چرا ابزار جدید گوگل عکس‌ها در تشخیص لباس‌ها دچار توهم می‌شود؟

تصور کنید می‌خواهید با کمک هوش مصنوعی لباس‌هایتان را ست کنید، اما مدل به جای پیراهن، بازوی شما را در یک گچ پزشکی می‌بیند. این تجربهٔ ناامیدکننده، واقعیت فعلی قابلیت جدید گوگل برای مدیریت کمد لباس است. در حالی که یک کمد دیجیتال ایده‌ای جذاب است، اما ابزاری که بازوی شما را می‌شکند، فاصله زیادی با یک دستیار مد واقعی دارد.

گوگل در ۲۵ سپتامبر ۲۰۲۶ قابلیت Wardrobe را در Google Photos معرفی کرد تا لباس‌های کاربران را به‌صورت خودکار فهرست کرده و امکان پرو مجازی (Virtual Try-on) را فراهم کند. این عرضه در زمانی صورت می‌گیرد که ابزارهای پرو مجازی هوش مصنوعی در حال رایج شدن هستند، هرچند این ابزارها اغلب در درک جزئیات ظریف پارچه و تناسب لباس با بدن (Fit) دچار مشکل می‌شوند. این ابزار یک مدل چندوجهی (Multimodal) — شبیه به انسانی که هم‌زمان متن، عکس و صدا را می‌فهمد — است که سعی می‌کند بین تصاویر شما و دسته‌بندی‌های پوشاک ارتباط برقرار کند. همان‌طور که در تحلیل قبلی ما درباره‌ی اتوماسیون زیرساخت‌های پیچیده AWS با CloudForge AI از طریق Google AI Studio اشاره کردیم، گوگل در محیط‌های فنی موفق‌تر عمل می‌کند، اما این ابزار مصرف‌کننده نشان می‌دهد که قابلیت‌های مولد گوگل هنگام مواجهه با تصاویر شخصی و دنیای واقعی، هنوز دچار لغزش‌های اساسی است. این چالش‌ها در حالی رخ می‌دهد که گوگل هم‌زمان در حال گسترش اکوسیستم‌های متصل خود است، مشابه استراتژی جدید این شرکت برای مدیریت دسترسی‌های امن در Google Home که سعی دارد کنترل هوشمندتر تجهیزات خانه را فراهم کند.

برای دسترسی به این ویژگی، کاربران باید در اپلیکیشن موبایل به تب Collections رفته و گزینه Build Your Wardrobe را انتخاب کنند. نکته بسیار مهم این است که این قابلیت در نسخه دسکتاپ گوگل عکس‌ها نمایش داده نمی‌شود و تنها مختص اپلیکیشن موبایل است. طبق گزارش ZDNET، فرآیند تحلیل عکس‌ها می‌تواند چندین ساعت به طول بیانجامد، هرچند برخی کاربران نتایج را در کمتر از ۵ دقیقه مشاهده کرده‌اند. پس از آماده شدن «کمد»، کاربران می‌توانند لباس‌ها را بر اساس دسته‌بندی‌هایی مانند تاپ‌ها، شلوارها، کلاه‌ها و جواهرات فیلتر کنند تا آیتم‌های مختلف را با هم ست کنند.

عملکرد این ابزار بین توهمات بصری و حذف گسترده داده‌ها در نوسان است و ثبات ندارد:

• توهمات بصری: در یک مورد، هوش مصنوعی لباسی را تولید کرد که به‌طور توضیح‌ناپذیری بازوی کاربر را در یک گچ پزشکی (Sling) قرار داده بود، در حالی که کاربر هرگز استخوانش نشکسته بود. برای «درمان» این بازو و حذف گچ، کاربر مجبور شد دکمه Regenerate را فشار دهد. این نوع خطاها در بازسازی تصویر، تضاد عجیبی با دقت بالای ابزارهای تبدیل سلفی به پرتره‌های استودیویی دارد که در محیط‌های کنترل‌شده‌تر نتایج خیره‌کننده‌ای می‌سازند.
• نرخ تشخیص پایین: کاربری با نزدیک به ۳۰۰۰ عکس که خودش در آن‌ها حضور داشت، متوجه شد مدل تنها تعداد انگشت‌شماری از لباس‌هایش را شناسایی کرده است: ۶ شلوار، ۳ کلاه، ۲ تی‌شرت، یک ژاکت، دو جفت کفش، یک عینک آفتابی و یک کت دزدان دریایی مربوط به یک سفر تفریحی با تم خاص در سال گذشته.
• نمونه‌برداری ناقص و شدید: کاربر دیگری ۳ ساعت منتظر ماند تا ابزار کارش را تمام کند، اما در نهایت مدل تنها ۴ مورد را شناسایی کرد: دو گردنبند، یک تاپ و یک کلاه؛ این در حالی بود که او در کتابخانه عکس‌هایش ده‌ها لباس مختلف پوشیده بود.

گوگل اعلام کرده است که این ابزار تنها عکس‌های ۴ سال اخیر را بررسی می‌کند. با این حال، کاربران گزارش داده‌اند که حتی در این بازه زمانی، مدل اکثر لباس‌ها را نادیده می‌گیرد. برای مثال، یک نویسنده دورکار اشاره کرد که از سال ۲۰۲۲ تا کنون بسیار بیشتر از ۲ تی‌شرت پوشیده است، اما مدل فقط همان دو مورد را شناسایی کرده است.

در حال حاضر هیچ مکانیزمی وجود ندارد تا از هوش مصنوعی بخواهید کتابخانه عکس‌ها را مجدداً ارزیابی کند یا یک اسکن عمیق‌تر انجام دهد. شما صرفاً هر آنچه را که هوش مصنوعی ارائه می‌دهد می‌پذیرید. این یعنی ممکن است آیتم‌هایی که دیگر استفاده نمی‌شوند، مانند یک کت دزدان دریایی به سبک قرن هفدهم که در جعبه‌ای در زیرشیروانی است، شناسایی شوند، در حالی که لباس‌های ضروری و روزمره شما نادیده گرفته شوند.

برای کاربر عادی، این یعنی «کمد دیجیتال» اغلب نسخه‌ای اسکلتی و ناقص از کمد واقعی اوست. اگرچه مدل در بازسازی لوگوها و متن‌ها روی تعداد محدودی از لباس‌هایی که پیدا کرده است دقت عجیبی دارد، اما برخی عناصر همچنان به صورت متن‌های به‌هم‌ریخته و نامفهوم هوش مصنوعی ظاهر می‌شوند.

با وجود این glitches یا نقص‌های فنی، هوش مصنوعی توانست کپی نسبتاً خوبی از کاربر در حالی که همان تعداد محدود لباس‌ها (از جمله کت دزدان دریایی) را پوشیده است، تولید کند. با این حال، جذابیتِ ترکیب و ست کردن این تعداد کم از لباس‌ها به‌سرعت از بین می‌رود.

این شکست نشان‌دهنده یک شکاف مداوم در هوش مصنوعی چندوجهی است: تفاوت بین تشخیص یک شیء در یک عکس و فهرست‌بندی سیستماتیک یک مجموعه داده. برای خواننده، این بدان معناست که ابزارهای مدِ مبتنی بر هوش مصنوعی هنوز در سطح «اسباب‌بازی» هستند و ابزارهای کاربردی برای برنامه‌ریزی لباس یا مدیریت کمد محسوب نمی‌شوند. اگر هوش مصنوعی نمی‌تواند به‌طور قابل‌اعتماد تی‌شرتی را که ۱۰ بار در ۳ سال پوشیده‌اید ببیند، هنوز نمی‌تواند جایگزین عمل فیزیکی نگاه کردن در آینه شود.

کاربران می‌توانند اکنون این ویژگی را در اپلیکیشن گوگل عکس‌ها تست کنند، اما همان‌طور که خود گوگل هشدار داده است، باید انتظار «نتایج غیرمنتظره» را داشته باشند. مانع بزرگ بعدی برای این ابزارها، حرکت از «نمونه‌برداری تصادفی» به سمت «فهرست‌بندی جامع کتابخانه» خواهد بود.

گام بعدی شما

• اگر از گوگل عکس‌ها استفاده می‌کنید، قابلیت Wardrobe را تست کنید اما انتظار نتایج غیرمنتظره داشته باشید.
• برای مدیریت لباس‌ها، فعلاً به روش‌های دستی یا اپلیکیشن‌های تخصصی کمد لباس متکی بمانید.
• منتظر به‌روزرسانی‌های گوگل برای تبدیل «نمونه‌برداری تصادفی» به «فهرست‌بندی جامع» باشید.

اما چالش‌های سخت‌افزاری برای اجرای این مدل‌ها در مقیاس میلیاردی حتی پیچیده‌تر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.