعتمد على الاستماع بقدر ما يعتمد على الرؤية، تمكّن من رفع معدل النجاح بنسبة 11.3% على معيار "ماتربورت ثري دي" (Matterport3D)، والمثير أن البنية التي حققت هذه القفزة استعارت فكرتها الأساسية من نماذج اللغة القائمة على فضاء الحالة (State-Space Models) بدلاً من الشبكات التلافيفية (Convolutional Networks) التي ظلت تتحكم في هذا المجال لسنوات طويلة.

النظام الجديد يحمل اسم "سامبا" (Samba)، وقد تم قبوله للنشر في المؤتمر الدولي للأنظمة والإنسان والتحكم الآلي (IEEE SMC 2026) التابع لمؤسسة IEEE. ويشير الباحثون إلى مشكلة جمود واضحة: البنى الأساسية (Backbones) لأنظمة الملاحة السمعية البصرية، وهي الشبكات العصبية التي تمكّن وكيلاً افتراضياً من التحرك نحو مصدر صوت مع تفسير ما تراه الكاميرا، لم تشهد أي تطور جوهري منذ أكثر من خمس سنوات. فمعظم الأنظمة القائمة لا تزال تعتمد على عمليات تلافيفية (Convolutional Operators) مدمجة مع وحدات GRU (Gated Recurrent Units) لتتبع المعلومات عبر الزمن، وهو مزيج أصبح المعيار الافتراضي في هذا المجال رغم قصوره المعروف في نمذجة العلاقات البعيدة المدى.

أين يتموضع Mamba في المعادلة؟

الحل الذي طرحه فريق "سامبا" هو إدخال عائلة نماذج Mamba القائمة على فضاء الحالة إلى هذه المنظومة. تقدم الورقة البحثية مكونين أساسيين مبنيين على هذه الفكرة. الأول هو "مُرمِّز الصوت مامبا" (Audio Mamba Encoder - AME)، الذي يعالج المخططات الطيفية (Spectrograms)، وهي التمثيلات الزمنية-الترددية للصوت، بدلاً من الطبقات التلافيفية التقليدية. فالتلافيف جيدة في رصد الأنماط المحلية، لكنها تعاني في ربط النقاط المتباعدة داخل المخطط الطيفي، وهذا أمر بالغ الأهمية عندما يحتاج الوكيل لفهم كيف يتطور الصوت أو ينعكس عبر مساحة كبيرة ومعقدة. صُمم AME خصيصاً لالتقاط تلك العلاقات الزمنية-الترددية الشاملة التي تفوتها العمليات التلافيفية عادةً.

أما المكون الثاني فهو "مُرمِّز حالة مامبا" (Mamba State Encoder - M-SE)، الذي يحل محل الدور الذي كانت تلعبه وحدات GRU تقليدياً: تجميع المعلومات عبر الزمن أثناء تحرك الوكيل داخل البيئة. وبدلاً من معالجة كل مُدخَل بخطوة تكرارية جامدة، يستخدم M-SE آلية اختيار تكيفية (Adaptive Selection Mechanism)، وهي سمة مميزة لنماذج فضاء الحالة من طراز Mamba، لتحديد المعلومات الأكثر أهمية للاحتفاظ بها مع تطور مسار الوكيل. هذا النهج الانتقائي هو نفس المبدأ الذي جعل من Mamba بديلاً جذاباً للمحولات (Transformers) والشبكات العصبية التكرارية (RNNs) في نمذجة التسلسلات بشكل عام، وقد أعيد توجيهه هنا نحو الاستدلال المكاني السمعي البصري.

ماذا تقول النتائج؟

على مجموعة بيانات "ماتربورت ثري دي"، وهي قاعدة بيانات واسعة الاستخدام لبيئات داخلية ثلاثية الأبعاد واقعية تُستخدم في أبحاث الذكاء الاصطناعي المتجسد (Embodied AI)، أدى دمج AME و M-SE في "سامبا" إلى تحسن بنسبة 11.3% في معدل النجاح مقارنة بأفضل النماذج السابقة. ومعدل النجاح هنا يقيس عدد المرات التي يصل فيها الوكيل فعلياً إلى مصدر الصوت المستهدف خلال حلقة ملاحية واحدة، مما يجعله من أدق المؤشرات على الأداء العملي، بعيداً عن المقاييس البديلة غير المباشرة.

القيمة الحقيقية لهذه النتيجة لا تكمن في الرقم بذاته، بل في ما تكشفه عن السقف الذي فرضته تصاميم "التلافيف + GRU" على هذا المجال دون أن يلاحظه أحد. فحين يؤدي تبديل بسيط في البنية الأساسية، دون بيانات تدريب جديدة أو إعادة صياغة للمهمة، إلى تحسن بضعف رقمين، فهذا يعني أن مجال الملاحة السمعية البصرية كان يحمل إمكانات لم يستكشفها المجتمع البحثي بالكامل، فقط لأن الأدوات المعيارية بقيت دون تحدٍّ لفترة طويلة. وسيتوقف الأمر، فيما إذا كانت البنى القائمة على Mamba ستصبح المعيار الجديد للوكلاء المتجسدين في الملاحة السمعية البصرية، أو ما إذا كانت تصاميم هجينة مثل "سامبا" مجرد خطوة انتقالية نحو شيء آخر، على مدى قدرة هذا النهج على التعميم خارج "ماتربورت ثري دي"، وصولاً إلى مجموعات بيانات أخرى وبيئات تطبيق حقيقية.