از پیش بینی پیکسل تا ساختن جهان: مدل های جهان، مرز تازه هوش مصنوعی مولد

از پیش بینی پیکسل تا ساختن جهان: مدل های جهان، مرز تازه هوش مصنوعی مولد

تا همین یک سال پیش، عبارت «مدل جهان» در ادبیات هوش مصنوعی بیشتر یک استعاره بود: شبکه ای که پیکسل های قاب بعدی یک ویدیو را حدس می زند و همین حدس زدن را «فهمیدن جهان» می نامیدیم. اما موج تازه ای از پژوهش ها نشان می دهد که مدل های مولد در حال عبور از این مرحله اند؛ از پیش بینی سطحی تصویر به سوی ساختن جهان هایی که حافظه، حالت و علیت دارند.

تفاوت این دو نگاه از یک نکته فنی ساده آغاز می شود: حافظه جهان. مدل های ویدیوساز کلاسیک، جهان را چیزی بیش از یک رشته فریم نمی دانند؛ به محض اینکه شیئی از کادر خارج شود، از «وجود» هم خارج می شود. پژوهش های اخیر اما بر جداسازی «حالت جهان» از «رندر جهان» تاکید می کنند. در این معماری، یک حالت پایدار در زیر آنچه دوربین می بیند اجرا می شود؛ اشیاء بیرون از کادر فراموش نمی شوند، تغییرات حفظ می مانند و چند ناظر می توانند یک جهان یکتا را از زاویه های مختلف تجربه کنند. پروژه تحقیقاتی «ایدن» از تیم VAST نمونه ای از همین مسیر است: مدلی حالت محور که برای محیط های چندنفره و پژوهش عامل های تجسمیافته طراحی شده و می خواهد رندر را از محل ذخیره جهان جدا کند.

در سوی دیگر این طیف، شبیه سازهای جهان برای رباتیک قرار دارند. هفته گذشته شرکت AgiBot نسخه ۲٫۰ سکوی GE-Sim را با وزن های باز منتشر کرد؛ یک شبیه ساز ویدیویی حلقه بسته برای دست کاری رباتیک که زنجیره کامل «تولید جهان، اجرای سیاست در آن، بستن حلقه و ارزیابی» را یکپارچه می کند. پیام ضمنی این حرکت روشن است: مرز انحصاری داشتن یک شبیه ساز جهان ویدیویی از لایه پایه در حال فروپاشی است و تمایز به داده های دامنه ای و ارزیابی معتبر منتقل می شود. هم زمان، مدل EdenLive از همان تیم VAST نشان داد که رندر مولد بلادرنگ جهان های تعاملی با کیفیت 720p و نرخ بیش از ۲۴ فریم بر ثانیه، روی یک کارت گرافیک خانگی هم ممکن شده است؛ کاری که تا دیروز یا آفلاین بود یا نمایشی دیتاسنتری.

اما این مسیر چالش های علمی جدی هم دارد. نخست، سازگاری بلندمدت: حفظ هویت اشیاء در بازه های طولانی و رعایت فیزیک قابل باور، هنوز مسئله ای حل نشده است. دوم، ارزیابی: بنچمارک های فعلی تولید ویدیو بیشتر زیبایی شناسی و ترجیح انسانی را می سنجند تا درستی علی و پایداری حالت؛ و سوم، هزینه محاسباتی شبیه سازی پیوسته که حتی با پیشرفت های اخیر، مقیاس پذیری آن برای جهان های بزرگ پرسش برانگیز است.

با این همه، جهت حرکت مشخص است. هوش مصنوعی مولد از تولید «محتوا» به تولید «محیط» رسیده است؛ محیطی که عامل های هوشمند بتوانند در آن زندگی کنند، اشتباه کنند و یاد بگیرند. اگر دهه گذشته دهه یادگیری از داده بود، دهه پیش رو شاید دهه یادگیری در جهان های ساخته خود مدل ها باشد؛ و آن وقت سوال اصلی دیگر این نیست که مدل چه تصویری می سازد، بلکه این است که چه جهانی را برای زیستن عامل ها آماده می کند.