ما هو انجراف الشخصية في فيديو الذكاء الاصطناعي؟

تعريف دقيق لانجراف الشخصية (character drift) في فيديو الذكاء الاصطناعي: ما هو، ولماذا يحدث، وما السمات التي تنجرف، وما التقنيات التي تحلّه فعلياً في 2026.

·7 min read·definition

انجراف الشخصية (character drift) هو حين يتغير مظهر شخصية مولَّدة بالذكاء الاصطناعي تغيراً طفيفاً من لقطة إلى أخرى، حتى تجد نفسك بحلول اللقطة السادسة أو السابعة أمام شخص مختلف.

وهو السبب الأكبر منفرداً وراء عدم نجاح الفيديو السردي بالذكاء الاصطناعي — الأفلام القصيرة، الدرامات، قصص العلامات — حتى الآن في معظم الأدوات الحالية.

يُعرّف هذا المقال انجراف الشخصية بدقة، ويشرح لماذا يحدث، ويستعرض ما يسبّبه، ويغطي التقنيات التي تحلّه فعلياً في 2026.

تعريف دقيق

يشير انجراف الشخصية إلى تغيرات تدريجية غير مقصودة في السمات المُعرِّفة لهوية الشخصية عبر لقطات فيديو متعددة مولَّدة بالذكاء الاصطناعي، حيث كان قصد المستخدم أن تظل تلك السمات ثابتة.

الانجراف غير مقصود — المستخدم أراد الاتساق. وهو تدريجي — كل لقطة تتغير قليلاً. ويصيب السمات المُعرِّفة للهوية — الأشياء التي تجعل الشخص يُعرَف بأنه هو نفسه.

الانجراف يختلف عن:

الانجراف هو ما يحدث حين أردت الشخص ذاته فحصلت على شخص مختلف.

ما السمات التي تنجرف؟

عبر آلاف التوليدات من الأدوات العامة التي فهرسناها، يصيب الانجراف عادةً هذه السمات:

  1. لون العين — الانجراف الأكثر شيوعاً. البني يصبح بندقياً ثم أخضر عبر بضع لقطات.
  2. شكل العين — جفن مفرد إلى مزدوج، ضيقة إلى واسعة.
  3. خط الفك — حاد إلى ناعم، مربع إلى مدور.
  4. خط الشعر — يتراجع أو يتقدم، وتغيرات في الفِرق.
  5. لون البشرة — يحترّ أو يبرد بنسبة 5-10%.
  6. نِسَب الوجه — المسافة بين العينين، نسبة الأنف إلى الفم، طول الذقن.
  7. لون الشعر — أسود إلى بني إلى بني داكن.
  8. نِسَب الجسم — الطول، البنية، الوقفة.
  9. الملامح المميزة — شامات، ندوب، إكسسوارات تظهر أو تختفي.
  10. الهوية الأسلوبية — من واقعي إلى تصيير منمَّق قليلاً.

بعضها واضح. وأخرى (المسافة بين العينين، نسبة الأنف إلى الفم) تُلتقَط على مستوى لاوعي — يشعر المشاهدون بأن شيئاً ما خاطئ دون تحديد ما تغير بوعي.

لماذا يحدث الانجراف؟

ثلاثة أسباب بنيوية.

1. نماذج الفيديو التوليدية عديمة الحالة

عند توليد اللقطة 1، يحوّل النموذج موجِّهك إلى تمثيل كامن، ويجري عملية الانتشار، ويُخرج إطارات. الحالة الداخلية لا تُحفَظ. وعند توليد اللقطة 2 بنفس الموجِّه، يبدأ النموذج من جديد.

التوليد الجديد مشابه لكنه ليس مطابقاً، لأن أخذ العينات في الانتشار عشوائي. كل توليد هو سير عشوائي مختلف عبر الفضاء الكامن للنموذج، حتى مع موجِّهات متشابهة.

2. الموجِّهات تصف فئات لا هويات

موجِّه مثل «امرأة آسيوية في الثلاثين بشعر أسود حتى الكتف» يصف فئة تشمل ملايين الأشخاص الصالحين. النموذج يختار واحداً في كل مرة. دون شيء أكثر تحديداً، لا يمكنك التثبيت على شخص بعينه.

تقبل بعض الأدوات صوراً مرجعية. تساعد هذه في أول 2-3 لقطات، لكن النموذج يُولي الموجِّه وزناً متزايداً مقابل المرجع تدريجياً، فيعود الانجراف للظهور.

3. الانجراف يتراكم عبر اللقطات

حتى الفروق الصغيرة في كل لقطة تتراكم. إذا انجرفت كل لقطة 3% عن المرجع الأصلي، فبحلول اللقطة 10 ستكون مبتعداً 30%. وبحلول اللقطة 20، الشخصية مختلفة بشكل لا يمكن التعرف عليه.

رياضيات الانجراف أُسّية، لا خطية.

لماذا لا تحلّه الأدوات الحالية أصلياً

معظم أدوات فيديو الذكاء الاصطناعي (Runway Gen-3، Pika 2.0، Sora، Kling، Veo 3، Seedance 2.0) مُحسَّنة لجودة المقطع الواحد. جهد البحث والتطوير يذهب لجعل كل توليد منفرد جيداً قدر الإمكان. الاتساق متعدد اللقطات مشكلة منفصلة تتطلب معمارية منفصلة، ولم تكن أولوية لنماذج الأساس نفسها.

الأدوات الأقرب أصلياً (Sora، Seedance) لا تزال تُظهر انجرافاً ملحوظاً ابتداءً من اللقطة 3-4 في اختباراتنا.

ما التقنيات التي تحلّ الانجراف فعلاً؟

خمسة أساليب، مرتبة بحسب فاعليتها:

1. الموجِّه ذاته + البذرة ذاتها (لا يعمل غالباً)

النظرية: مدخلات متطابقة ينبغي أن تنتج مخرجات متطابقة.

الواقع: نماذج الفيديو الحديثة فيها عناصر عشوائية (جدولة الضوضاء، إسقاط الانتباه) لا تحترم البذور بالكامل. تظهر اختلافات على مستوى الإطار حتى مع مدخلات متطابقة.

النتيجة: تقليل طفيف للانجراف، لا يزيله.

2. صورة مرجعية في كل لقطة (تساعد ~3 لقطات)

النظرية: إدراج المرجع في كل موجِّه لتثبيت الشخصية.

الواقع: يعمل في اللقطات 1-3، ينجرف في 4-6، وينهار بحلول 8-10.

النتيجة: مفيد للمحتوى القصير، يفشل في السردي.

3. ضبط دقيق بـ LoRA لكل شخصية (يعمل لكنه لا يتسع)

النظرية: تدريب نموذج مخصص صغير على صور شخصيتك؛ واستخدامه لكل اللقطات.

الواقع: يعمل جيداً لتوليد الصور. للفيديو، يتطلب أكثر من 20 صورة، يأخذ 30 دقيقة – ساعتين لكل شخصية للتدريب، لا يعمم على الحركة جيداً، ولا يتوافق عبر شخصيات متعددة.

النتيجة: اتساق بجودة الإنتاج، لكن سير العمل لا يتسع.

4. IP-Adapter / تكييف بالمرجع فقط (يساعد بشكل متوسط)

النظرية: حقن سمات الصورة المرجعية في طبقات الانتباه للنموذج، متجاوزاً الموجِّه.

الواقع: يعمل لاتساق متوسط على 5-10 لقطات، ينهار عند 20 لقطة فأكثر وعند تغييرات الوضعية الكبيرة.

النتيجة: متين للمحتوى متوسط الطول، يفشل في السردي الطويل.

5. معمارية الشخصية كأصل (الحالة الراهنة لأحدث ما توصل إليه الفن)

النظرية: معاملة الشخصية كأصل دائم من الدرجة الأولى مخزّن كـ embedding، لا كتفصيلة في الموجِّه. حقن الـ embedding مباشرة في تكييف النموذج. اقترانه مع موجِّهات سلبية مولَّدة تلقائياً بناءً على كتالوج لأنماط الانجراف الشائعة.

الواقع: هذا ما بنت حوله أدوات مثل Juying. في اختباراتنا، يحافظ هذا الأسلوب على الهوية عبر أكثر من 30 لقطة باتساق عالٍ.

النتيجة: اتساق جاهز للإنتاج للمحتوى السردي.

كيف تختبر الانجراف في أي أداة

ثلاثة اختبارات سريعة:

الاختبار 1 — اختبار الـ 30 لقطة: ولّد الشخصية ذاتها في 30 مشهداً مختلفاً (إضاءات، زوايا، انفعالات متنوعة). رتّبها في شبكة. انظر إلى الوجوه جنباً إلى جنب. ينبغي أن يتضح أنها للشخص ذاته.

الاختبار 2 — اختبار الطرفين: قارن اللقطة 1 باللقطة 30 مباشرة. ينبغي ألا يمكن التمييز بينهما كشخص واحد.

الاختبار 3 — اختبار إعادة الاستخدام: ولّد شخصية اليوم. عُد غداً بسيناريو مختلف. هل يمكنك إعادة استخدام الشخصية ذاتها دون إعادة تأسيسها؟

الأدوات التي تنجح في الثلاثة جميعها قد حلّت مشكلة الانجراف بجودة الإنتاج. الأدوات التي تفشل في أي منها لم تحلّها.

أسئلة شائعة

هل انجراف الشخصية هو ذاته «الوادي الغريب» (uncanny valley)؟

لا. الوادي الغريب يشير إلى خطأ خفي في تصيير منفرد لشخص. الانجراف يشير إلى تغيرات الهوية عبر تصييرات متعددة.

هل يصيب الانجراف الشخصيات غير البشرية أيضاً؟

نعم. يصيب الانجراف الشخصيات المتحركة، والشخصيات المنمَّقة، والحيوانات، وحتى الأشياء. أي شيء له سمات مُعرِّفة للهوية يمكن أن ينجرف.

هل يمكنني إصلاح الانجراف في ما بعد الإنتاج؟

جزئياً. يمكنك تبديل الوجه أو التركيب على لقطات منفردة، لكن ذلك كثيف العمل ويبدو اصطناعياً عند التوسع. حلّ الانجراف وقت التوليد أفضل بكثير من إصلاحه لاحقاً.

هل يزداد الانجراف سوءاً في الفيديوهات الأطول؟

نعم. الانجراف يتراكم، لذا فإن فيديو 5 دقائق يحوي انجرافاً أكثر من فيديو 30 ثانية، مع تساوي العوامل الأخرى. هذا جزء من سبب صعوبة الفيديو الطويل بالذكاء الاصطناعي.

هل الانجراف غير قابل للحل جوهرياً؟

لا. معمارية الشخصية كأصل تعمل. التحدي هو هندستها بشكل جيد — بناء استخراج الـ embedding المناسب، وكتالوج أنماط الانجراف المناسب، وحلقة التحقق من الاتساق المناسبة. الأدوات التي استثمرت في هذه الطبقة تحلّ الانجراف بجودة الإنتاج.

الخلاصة

انجراف الشخصية ليس مشكلة نموذج — بل مشكلة معمارية. النماذج الأكبر للفيديو لن تحلّه؛ بل ستنتج انجرافاً بجودة أعلى فقط. الحل يكمن في الطبقة فوق النموذج: كيف تُخزَّن الهويات وتُسترجَع وتُحقن في التوليدات.

إن كنت تختار أداة فيديو ذكاء اصطناعي وعملك يتطلب ظهور الشخصية ذاتها في لقطات متعددة، فالسؤال الذي ينبغي طرحه هو:

«كيف تخزّن أداتك هوية الشخصية وتسترجعها عبر التوليدات؟»

إن كانت الإجابة «نستخدم صورة مرجعية» — فالانجراف سيحدث. وإن كانت الإجابة «نخزّن embeddings كأصول شخصيات دائمة ونحقنها في التكييف» — فالانجراف محلول إلى حد كبير.

قراءات ذات صلة

جرّب أداة تحلّ الانجراف أصلياً — Juying — باقة مجانية متاحة.