تحديد الموقع بالذكاء الاصطناعي: كيف يعمل؟

أنفع ما يمكن فهمه هنا هو ما لا تفعله هذه النماذج. فلا توجد قاعدة صور تُستشار، ولا تُجرى أي مطابقة، ولا يُبحث عن شيء في صورتك في أي مكان.

• النص والكتابة: لافتة واحدة مع نظام كتابة واحد تضيّق الاحتمالات غالبًا إلى بلد واحد.
• أثاث الطريق: ألوان الخطوط والحواجز الأسطوانية وأعمدة الإشارة وحواف الأرصفة موحدة على مستوى الدولة.
• المرافق: شكل العمود وترتيب الأسلاك ولون صندوق البريد تتغير عند الحدود، حيث لا يتغير المشهد الطبيعي.
• المركبات: نسب لوحات الترخيص ولونها، وأي الطرازات شائعة محليًا.
• العمارة: ميل السقف ونسب النوافذ ومواد البناء تتبع المناخ والتقاليد البنائية.
• النباتات والضوء: مزيج الأنواع النباتية يعطي نطاقًا مناخيًا، واتجاه الظل يقيّد خط العرض.

لا شيء من هذه العناصر حاسم وحده، ويعمل المحلل البشري الذي يقرأ الإشارات نفسها بالترتيب بالطريقة نفسها تمامًا. فوسم GPS يضع الكاميرا في حدود 5 أمتار، أما الاستنتاج البصري فيعمل بدقة أخشن بآلاف المرات، وهذه الفجوة هي القصة كلها. والتقدير تقاطع: فكل إشارة تستبعد احتمالات، والجواب هو ما ينجو من أكبر عدد منها. ولهذا فإن الصورة قليلة الإشارات تعطي إجابة ضعيفة، لا إجابة واثقة وخاطئة. وبقراءة هذه الإشارات من Street View وحدها، تفوّق نموذج بحثي واحد على لاعب GeoGuessr محترف بست مباريات مقابل صفر.

هما يكمّلان بعضهما ولا يتنافسان. والترتيب المنطقي هو البحث أولًا، فالتطابق التام أفضل من التقريب، ولا تستنتج إلا عندما لا يتطابق شيء. ومقارنة المحركات تبيّن أي محرك تجرّب لأي موضوع.

هذا حد للطريقة نفسها، لا لحجم النموذج. فالنموذج الأكبر يصيب المدينة في أغلب الأحيان، لكنه لا يحوّل صورة لشارع سكني عام إلى رقم منزل. وأي أداة تقدم دقة على مستوى الشارع من البكسلات وحدها تقدم تخمينًا على أنه قياس.

النمط الفاشل الذي يجب الانتباه إليه هو الإجابة الواثقة عن صورة خالية من الملامح. فالنموذج الذي يسمّي مدينة محددة من صورة لجدار أبيض لم يكتشف شيئًا فاتك، بل أنتج ضجيجًا وألصق به رقمًا. وهذا أول ما يجب اختباره قبل أن تبني على واجهة برمجية لتحديد موقع الصور: ضع جدرانًا فارغة في مجموعة الاختبار وانظر ما الذي يعود. ولا تنجو روبوتات المحادثة العامة من ذلك، ففي اختبارات Bellingcat لعام 2025 كانت كل النماذج، بما فيها ChatGPT، مخطئة تمامًا في مرحلة ما.