لماذا لا تُعدّ مقاطع الفيديو المولَّدة بالذكاء الاصطناعي فيلماً تلقائياً بعد

القفزة من المقطع إلى المشهد ليست خطوة تدريجية

أحرزت جودة الصورة تقدماً كبيراً، وهذا أمر لا جدال فيه. تصف OpenAI نموذج Sora 2 بأنه „big leap forward in controllability“ قادر على اتباع „intricate instructions spanning multiple shots“ „while accurately persisting world state“ (OpenAI, „Sora 2 is here“). أما Google DeepMind فتَنسب في تقريرها التقني إلى نموذجها حتى „bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles“ (Veo 3 Technical Report). ومن يرى مثل هذه المقاطع للمرة الأولى يكتسب بسهولة انطباعاً بأن صناعة الأفلام قد حُلّت بذلك إلى حد بعيد.

لكن هذا الانطباع بالذات هو ما يُضلّل. الفيلم ليس تتابعاً لصور مفردة جميلة، بل سلسلة من القرارات المتحكَّم بها التي يجب أن تتناسق عبر عشرات اللقطات والمشاهد ومراحل الإنتاج. يجب أن تظل الشخصية هي ذاتها في اللقطة التالية، وأن تتجه النظرة إلى الاتجاه الصحيح كي ينجح تبادل اللقطة واللقطة المقابلة، وألا يختفي أحد الإكسسوارات بين اللقطة العامة واللقطة القريبة. تبدو هذه المتطلبات بديهية، لكنها في الحقيقة جوهر الحرفة — وهنا تحديداً تصطدم النماذج التوليدية بعتبة أعلى من مجرد جودة الصورة.

يمكن التمييز بين خمس مراحل كثيراً ما يُخلط بينها: المقطع التجريبي المبهر، والمشهد السينمائي القابل للتحكم، وعملية الإنتاج القابلة للتكرار، والفيلم الكامل، والمسلسل المروي على المدى الطويل. تفرض كل مرحلة متطلبات أشدّ من سابقتها من حيث الاتساق والقابلية للتوجيه؛ والنموذج الذي يتقن الأولى ببراعة لا يقول شيئاً تقريباً عن الخامسة.

الاختبار الحقيقي هو الاستمرارية، لا الدقة

التقدم في الاتساق حقيقي ويستحق التقدير. تُروّج Runway لنموذج Gen-4 بأنه يُنتج „consistent characters, locations and objects across scenes“ — وذلك „with just a single reference image of your characters“ (Runway, „Introducing Runway Gen-4“). لقد غيّر التكييف عبر الصور المرجعية والشخصيات هذا المجال: يمكن تثبيت شخصية واستدعاؤها من جديد من زوايا مختلفة. تلخّص The Verge الإعلان بتحفّظ: من المفترض أن يقدّم Gen-4 „enhanced ‚continuity and control‘“ في حين أن مقاطع الذكاء الاصطناعي „often face challenges in sustaining coherent storytelling“ (The Verge).

غير أن الأبحاث تُظهر عمق المشكلة. تُثبّت دراسة استعراضية حديثة حول القابلية للتوجيه أن „text prompts alone are often insufficient to express complex, multi-modal, and fine-grained user requirements“ — ولذلك تُدرَس أصلاً إشارات إضافية مثل حركة الكاميرا وخرائط العمق ووضعية الجسد (Ma et al., „Controllable Video Generation: A Survey“). وتسمّي دراسة استعراضية ثانية حول الاتساق المكاني-الزماني فئات الأخطاء النمطية صراحة: „subject swapping“، „object teleportation“، „unnatural jumping“. وبالنسبة للتنسيقات الطويلة ينطبق ما يلي: „Existing generation models typically struggle to effectively capture such long-range dependencies, lacking the dynamic modeling and spatiotemporal memory capabilities required for complex and extended-duration relationships“ (Survey: Spatiotemporal Consistency in Video Generation).

تتجسّد المتطلبات فور النظر في التفاصيل الدقيقة. تتطلب استمرارية الأزياء والإكسسوارات أن يظل الشيء متطابقاً تماماً عبر اللقطات — لكن دراسة الاتساق تُدرج „subject swapping“ و„object teleportation“ ضمن الأخطاء النمطية (Survey: Spatiotemporal Consistency in Video Generation). وفي حركة الجسد والتشريح يكون Sora 2 وفق بيان مزوّده „more physically accurate“ ويجعل رمية خاطئة ترتد عن اللوح بدلاً من أن تنتقل آنياً، لكنه يقرّ بأنه „far from perfect“ (OpenAI, „Sora 2 is here“)؛ وتطلب الأبحاث هنا „motion trajectory … conforms to physical laws“ (Survey: Spatiotemporal Consistency in Video Generation). وبالنسبة لمشاهد الحوار يقدّم Sora 2 وMovie Gen وفق بيانات مزوّديهما صوتاً أصلياً متزامناً؛ وتذكر OpenAI بالنسبة لـ Sora 2 صراحة „synchronized dialogue and sound effects“، ما يحسّن تزامن الشفاه بوضوح (OpenAI؛ Meta, „Movie Gen“). لكن ما إذا كان التشديد والتوقيت واللون العاطفي لجملة ما قابلاً للتوجيه بدقة فهذا ما لم يُقَل بذلك — فتقارير النماذج تُثبت التزامن، لا الضبط الدقيق لأداء النطق. وتظهر الحدود بأوضح صورها في الدقة العاطفية وقرارات الأداء القابلة للتحكم: في فيلم „Here“ حمل الممثلون الحقيقيون „every single one of the character performance moments“، وفشلت المحاولة مع البدلاء لأن „it wasn't the soul of the actor that was there“ (befores & afters, „‚Here‘: A test with Tom Hanks“).

يُضاف إلى ذلك البُعد الخاص بلغة السينما الذي نادراً ما يُؤخذ في الحسبان. حين يَنسب تقرير Veo 3 إلى النموذج „bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles“ (Veo 3 Technical Report)، فهذه هي النقطة: القطعات أو زوايا الكاميرا الدرامية المتكررة ليست إخراجاً دقيقاً بعد. إن تبادل اللقطة واللقطة المقابلة، والمطابقة على الحركة، ومحور الحدث، وخطوط النظر النظيفة، وإيقاع التتابع، تعيش على تغطية قابلة للتحكم ولقطات قابلة للتكرار، لا على قطعات عشوائية جذابة. وبالتالي فإن مولّداً يختار زوايا جميلة لا يحلّ محل إخراج يحافظ على الزاوية ذاتها بوعي وقابلية للتكرار عبر عدة لقطات.

هذا بالضبط ما يفصل بين الفئات التقنية. يُنتج Text-to-Video من وصف، ويُحرّك Image-to-Video صورة بداية، ويحوّل Video-to-Video مادة موجودة، وتحمل World Models الحالات عبر الزمن، ويُطيل Shot Extension المقاطع — وتبقى سير عمل الـ VFX والتركيب الكلاسيكية الإطار الذي تُجمَّع فيه العناصر المولَّدة بشكل متحكَّم به وآمن قانونياً. فمثلاً يُطيل Generative Extend من Adobe لقطةً „up to two seconds for video and ten seconds for audio“ ويُميّز الصور المولَّدة دوماً، „so you know exactly where the original footage ends and created frames begin“ (Adobe, „Generative Extend“). إنها أداة قص دقيقة — وفي الوقت ذاته تذكير بأننا نتحدث هنا عن ثوانٍ، لا عن مشاهد. ويوثّق Movie Gen من Meta أيضاً لأكبر نماذجه „a generated video of 16 seconds at 16 frames-per-second“ بدقة „1080p HD“ مع „synchronized audio“ (Meta, „Movie Gen“). مثير للإعجاب — لكن الفيلم الروائي يتكوّن من آلاف هذه اللبنات التي يجب أن تتناسب جميعاً معاً.

مثال واقعي يُظهر: الذكاء الاصطناعي يُزيح العمل، لا يُلغيه

من يريد أن يصدّق أن الذكاء الاصطناعي يُخفف العمل عن موقع التصوير، عليه أن يدرس إنتاج „Here“ — صراحةً كمثال هجين يجمع بين تعلّم الآلة والـ VFX الكلاسيكي لمعالجة الأداء، لا كفيلم مولَّد عبر text-to-video. فلفيلم روبرت زيميكيس تولّت Metaphysic ومشرف الـ VFX كيفن بايلي مسؤولية „53-character minutes of full-face replacement“ عبر أربعة ممثلين رئيسيين، بعضها في لقطات بطول „up to four minutes“ (befores & afters, „‚Here‘: A test with Tom Hanks“). لم يكن الـ CGI الكلاسيكي خياراً: „It was obvious that there was no way we could use traditional CGI methods to do this“، بحسب بايلي — مكلف للغاية، وبطيء للغاية، مع خطر الوادي الغريب.

النقطة الحاسمة هي مقدار العمل اليدوي المتخصص الذي تطلّبه الذكاء الاصطناعي. فلكل ممثل دُرّبت عدة شبكات عصبية على مجموعات بيانات مُنتقاة بعناية — توم هانكس „at 18, at 30, at 45“ —، إذ كان على المهندسين مكافحة „identity leak“ بفاعلية كي لا يظهر „Tom's brother or cousin“. وكانت محاور النظر أيضاً موضوعاً دائماً، لأن الشبكات كانت تميل „magnetically“ إلى النظر نحو الكاميرا؛ وكان لا بد من „backstopped“ الحالات الحدّية مثل القبلة بحِيَل كلاسيكية. وخلاصة بايلي واضحة: „All these limitations of the AI tools, they need traditional visual effects teams who know how to do this stuff to backstop them and help them succeed“ (befores & afters).

لكن قبل كل شيء ظل الأداء إنسانياً. توثّق Wired وVariety الجوهر: أتاح نظام في الزمن الحقيقي على شاشتين للممثلين فحص أدائهم المُصغَّر سناً فوراً وتعديله — أداة للمبدعين، لا بديل عنهم (Wired, „The $50 Million Movie ‚Here‘“؛ Variety). يُثبت „Here“ أن الذكاء الاصطناعي يدخل الإنتاج فعلاً — وكم يبقى ضرورياً من جهد تكراري وشديد التخصص كي تصمد النتيجة.

الحجج المضادة والحدود والمخاطر

يمكن الاعتراض بحق بأن الحدود قد تزحزحت في 2025/2026 — وهذا صحيح. فقد استخدمت Netflix للمرة الأولى ذكاءً اصطناعياً توليدياً في إنتاج أصلي لمسلسل „El Eternauta“؛ وبحسب الرئيس التنفيذي المشارك تِد ساراندوس، أُنجز مشهد الـ VFX لانهيار مبنى „10 times faster than it could have been completed with traditional VFX tools and workflows“ (The Guardian). هذا الرقم بيان مزوّد صادر عن الشركة ويتعلق بمشهد واحد. ومن اللافت أيضاً كيف تحقق: فقد استخدمت وحدة Eyeline التابعة لـ Netflix وفق روايتها الخاصة لا تقنية نماذج داخلية، بل „commercially available video diffusion models under enterprise licenses“ — مدمجة في سلسلة عمل VFX كلاسيكية (TheWrap).

وصورة المهرجانات تخدع بسهولة أيضاً. فقد نما مهرجان Runway للأفلام بالذكاء الاصطناعي من „merely 300 submissions“ في 2024 إلى „6,000 entries“ في 2025، وفاز عمل جاكوب أدلر „Total Pixel Space“ بالجائزة الكبرى (The Hollywood Reporter؛ Runway AIFF Screening Room). غير أن الأعمال المعروضة كانت „varying in quality“، وكثيراً „dream-like, experimental“، متأثرة بـ „constraints on sound and the portrayal of real people“ (The Hollywood Reporter).

تبقى الحدود الصارمة. القابلية للتوجيه ليست كالتحكم: فحتى النموذج المُروَّج له بأنه „more controllable“ لا يتبع التعليمات بشكل مثالي، وقد تنحرف التعليمات الدقيقة — وتقرّ OpenAI بنفسها بشأن Sora 2 بأنه „far from perfect“ ويرتكب „plenty of mistakes“ (OpenAI, „Sora 2 is here“). ويذكر تقرير Veo 3 „small hallucinations that mark videos as clearly fake“ (Veo 3 Technical Report). أما القابلية للتحرير والتحكم بالإصدارات وقابلية إعادة الإنتاج — الحيوية لكل إنتاج — فتكاد تكون غير متوفرة في المولّدات المحضة؛ ولم يحلّها „Here“ إلا عبر أدوات Nuke مبنية خصيصاً و„neural animators“. وتتباين القابلية للاستخدام القانوني بشدة: تُروّج Adobe بأنها „only trained on content where Adobe has permission … never on Adobe users' content“ (Adobe)، بينما انتُقد النموذج السابق لـ Runway بسبب التدريب على „scraped YouTube videos and pirated films“ (The Verge). وكون OpenAI تُعلن وفق صفحتها الخاصة „as of April 26, 2026, the Sora product is no longer available“ يتعلق بمنتج المستهلك (تطبيق Sora) وليس بالضرورة بالنموذج الأساسي أو بتوافر واجهته البرمجية؛ لكنه يذكّر مع ذلك بمدى ضآلة أمان الإنتاج الذي يوفره منتج للمستهلك (OpenAI).

الخلاصة: الإبهار قدرة، والتحكم قدرة أخرى

الحصيلة الصادقة ليست حماسةً ولا رفضاً. لقد حوّلت الصور المرجعية والتحكم في الكاميرا والمسارات الصوتية الأصلية وأدوات تمديد اللقطات الطرائف المرتجفة إلى لبنات إنتاج جادّة. فهي توفّر الوقت، وتفتح الميزانيات، وتوسّع ما يمكن روايته — ويُظهر „El Eternauta“ و„Here“ ذلك بشكل ملموس. لكنها لا تزحزح العتبة الحقيقية: فالفيلم الجيد لا ينشأ حيث تكون الصورة جميلة، بل حيث تتناسب آلاف القرارات عبر اللقطات والمشاهد والأشهر وتبقى قابلة للتكرار. وهذا بالضبط — اتساق الشخصية، ومحاور النظر، والتواصل، والأداء القابل للتحكم، وحالات الإصدار النظيفة — هو العتبة الأعلى التي لم تتجاوزها النماذج التوليدية وحدها بعد. لذلك فإن السؤال المثير للسنوات المقبلة ليس ما إذا كان الذكاء الاصطناعي يصنع مقاطع فيديو جميلة. فهو يستطيع ذلك منذ زمن. السؤال هو ما إذا كان سيتعلم أن يروي بشكل متحكَّم به. وحتى ذلك الحين ينطبق ما يلي: المقطع المبهر وعدٌ، لا فيلم.