هل يمكن للذكاء الاصطناعي أن يفهم الذوق السينمائي؟

ما الذي تتعلمه الآلات فعلًا عن الأفلام

لا يعرف نظام التوصية الأفلام. إنه يعرف السلوك. تصف Netflix نموذجها „Foundation Model for Personalized Recommendation“ الذي قدّمته عام 2025 بأنه نموذج يعمل وفق مبدأ التنبؤ الانحداري الذاتي – „our default approach employs the autoregressive next-token prediction objective, similar to GPT“ – وهدفه الأساسي ببساطة هو التنبؤ بالتفاعل التالي مع عنوان ما (Netflix Technology Blog). ويُدرَّب على سجلات تفاعل أكثر من 300 مليون مستخدم ومئات المليارات من التفاعلات (Netflix Technology Blog). هذا ليس تكوينًا للذوق، بل حسابٌ احتماليٌّ واسع النطاق.

وتعمل شخصنة صور الأغلفة بطريقة مماثلة: تختار Netflix العمل الفني المعروض عبر ما يُسمى Contextual Bandits، وتحسّن بذلك احتمال „quality play“، مقيسًا بـ „take fraction“ (Netflix Technology Blog). وبذلك تشخصن الشركة صراحةً „not just what we recommend but also how we recommend“ – وتفيد بحدوث „significant lift in core metrics“ (Netflix Technology Blog). أما YouTube فيفصل توصياته منذ عام 2016 إلى مرحلتين، توليد المرشحين ونموذج الترتيب (Google Research).

هذه الأنظمة قوية بلا جدال. لكنها تجيب عن سؤال مختلف عن السؤال الفني. إنها تقيس ما ينجح غالبًا. لكنها لا تفسّر لماذا تكون صورة معينة ضرورية عاطفيًا في قصة معينة.

من التنبؤ إلى التقييم: أرقام بلا حكم

الانتقال من التوصية إلى التقييم هو الطموح الحقيقي للقطاع. يَعِد المزوّدون بالتعرف على النجاح قبل التصوير. تُروّج ScriptBook لكونها „87 % financially accurate“ ولدقة موافقة (greenlight) تبلغ 80 بالمئة استنادًا إلى السيناريو وحده؛ وتذكر براءة الاختراع الأساسية دقة تصنيف تصل إلى 86 بالمئة للنجاح والفشل (ScriptBook). وتذكر Largo.ai دقة موافقة تبلغ 82 بالمئة وتقدّر عدد الأفلام المحلَّلة بأكثر من 12.000 (Largo.io). وكلاهما ادعاءات من المزوّدين لم تصمد أمام أي تدقيق مستقل في هذا البحث.

أما البحث الجاد فأكثر تحفظًا. حققت دراسة نُشرت عام 2024 في Scientific Reports، عبر شبكة عصبية موسّعة بالتعليقات، دقة تنبؤ متوسطة تبلغ 83.7 بالمئة لإيرادات شبّاك التذاكر؛ ومن دون بيانات التعليقات انخفضت القيم بوضوح (Scientific Reports). لكن الحاسم هو الموضوع: ما يُتنبأ به هو النجاح التجاري، لا الجودة الفنية. ويذكر المؤلفون بأنفسهم اختيار البيانات وتأثير كوفيد كحدود مفتوحة (Scientific Reports).

وهنا بالضبط تظهر النقطة العمياء. يؤكد تحليل مستقل لـ ScriptBook أجرته Cineuropa أن غرض التحليل لا يكمن في „إدراك دقائق السيناريو، بل في مقارنة محتواه بالمعطيات المعروفة لأفلام سبق أن صدرت“ (Cineuropa). في الحالة الموثقة لفيلم Passengers كان التنبؤ بإيرادات شبّاك التذاكر مفيدًا، لكن الأداة لم تستطع توقع الاستقبال النقدي السيئ (Cineuropa). والنقد هو: „false objectivity“ – مقاييس موضوعية لا يمكنها سوى دعم قرار ذاتي، لا اتخاذه (Cineuropa).

الفرق بين التأثير والصدق

هل يمكن للآلة أن تقيس على الأقل التأثير العاطفي؟ جزئيًا. تتنبأ نماذج الحوسبة العاطفية (affective computing) مثل AttendAffectNet بالمشاعر التي يثيرها الفيلم من مسارات الفيديو والصوت والنص – لكن فقط كبُعدَي التكافؤ (valence) والإثارة (arousal)، بأفضل قيم ارتباط تبلغ نحو 0.655 للإثارة و0.575 للتكافؤ (Sensors). هذا تقريب ارتباطي لتفاعلات مقيسة، وليس حكمًا على الصدق العاطفي. مثل هذا البحث يرسم كيف يمكن نمذجة تفاعلات الجمهور كنقاط بيانات؛ لكنه لا يحل محل جمهور اختباري تمثيلي ولا حكمٍ جمالي، ولا يوجد دليل في المصادر المدروسة على استخدام إنتاجي فعلي لهذا النموذج تحديدًا في أستوديو.

وهنا بالضبط تدخل العروض الاختبارية وبيانات الجمهور. يمكنها تجميع التفاعلات في مجموعات، وإظهار الأنماط عبر مجموعات المشاهدين، وتقدير الاحتمالات. لكن الجمهور الاختباري يظل عيّنة، لا حكمًا قيميًا، ويتفاعل مشاهدون مختلفون مع المشهد نفسه بشكل مختلف. أما أنظمة الإعلانات الترويجية والأعمال الفنية الآلية فيمكنها تحسين اختيار المواد وعرضها – وتُثبت Netflix ذلك لاختيار صور الأغلفة المشخصنة (Netflix Technology Blog). لكن لا يوجد في أيٍّ من المصادر المدروسة لهذا المقال دليل على أن نظامًا يفهم بصمة مخرج أو الضرورة الفنية لصورة ما؛ وينبغي قراءة هذه الجملة كنتيجة بحثية وتصنيف صحفي، لا كادعاء مبدئي عن المستقبل.

وبذلك يمكن شحذ المحور المفاهيمي المركزي لهذا المقال. فالقابل للقياس أو التنبؤ هو: الجودة التقنية، والاحتمال الإحصائي للنجاح، والشهرة، والشعبية، و– بشكل محدود وارتباطي – التأثير العاطفي. أما ما يبقى معياريًا وثقافيًا ومرتبطًا بالسياق فهو: الصدق العاطفي، والأصالة، والضرورة الفنية، والذوق الشخصي. فقد يكون فيلمٌ نظيفٌ تقنيًا ومألوفٌ وواعدٌ إحصائيًا خاويًا عاطفيًا. وقد يصبح عملٌ مربكٌ في البداية مؤثرًا ثقافيًا. لا يوجد نظام مثبت هنا يقرر هذا الفارق.

والسبب بنيوي، لا مجرد فارق في الدرجة. تقارن النماذج الجديد بالمعروف. ولهذا بالضبط يحذّر البحث من الرتابة القائمة على البيانات: تُظهر النتيجة الكلاسيكية لـ Fleder وHosanagar أن أنظمة التوصية قد تُنتج „دورات ذاتية التعزيز“ تُوصى فيها العناوين الشائعة بشكل أكثر تكرارًا، وتُستهلك أكثر، ومن ثم يُوصى بها أكثر فأكثر – „These cycles reduce diversity“ (INFORMS). وتؤكد تجربة ميدانية لاحقة شملت 82.290 منتجًا وأكثر من 1.1 مليون مستخدم أن مرشحات التصفية التعاونية تخفض تنوع العرض الإجمالي، حتى وإن أمكن للتنوع الفردي أن يرتفع في الوقت نفسه (University of Pennsylvania). فالنظام الذي يُحسّن نحو المعروف يميل إلى إنتاج مزيد من المعروف.

ما الذي يحدث فعلًا في الممارسة

الصورة الواقعية أكثر تمايزًا من كلا الطرفين – الإيمان المتحمس بالآلة كما الرفض الشامل. لعل أرسخ حالة عملية هي Cinelytic: تستخدم Warner Bros. Pictures International المنصة منذ عام 2020 لتقييم المحتوى والمواهب ولإدارة استراتيجيات الإصدار (Business Wire). واللافت هو التقييد الذاتي. قال مؤسس الشركة Tobias Queisser لمجلة Fortune: „We don't believe that an algorithm can run a script and understand whether the story is good or will connect with humans“ – وأوضح: „We're not in the business of forecasting hits or flops“ (Fortune). وفي عام 2025 وسّعت Cinelytic حافظتها عبر الاستحواذ على Jumpcut Media وأداة تحليل السيناريوهات ScriptSense التابعة لها؛ ومن بين العملاء المذكورين Lionsgate وWarner Bros. (Variety).

وعلى مستوى أدوات مرحلة ما بعد الإنتاج، أصبحت مثل هذه الأتمتة متاحة تجاريًا منذ عام 2025. تصف Blackmagic Design لبرنامج DaVinci Resolve 20 أن „IntelliScript“ يبني تلقائيًا، استنادًا إلى نص سيناريو يوفره المستخدم، خطًا زمنيًا „with the best takes of user selected dialogue“، وأن „IntelliCut“ يستطيع إزالة الصمت في الحوارات ووضع المتحدثين على مسارات منفصلة عبر التعرف على المتحدث، وأن „Multicam SmartSwitch“ يستطيع في جانب المونتاج „automatically select angles based on who is speaking“ (Blackmagic Design). هذه اقتراحات مساعِدة وأتمتة لمهام تقنية – مونتاج خام، تقصير الصمت، اختيار الكاميرا المتحدثة. لكنها لا تؤسس جمالية كاميرا ولا إيقاعًا: ليس القرار الدرامي عن سبب استقرار القطع في مشهد عاطفي قبل ثانية أو بعد ثانية من موضعه الصحيح.

مثال كثير الاستشهاد على الحد بين التحليل والحكم هو الإعلان الترويجي المدعوم بالذكاء الاصطناعي الذي طوّرته IBM عام 2016 لفيلم Morgan من إنتاج 20th Century Fox. تصف IBM Research المشروع بأنه تعاون بين الإنسان والآلة: حدّد تحليلٌ متعدد الوسائط للصورة والصوت والمزاج وبنية المشهد عشر لحظات مناسبة، رتّبها وقصّها لاحقًا صانع أفلام محترف (IBM Research). ووفقًا لرئيس أبحاث IBM جون سميث، استخدم المونتير تسعة من المقاطع العشرة المقترحة، وضبط حدودها، ووضع الانتقالات، واختار الموسيقى – „that was a completely human process“ (VICE). حلّل النظام واقترح لحظات؛ لكن الاختيار السينمائي والمونتاج النهائي ظلّا بشريين. وكتجربة تاريخية، يوضح المثال إمكانات التحليل الآلي للإعلانات الترويجية – لا ذوقًا سينمائيًا مستقلًا.

حجج مضادة وحدود ومخاطر

أقوى اعتراض على النزعة الشكّاكة هو: الذوق البشري أيضًا مكتسب، مصوغ بالخبرة والثقافة والمحاكاة. فإذا تعرّف نموذجٌ على أنماط „تنجح“، فهل يفعل حينها شيئًا مختلفًا جوهريًا عن مونتير متمرّس؟ يكمن الفرق القابل للإثبات لا في القدرة على التعرف على الأنماط بقدر ما يكمن فيما يمكن قياسه. تُحسّن الأنظمة نحو مقادير قابلة للملاحظة – النقرات، ومدة البقاء، والإيرادات. أما الضرورة الفنية، والتأثير الثقافي، والقرارات الخاطئة الجريئة والمثمرة، فلم تُعرَّف في أيٍّ من المصادر المدروسة هنا كمقدار هدفٍ قابل للقياس.

ومن ذلك تنجم مخاطر ملموسة. أولًا، الخطر الموثق للتجانس عبر دورات الشعبية ذاتية التعزيز (INFORMS). ثانيًا، „false objectivity“ لأدوات التنبؤ التي توحي أرقامها باليقين حيث ينبغي اتخاذ قرار ثقافي وجمالي (Cineuropa). ثالثًا، الخلط بين الجودة التقنية والصدق: قد تكون الصورة مؤلَّفة على نحو مثالي ومع ذلك تافهة. وفي الوقت نفسه سيكون من الخطأ نزع كل أهمية عن الذكاء الاصطناعي. فكأداة تحليلية – لتقدير المخاطر، ولأتمتة العمل التقني، ولشخصنة التوزيع – فائدته مثبتة. الحد لا يمر بين الإنسان والآلة، بل بين القابل للقياس والحكم.

خلاصة: بين الارتباط والمعنى

يمكن لنظام ذكاء اصطناعي أن يتعلم أي الصور أو القصص أو القطعات تنجح غالبًا. يمكنه تجميع تفاعلات مجموعات الاختبار، وتقدير الاحتمالات، وكشف ارتباطات تفوت النظرة البشرية. لكن لا يترتب على ذلك أنه يفهم لماذا تكون صورة معينة ضرورية عاطفيًا في قصة معينة. الذوق ليس مجرد شعبية، والاحتمال الإحصائي ليس حكمًا جماليًا. الوضع الصادق في 2026 يقع بين سرديتين مريحتين: الآلة لا تحل محل بصمة المخرج، ولا هي عديمة الأهمية. إنها تزيح السؤال. لم يعد: ما الذي يُرجَّح أن ينجح؟ بل: من يقرر حين تتباعد البيانات والحدس – ومن يتحمّل المخاطرة الإبداعية حين يتبيّن أن عملًا مربكًا هو العمل المؤثر؟ يبقى هذا القرار في الوقت الحالي حكمًا بشريًا.