Agentic Video Understanding و كيف أصبح الذكاء الاصطناعي يفهم الفيديو بذكاء

الفكرة الجديدة تعرف باسم Agentic Video Understanding، وقد أطلقتها Google ضمن قدرات Gemini في سبتمبر 2026.

وبذلك يصبح السؤال من: كيف نعطي الذكاء الاصطناعي الفيديو كله؟ إلى: كيف نجعل الذكاء الاصطناعي يبحث داخل الفيديو عن الجزء الذي يحتاج إليه؟

ما هو Agentic Video Understanding؟

ببساطة، هو أسلوب يجعل نموذج الذكاء الاصطناعي لا يكتفي باستقبال الفيديو وتحليله بطريقة ثابتة، بل يستطيع اتخاذ خطوات بحث داخل الفيديو للوصول إلى المعلومات المطلوبة.

يمكن تشبيه الأمر بشخص يبحث داخل تسجيل طويل عن إجابة لسؤال محدد. بدل مشاهدة التسجيل بالكامل بنفس التركيز، يبدأ بالبحث عن الأماكن التي يحتمل أن تحتوي على الإجابة، ثم يفحص تلك الأجزاء بصورة أكثر دقة.

وهنا يظهر ارتباط التقنية بمفهوم Agentic AI، لأن النموذج لا يتعامل مع المهمة كعملية معالجة ثابتة فقط، بل يتخذ خطوات للوصول إلى الهدف المطلوب.

ما الفرق بين تحليل الفيديو التقليدي والتحليل الوكيلي؟

في المعالجة التقليدية، يمكن للنظام استخراج إطارات من الفيديو بمعدل ثابت ثم وضعها أمام النموذج لتحليلها. وتوضح Google أن المعالجة الثابتة في Gemini تستخدم افتراضيًا معدلًا قدره إطار واحد في الثانية، مع إمكانية تعديل ذلك عبر واجهة البرمجة.

هذه الطريقة يمكن أن تكون مناسبة للفيديوهات القصيرة أو المهام البسيطة، لكنها تصبح أكثر تكلفة وتعقيدًا عندما نتعامل مع تسجيلات طويلة.

أما في Agentic Video Understanding فيستطيع النموذج التنقل داخل الفيديو، واختيار الأجزاء المهمة، وتعديل طريقة الفحص وفق السؤال المطروح.

بمعنى آخر، لا يحتاج كل جزء من الفيديو إلى نفس مستوى الاهتمام.

مثال بسيط لفهم التقنية

وهذه النقطة مهمة جدًا، لأن قيمة التقنية ليست فقط في تلخيص الفيديو، وإنما في العثور على المعلومة داخل الفيديو.

كيف يستطيع Gemini البحث داخل الفيديو؟

تعتمد الفكرة على استخدام أكثر من نوع من المعلومات الموجودة داخل الفيديو.

• الإطارات: لفهم الأشياء والمشاهد والتغييرات المرئية.
• الصوت: لفهم ما يتم قوله أو سماعه.
• النص المفرغ: للبحث عن كلمات وعبارات مرتبطة بالسؤال.
• الخط الزمني: لتحديد مكان حدوث المعلومة داخل الفيديو.

وتوضح Google أن النموذج يستطيع تحميل المحتوى الذي يحتاج إليه فقط وفقًا للمهمة، بدل تحميل كل المعلومات بنفس الطريقة.

وهذا يجعل التقنية مختلفة عن مجرد إرسال فيديو إلى نموذج ثم طلب "لخصه".

مثال عملي: البحث داخل فيديو YouTube

لنفترض أنك شاهدت مؤتمرًا تقنيًا مدته ساعتان، وتريد معرفة كل اللحظات التي تحدث فيها المتحدث عن الذكاء الاصطناعي في التعليم.

يمكن أن يكون طلبك:

بدل الحصول على ملخص عام لساعتين، تحصل على خريطة للأجزاء المرتبطة بسؤالك.

وتدعم Gemini API حاليًا إدخال فيديوهات من خلال عدة طرق، منها File API وCloud Storage، كما يمكن استخدام روابط YouTube العامة في الحالات المدعومة.

مثال لصناع محتوى YouTube

إذا كنت تدير قناة على YouTube، يمكن أن تكون هذه التقنية مفيدة جدًا عند امتلاك مكتبة كبيرة من الفيديوهات القديمة.

تخيل أن لديك 50 فيديو، وكل فيديو يتراوح بين 20 دقيقة وساعتين، وتريد استخراج أفضل اللحظات لصناعة Shorts.

بدل مشاهدة الفيديوهات كلها يدويًا، يمكن استخدام تحليل الفيديو للبحث عن:

• أهم المعلومات.
• أكثر اللحظات وضوحًا.
• الأمثلة العملية.
• الأسئلة المهمة.
• الجمل التي تصلح كبداية لمقطع قصير.
• المقاطع التي تحتوي على تغيير بصري أو حدث مهم.

بهذه الطريقة يتحول أرشيف الفيديو القديم إلى مصدر لأفكار جديدة بدل تركه دون استخدام.

مثال في التعليم

يمكن أن تكون التقنية مفيدة للطلاب والمدرسين الذين يتعاملون مع محاضرات طويلة.

مثلًا، يمكن رفع تسجيل محاضرة وطلب:

وهنا يمكن ربط تحليل الفيديو بموضوع استخدام الذكاء الاصطناعي لإدارة الوقت وتنظيم المهام، لأن البحث الذكي داخل المحاضرات يمكن أن يقلل الوقت الذي يضيعه المستخدم في البحث اليدوي عن معلومة معينة.

مثال في الاجتماعات

الشركات لديها كمية كبيرة من تسجيلات الاجتماعات والمناقشات.

يمكن أن يكون السؤال:

"أين ناقش الفريق مشكلة انخفاض المبيعات؟ وما الحلول التي تم اقتراحها؟"

هنا لا تحتاج بالضرورة إلى ملخص كامل للاجتماع، بل تحتاج إلى الوصول إلى أجزاء محددة مرتبطة بموضوع معين.

وهذا أحد الاستخدامات التي تجعل البحث داخل الفيديو أكثر قيمة من مجرد إنشاء ملخص عام.

ما علاقة Agentic Video Understanding بالذكاء الاصطناعي متعدد الوسائط؟

الفيديو بطبيعته متعدد الوسائط؛ فهو يجمع بين الصورة والصوت والحركة والنص.

ولهذا ترتبط التقنية مباشرة بمفهوم الذكاء الاصطناعي متعدد الوسائط، الذي يهدف إلى جعل النماذج قادرة على التعامل مع أنواع مختلفة من البيانات ضمن تجربة واحدة.

لكن Agentic Video Understanding يضيف طبقة مختلفة: بدل الاكتفاء بفهم الوسائط الموجودة في الفيديو، يصبح النموذج أكثر قدرة على تحديد أي جزء من هذه الوسائط يحتاج إليه للوصول إلى الإجابة.

ماذا عن الفيديوهات الطويلة جدًا؟

هنا تظهر إحدى أهم فوائد التقنية.

كلما زاد طول الفيديو، زادت كمية المعلومات التي يمكن أن يحتاج النموذج إلى معالجتها في الطريقة التقليدية.

وتقول Google إن Agentic Video Understanding يمكن أن يقلل استهلاك الـTokens بما يصل إلى 88% في المحتوى الطويل، مع تحسن يصل إلى 7% في الجودة وفق اختبارات الشركة. كما أعلنت Google عن خفض يصل إلى 66% في تكاليف التحليل في اختبارات محددة.

لكن يجب الانتباه إلى أن هذه أرقام أعلنتها Google بناءً على اختبارات محددة، ولا تعني أن كل فيديو وكل سؤال سيحقق النتيجة نفسها.

مثال متقدم: العثور على لحظة تحدث في ثوانٍ قليلة

تخيل فيديو تعليميًا طويلًا، وتريد معرفة اللحظة التي تغيرت فيها شريحة العرض من الرسم البياني الأول إلى الرسم البياني الثاني.

إذا كان التغيير سريعًا جدًا، فقد تفوته طريقة تعتمد على عدد ثابت من الإطارات.

أما Agentic Video Understanding فيستطيع البحث بشكل أكثر دقة داخل الأجزاء المرتبطة بالسؤال.

وتذكر Google أن التقنية تتيح تطبيقات مثل Sub-second Moment Retrieval، أي الوصول إلى تغييرات تحدث خلال أجزاء صغيرة جدًا من الثانية.

ما النماذج التي تدعم Agentic Video Understanding؟

بحسب وثائق Google الحالية، تدعم التقنية نماذج Gemini 3.8 Flash وGemini 3.7 Flash وGemini 3.6 Flash وGemini 3.5 Flash-Lite.

وتتوفر القدرة للمطورين عبر Gemini API، ويمكن البدء بها من خلال أدوات Google للمطورين مثل Google AI Studio وفق طريقة الاستخدام التي تحددها وثائق Google.

لذلك يجب التفريق بين توفر التقنية في واجهات المطورين وبين توفر كل إمكاناتها بنفس الشكل داخل تطبيق Gemini للمستخدم العادي.

كيف يمكن للمطور الاستفادة منها؟

يمكن للمطور بناء تطبيق يجعل المستخدم يرفع فيديو ثم يطرح سؤالًا عنه باللغة الطبيعية.

على سبيل المثال:

1. المستخدم يرفع الفيديو.
2. يكتب السؤال.
3. التطبيق يرسل الفيديو والسؤال إلى Gemini.
4. النموذج يبحث عن الأجزاء المرتبطة بالسؤال.
5. يحدد التوقيتات المهمة.
6. يعرض الإجابة للمستخدم مع التوقيتات التي يمكن الرجوع إليها.

وبهذا يصبح الفيديو أشبه بمصدر معلومات يمكن البحث داخله بدل أن يكون مجرد ملف يتم تشغيله من البداية إلى النهاية.

يمكن للمطورين الاطلاع على دليل Google الرسمي لفهم الفيديو باستخدام Gemini لمعرفة طرق إدخال الفيديو وحدود الملفات وأنماط المعالجة المتاحة.

Prompt عملي لتحليل فيديو طويل

إذا كنت تستخدم أداة تدعم فهم الفيديو، جرب طلبًا مثل هذا:

هل سيغير هذا صناعة المحتوى؟

من الصعب القول إن تقنية واحدة ستغير صناعة الفيديو بالكامل، لكن الاتجاه واضح: الفيديو أصبح مادة يمكن للذكاء الاصطناعي البحث داخلها وتحليلها بصورة أكثر ذكاءً.

وهذا مهم لصناع المحتوى الذين يمتلكون مكتبات ضخمة من التسجيلات، وللشركات التي لديها اجتماعات ودورات تدريبية، وللمؤسسات التعليمية التي تعتمد على المحاضرات المسجلة.

كما يمكن أن يساعد هذا الاتجاه في تحويل المحتوى القديم إلى محتوى جديد، بدل أن تظل الفيديوهات السابقة مجرد أرشيف.

ما الفرق بين فهم الفيديو وإنشاء الفيديو؟

من المهم عدم الخلط بين الأمرين.

فهم الفيديو يعني أن الذكاء الاصطناعي يحلل فيديو موجودًا بالفعل ويستخرج منه معلومات أو يجيب عن أسئلة حوله.

أما إنشاء الفيديو فيعني استخدام الذكاء الاصطناعي لإنشاء أو تعديل محتوى فيديو جديد.

Agentic Video Understanding ينتمي إلى الجانب الأول، أي فهم وتحليل الفيديو، وليس إنشاء فيديو جديد من الصفر.

هل النتائج دقيقة دائمًا؟

لا، وهذه نقطة أساسية.

رغم التطور الكبير في نماذج الذكاء الاصطناعي، يمكن أن يحدث خطأ في تفسير مشهد أو صوت أو سياق معين.

لذلك عند استخدام التقنية في الأخبار أو التقارير أو القرارات المهنية، يجب الرجوع إلى الفيديو الأصلي والتأكد من التوقيت والمعلومة.

وإذا كنت تستخدم النتائج في صناعة محتوى، فمن الأفضل اعتبار الذكاء الاصطناعي أداة للبحث والمساعدة وليس بديلًا عن المراجعة البشرية.

وهذا يتفق مع أهمية استخدام تقنيات AI Evals لتقييم أداء أنظمة الذكاء الاصطناعي، خصوصًا عندما تتحول هذه الأنظمة إلى جزء من سير عمل متكرر.

الخلاصة

Agentic Video Understanding يمثل خطوة جديدة في تطور فهم الفيديو بالذكاء الاصطناعي.

الفكرة الأساسية ليست أن Gemini أصبح قادرًا فقط على "مشاهدة" الفيديو، وإنما أنه يستطيع البحث داخله بصورة أكثر ديناميكية وتحديد الأجزاء التي يحتاج إليها للإجابة عن السؤال.

وهذا يفتح تطبيقات كثيرة في YouTube والتعليم والاجتماعات والتدريب وتحليل المقابلات والبحث داخل مكتبات الفيديو.

ومع استمرار تطور نماذج Gemini، من المتوقع أن تصبح القدرة على السؤال عن فيديو طويل والوصول إلى اللحظة المناسبة أمرًا أكثر شيوعًا، بدل مشاهدة التسجيل بالكامل للوصول إلى معلومة واحدة.

الأسئلة الشائعة حول Agentic Video Understanding

ما هو Agentic Video Understanding؟

هو أسلوب لتحليل الفيديو يجعل نموذج الذكاء الاصطناعي يبحث بشكل ديناميكي داخل الخط الزمني ويختار الإطارات أو الصوت أو النص الذي يحتاج إليه للإجابة عن سؤال محدد.

ما الفرق بين Agentic Video Understanding وتحليل الفيديو التقليدي؟

التحليل التقليدي يمكن أن يعتمد على استخراج الإطارات بمعدل ثابت، بينما يسمح النمط الوكيلي للنموذج باستكشاف الفيديو واختيار الأجزاء التي يحتاج إليها وفقًا للسؤال.

هل يمكن استخدام Agentic Video Understanding مع فيديوهات طويلة؟

نعم، وتوضح Google أن التقنية مناسبة خصوصًا للفيديوهات الطويلة والأسئلة التي تستهدف لحظات محددة داخل الفيديو.

هل يستطيع Gemini تحليل الصوت والصورة والنص معًا؟

نعم. يمكن للنظام الاستفادة من الإطارات والصوت والنص المفرغ وفقًا لطبيعة المهمة.

هل يمكن استخدام التقنية مع فيديوهات YouTube؟

توضح وثائق Gemini API أن روابط YouTube العامة يمكن استخدامها كإحدى طرق إدخال الفيديو في الحالات المدعومة.

هل Agentic Video Understanding متاح لكل مستخدمي Gemini؟

يجب التفريق بين إمكانات Gemini للمستخدم النهائي وإمكانات Gemini API. التقنية متاحة للمطورين من خلال Gemini API، بينما يختلف توفر الميزات داخل تطبيق Gemini حسب المنتج والحساب ومرحلة الطرح.

هل يمكن الاعتماد على نتائج تحليل الفيديو دون مراجعة؟

لا يُنصح بذلك. يمكن للذكاء الاصطناعي أن يخطئ في تفسير بعض المعلومات، ولذلك يجب مراجعة النتائج المهمة والرجوع إلى الفيديو الأصلي.

المصادر الرسمية

يمكنك الاطلاع على دليل Google الرسمي لفهم الفيديو في Gemini API لمعرفة تفاصيل الإدخال وأنماط معالجة الفيديو.

كما يمكنك متابعة سجل تحديثات Gemini API الرسمي لمتابعة النماذج والميزات الجديدة.

ولمعرفة الإعلان الأصلي عن التقنية، راجع إعلان Google عن Agentic Video Understanding.