لماذا يتعثر نهج GPT مع الموسيقى الرمزية: الضغط يعمل فقط في نظام الإحداثيات الصحيح
يبدو أن الموسيقى الرمزية صُممت خصيصًا للترميز: النوتات منفصلة، الأوتار تتكرر، والأفكار الموسيقية تشكل بنىً يمكن التعرف عليها. تعمل نماذج GPT بشكل ممتاز مع الرموز القابلة لإعادة الاستخدام، لذلك تنشأ الرغبة في نقل نهج اللغة مباشرة إلى المدرج الموسيقي. لكن الممارسة تُظهر: ترميز الموسيقى ليس مجرد تقطيع للتسلسل، بل هو اختيار نظام إحداثيات يمكن للنموذج من خلاله رؤية الأنماط.
الرموز ليست واجهة عالمية
يقوم نجاح النماذج اللغوية على قاموس محدود من الرموز التي يمكن إعادة استخدامها في سياقات مختلفة. هذه الواجهة مريحة لدرجة أنها بدأت تُطبق على مجالات أخرى — من البرمجة إلى التسلسلات البيولوجية. ومع ذلك، عند تجاوز حدود اللغة تظهر مشكلة: لا يوجد معيار موحد لما يجب أن تمثله عملية الترميز وأين يجب أن تتوقف. ما يصلح للنص قد يكون عديم الفائدة أو حتى ضارًا للموسيقى.
تقدم دراسة يي وانغ (arXiv:2608.18025) معيارًا عامًا — طول الكود التنبؤي (predictive codelength). وهو مقياس لمدى نجاح النموذج في ضغط المعلومات عند التنبؤ بالعنصر التالي. إذا ساعد الترميز في تقليل هذا الطول — فهذا يعني أنه يلتقط البنية الحقيقية للبيانات؛ وإذا لم يساعد — فهو فقط يخلق مظهرًا من النظام.
الموسيقى تتطلب إحداثيات، وليس مجرد قاموس
الموسيقى الرمزية تشبه اللغة بشكل خادع: نفس النوتات، نفس الأوتار. لكن خلف هذه الانفصالية تختبئ معاملات مستمرة للزمن والنغمية. عندما نقطع الموسيقى إلى رموز قياسًا على الكلمات، فإننا نثبّت ضمنيًا إطارًا مرجعيًا. على سبيل المثال، يمكن ترميز درجة النوتة كقيمة مطلقة — لكن عندها يجب على النموذج أن يستنتج النغمية بنفسه. يمكن ضبط الزمن كعداد صحيح — لكن عندها تصبح الإزاحات والإيقاع غير قابلة للتمييز.
يفصل مؤلف إطار عمل Effectiveness–Losslessness Framework بين حدّين. Fact–Token Boundary يحدد أين يجب أن تدخل البنية الملحوظة إلى واجهة الرموز — على سبيل المثال، عبر البناء الصريح للإحداثيات. Token–State Boundary يشير إلى أين يجب أن يتوقف الترميز: باقي الاعتمادات يجب أن يحسبها النموذج بنفسه، في حالته الداخلية، وليس أن يستلمها جاهزة من المُرمِّز. إذا ضغطنا أكثر من اللازم، يفقد النموذج القدرة على استخدام السياق؛ وإذا ضغطنا أقل من اللازم — يغرق في تفاصيل غير جوهرية.
التجربة: الزمن والنغمية هما الحل
في تجارب متعددة البذور (multi-seed) خاضعة للضبط على موسيقى رمزية، تبيّن أن التحديد الصريح للزمن الموسيقي يقلل باستمرار من الكود التنبؤي. أي بدلاً من إخفاء الطوابع الزمنية داخل الرموز، من الأفضل جعلها إحداثيًا منفصلًا — هكذا يبدأ النموذج في التنبؤ بدقة أكبر بكل من درجة النوتة ومدتها. مكسب إضافي يأتي من توحيد السياق النغمي: إرجاع جميع العبارات إلى مركز نغمي موحد. كما أن تحليل الدرجة — تقسيمها إلى درجة سلمية وأوكتاف — يساعد أيضًا.
لكن المهم أيضًا هو ما لا يعمل. الإحداثيات الثابتة للدرجة وفق دائرة الخامسات — نظرية موسيقية جميلة فُرضت دون مراعاة السياق — تزيد من الكود التنبؤي. العلاقة المحددة مسبقًا بين الدرجات تمنع النموذج من التكيف مع التناغم المحدد. قرر المُرمِّز نيابةً عن النموذج كيف تُبنى الروابط بين النوتات، وبقي النموذج بلا عمل.
الضغط من أجل الضغط لا يساعد
مفاجأة منفصلة — BPE القابل للعكس. يسمح بتقصير ملحوظ للحامل (carrier) — أي تسلسل الرموز نفسه — لكن طول الكود التنبؤي يزداد مع كل بذرة. من منظور تخزين البيانات، هذا ضاغط ممتاز، ومن منظور التعلم — مساعد سيء. السبب أن BPE يدمج الأجزاء المتكررة لكنه يفقد العلاقات السياقية: النموذج يوفر في الطول، لكنه ينفق الجهد في تعلم اختصارات مصطنعة.
الخلاصة
يتعثر نهج GPT مع الموسيقى الرمزية ليس بسبب نقص القوة، بل بسبب الاختيار الخاطئ لنظام الإحداثيات. الضغط يعمل فقط عندما تكون واجهة الرموز متسقة مع البنية الحقيقية للبيانات: الزمن يجب أن يكون زمنًا، والنغمية يجب أن تكون نغمية، وكل ما تبقى يجب أن يكون موضوع عمل النموذج نفسه. معيار طول الكود التنبؤي يسمح بفصل الترميز المفيد عن التجميل وفهم أين يجب حقًا رسم الحد بين الحقيقة والحساب.
