باحثون يطورون طريقة جديدة لتحديد التشابه البصري باستخدام Anchor Divergence

تعاني نماذج الذكاء الاصطناعي الحالية من صعوبة لأنها تنظر إلى التشابه بطريقة ثابتة. عندما يقوم الذكاء الاصطناعي بمقارنة صورتين، فإنه يعتمد عادةً على مقياس هندسي واحد فقط، مما يتجاهل حقيقة أن ما يجعل صورتين متشابهتين قد يتغير حسب هدفك.

تقدم ورقة بحثية صدرت في أكتوبر 2026 مفهوماً جديداً يسمى Anchor Divergence لحل هذه المشكلة. بدلاً من نهج واحد يناسب الجميع، تستخدم هذه الطريقة توزيعات احتمالية لتكييف كيفية قياس الذكاء الاصطناعي للتشابه.

تخيل أنك تبحث في قاعدة بيانات للفحوصات الطبية. أحياناً تريد العثور على صور تبدو متشابهة فيزيائياً، وأحياناً أخرى تريد العثور على فحوصات تظهر نفس النوع من الإصابة. سياق بحثك هو المهم هنا.

باستخدام Anchor Divergence، يمكن للباحثين تحديد هذه السياقات المختلفة. ثم يقوم النظام بضبط هندسته الداخلية ليعطي الأولوية للميزات الأكثر أهمية للمهمة الحالية.

تربط هذه التقنية بين التعلم التبايني، حيث تتعلم النماذج من خلال مقارنة أزواج من العناصر، وبين الهندسة المعلوماتية. هذا يسمح للنموذج بمعاملة التشابه كأداة مرنة بدلاً من كونه قاعدة جامدة.

فكر في الأمر وكأنك تختار عدسات مختلفة للكاميرا للتركيز على تفاصيل محددة بدلاً من مجرد التكبير والتصغير. كيف يمكن لهذا الدقة أن تغير الطريقة التي تنظم بها مكتبة الصور الرقمية الخاصة بك؟

من المهم ملاحظة أن هذه الطريقة تم اختبارها تحديداً على مهام الاسترجاع. لم يقم الباحثون بعد بتطبيقها على النماذج التوليدية أو مجالات أخرى أوسع في تعلم الآلة. تعتمد فعالية هذا النهج على توفر توزيعات مرجعية محددة بدقة للسياق المطلوب.