كم ينبغي أن يكبّر التحسين بالذكاء الاصطناعي؟ تصميم محدود

نماذج الدقة الفائقة تربيعية: ضاعف ضلع المدخل فتتضاعف الشغل أربع مرات، والانتظار معه. شغّل واحدًا بسذاجة على أي شيء يرفعه الناس فيستغرق مسح ضوئي بحجم 40 ميغابكسل دقائق بينما تستغرق لقطة هاتف ثوانيَ. أما مرحلة التحسين لدينا فتخطط كل مهمة بحيث يكون حمل عمل النموذج بالحجم المحدود نفسه أيًا كان ما يصل. تقدم هذه الملاحظة قاعدة التخطيط، ثم، وهو الجديد في هذه المراجعة، القياسات وراء ادعاءيها الحاملين: أن التكلفة خطية بمجرد تحديدها (~15.6 ث لكل ميغابكسل من المدخل على صندوق الاختبار، r² > 0.999)، وأن الاستدلال بالتبليط خالٍ من الدروز بصريًا فقط لأن كل بلاطة تحمل 8 px من السياق، وهو ما يزيل 87% من طاقة الدروز التي يخلّفها الحشو بالأصفار.

كل رقم في هذه الملاحظة قيس على كود خط الإنتاج: النماذج نفسها، والحسابات نفسها. السجلات الخام لكل صورة: e6_tiles.json.

1 · قاعدة التخطيط

تستهدف المرحلة مخرجًا بحد أقصى 2560 px على الضلع الطويل، باستخدام نموذج دقة فائقة 4×^[1]. وبالعمل عكسيًا، لا يحتاج النموذج أبدًا إلى مدخل أطول من 2560 ÷ 4 = 640 px، لذا يصغّر المخطط مسبقًا كل ما يصل إلى ذلك الحد قبل تشغيل النموذج، فيسقف مدخل النموذج عند نحو 0.41 ميغابكسل سواء كان الملف المرفوع 1 MP أو 40 MP. رسميًا، لملف مرفوع ضلعه الطويل L:

تكمل القاعدة ثلاثة حواجز أمان: لا يهبط المخرج أبدًا تحت الدقة الأصلية (يجب ألا يكلفك التحسين بكسلات أبدًا)، والمدخلات القريبة أصلًا من الهدف أو التي تتجاوزه تتخطى المرور كليًا (بند الكسب الأدنى 1.3×، لأن دون ذلك تطمس رحلة إعادة التعيين والنموذج ذهابًا وإيابًا بقدر ما تشحذ تقريبًا)، وتُرمم الوجوه بعد المرور، فتدخل قصاصات الوجوه إلى نموذج الوجوه بالدقة المحسَّنة.

2 · لماذا حد أصلًا: التكلفة خطية، بعد أن تجعلها كذلك

الادعاء الذي يحفّز التصميم كله قابل للقياس، فقسناه: مسار التكبير الإنتاجي (بلاطات 192 px، وحشو 8 px، وONNX Runtime CPU^[3]) شُغّل على مدخلات من 0.04 إلى 0.39 ميغابكسل على عتاد من فئة الحاويات ذات 2 vCPU:

تسقط حقيقة هندسية ثانية من المسح نفسه: زمن التشغيل الإجمالي مستقل عمليًا عن حجم البلاطة (من 96 إلى 384 px تقع كلها ضمن 8% من بعضها): الشغل لكل بكسل، وعبء الحشو عند 8 px ضوضاء. لذلك يُختار حجم البلاطة للذاكرة لا للسرعة: 192 px يبقي الموتر الذروي صغيرًا بما يكفي لكومة WASM في محرك الاحتياط في المتصفح.

3 · ضريبة الدروز، ولماذا يدفعها 8 px من السياق

للتبليط نمط فشل نادرًا ما تتوقف عنده الأوراق العلمية: للالتفافات حقول استقبال، لذا فالبلاطة المقطوعة دون سياق محيط خاطئة على طول حدها، ويُظهر الفسيفساء المعاد تجميعه شبكة. نقيسه بمؤشر دروز: متوسط تدرج اللوما عبر أعمدة بكسلات حدود البلاطات مقسومًا على متوسط التدرج في مواضع أخرى؛ 1.0 تعني أن الحدود غير مرئية إحصائيًا:

شكل ذلك المنحنى هو حجة التصميم مصغّرة: أول بكسلين من السياق يشتريان نصف التحسن، وثمانية تشتري عوائد متناقصة، وبعد ثمانية تدفع عبء حشو شبه تربيعي مقابل طاقة دروز لا يستطيع أي مشاهد العثور عليها. (أما هل البكسلات المحسَّنة نفسها تتفوق على الاستيفاء الكلاسيكي فسؤال منفصل له جواب مقيس؛ انظر قياس الـ28 صورة، حيث يتنازل النموذج عن 1.07 dB من PSNR لصالح Lanczos-3 ويستعيد 3.1× من طاقة الحواف^[2].)

4 · التوقيتات المقيسة، من طرف إلى طرف

القياس المعياري: مسح ضوئي بالأبيض والأسود بأبعاد 821×1024 رُمم إلى 2052×2560، ولُوِّن، بوجه واحد، على نسخة دافئة.

من طرف إلى طرف في الإنتاج على الصورة نفسها: 68 ث في بداية باردة (تحميل أوزان النماذج) و32 ث دافئة. للمقارنة: الخط السابق، الذي لم يكبّر شيئًا ولم يلمس سوى الوجوه، كان يعمل في 23–34 ث دافئة؛ فمرور الصورة الكاملة المحدود لا يضيف شيئًا يُذكر إلى الزمن الفعلي، لأن مدخله صغير بحكم البناء. وحين تعمل المهمة نفسها داخل المتصفح (الاحتياط التلقائي)، استغرق مسح ضوئي بأبعاد 1000×1223 مدة 340.8 ث على حاسوب مكتبي بمعالج Apple silicon مع WebGPU (الخطة المحدودة نفسها، بنحو 10× من الزمن الفعلي). الحد هو ما يبقي حتى تلك الحالة الأسوأ صالحة للاستخدام بدلًا من أن تكون بلا حدود.

5 · ما رُفض

الدقة الفائقة القائمة على الانتشار (أبطأ بكثير من أن تصلح لأداة تفاعلية على منظومتنا)، ونماذج ترميم الوجوه الأكبر كخيار افتراضي (يتضخم الزمن لكل وجه في الصور الجماعية)، وإرسال الصور إلى واجهات API خارجية للاستدلال على معالجات الرسوميات: ستغادر الصور بنيتنا التحتية، وهو ما يستبعده وعد الخصوصية. تبقي الخطة المحدودة مكاسب الجودة حيث يدركها المشاهد فعلًا، صورة بحجم الشاشة، بدلًا من الدفع تربيعيًا مقابل بكسلات لا يراها أحد.

6 · القيود

هدف 2560 px قرار منتج لا قيمة مثلى: تستفيد المطبوعات من دقة أعلى، وقد ترفع فئة مدفوعة مستقبلية الحد. والتوقيتات أعلاه هي الحالة الشائعة: الصور المكتظة بالوجوه تقضي وقتًا أطول نسبيًا في مرحلة الوجوه، التي لا يغطيها حد التحسين. ومؤشر الدروز أداة إحصائية: يشهد بأن الحدود هادئة في المتوسط، لا بأنه لا يمكن لأي ملمس عدائي أن يكشف واحدًا منها أبدًا.