نماذج العالم: الذكاء الاصطناعي الذي يعد بمحاكاة كل شيء، أو على الأقل صنع بعض الفيديوهات الجميلة جدًا

على مدى السنوات القليلة الماضية، تلقينا جميعًا دورة مكثفة حول ما تسميه الشركات الذكاء الاصطناعي - والذي كان يعني في الغالب نماذج اللغة الكبيرة (LLMs). لكن نماذج اللغة الكبيرة لم تعد الفئة الوحيدة من الذكاء الاصطناعي التي تجذب تمويلًا ضخمًا وضجة هستيرية. ادخل "نماذج العالم"، التي تهدف إلى محاكاة العالم المادي، أو على الأقل تقريب مفيد منه. بدلاً من مجرد الدردشة، تريد هذه الأنظمة أن تتيح لك التجول في بيئة ثلاثية الأبعاد كما لو كانت لعبة فيديو، ولكن مع المزيد من الرياضيات وصناديق غنائم أقل.

لفهم ما هو مختلف في نماذج العالم، تحدث Ars مع ثلاثة خبراء: فينسينت سيتزمان من معهد ماساتشوستس للتكنولوجيا، وأناستاسيس جيرمانيديس من Runway، وبين ميلدنهال من World Labs. إجماعهم: بينما بدأت نماذج اللغة الكبيرة بواجهة محادثة ثم بحثت عن حالة استخدام، تبدأ نماذج العالم بتطبيقات محددة - الروبوتات، البحث، توليد الأصول - ولم تعرف تمامًا بعد كيف يجب أن تبدو الواجهة. فكر في الأمر كذكاء اصطناعي يعمل بالعكس، وهذا يتماشى مع العلامة التجارية.

ليس الجميع مقتنعين بأن نماذج اللغة الكبيرة هي الطريق إلى الذكاء العام. قال كبير علماء الذكاء الاصطناعي السابق في ميتا، يان ليكون، لمجلة Wired إن فكرة تحقيق نماذج اللغة الكبيرة لذكاء بشري هي "هراء كامل". كتبت فاي-فاي لي، رائدة الرؤية الحاسوبية والمشاركة في تأسيس World Labs، أن نماذج اللغة الكبيرة هي "كتّاب كلمات في الظلام؛ بليغون لكن عديمي الخبرة، مثقفون لكن غير مرتكزين". حتى الرئيس التنفيذي لـ Hugging Face، كليم ديلانج، يعتقد أننا في "فقاعة نماذج لغة كبيرة" قد تنفجر العام المقبل. لذا فإن نماذج العالم هي الجديدة الساخنة، على الأقل حتى يأتي شيء أكثر سخونة.

لقد جذبت نماذج العالم بالفعل تمويلًا مذهلاً: يُقال إن World Labs و AMI جمعتا حوالي مليار دولار لكل منهما في فبراير ومارس، وجمعت Runway 315 مليون دولار في فبراير. هذا مبلغ كبير من المال لمصطلح، كما يعترف سيتزمان، "مثقل بالتأكيد". تعريفه: أي نموذج يأخذ تفاعلًا ويحاكي ما يحدث بعد ذلك. يضيف تعريف Runway أنه يبني تمثيلًا داخليًا للبيئة. يقول ميلدنهال إن الفرق الرئيسي عن نماذج اللغة الكبيرة هو التفاعل المستمر في الوقت الفعلي - وليس تبادل النص القائم على الأدوار لـ "أ ثم ب ثم أ ثم ب". تقدم فاي-فاي لي ثلاثة معايير: الاتساق الإدراكي والهندسي والفيزيائي؛ التعددية الوسائطية؛ والقدرة على إخراج الحالات التالية بناءً على إجراءات الإدخال.

لكن "نموذج العالم" أصبح أيضًا مصطلحًا تجاريًا. تطلق الشركات هذا الاسم على كل شيء بدءًا من توليد الفيديو المشروط بالإجراءات إلى إنشاء الأصول ثلاثية الأبعاد إلى تقييم سياسات الروبوت. في الوقت الحالي، كما يقول سيتزمان، "ما يعنيه معظم الناس عندما يقولون 'نموذج العالم' هو توليد البكسل" - أي فيديو واقعي مشروط بالإجراءات. هذا امتداد طبيعي لنماذج توليد الفيديو، وهو ما تفعله Runway بالفعل. كما قال جيرمانيديس، عندما أضافوا عناصر تحكم الكاميرا إلى أدوات الفيديو الخاصة بهم، "بدأ الأمر يبدو أكثر وكأنه لعبة فيديو".

التحدي التقني: معظم نماذج نشر الفيديو تولد جميع الإطارات مرة واحدة، وتزيل الضوضاء من التسلسل بأكمله دفعة واحدة. هذا رائع للتماسك ولكنه فظيع للتفاعل - لا يمكنك التدخل في منتصف التوليد. الحل لنماذج العالم هو النشر التلقائي التراجعي، الذي يزيل الضوضاء من الإطارات بشكل تسلسلي. يمكن للمستخدمين تقديم إجراءات تؤثر على الإطارات التالية في الوقت الفعلي. الجانب السلبي: إنه مكلف حسابيًا، وتميل المحاكاة إلى الانجراف، ناسية التفاصيل السابقة. يأمل جيرمانيديس أن الاتساق ثلاثي الأبعاد سوف "ينبثق من الحجم"، إشارة إلى ما أسماه عالم الكمبيوتر ريتشارد ساتون "الدرس المر": المعرفة البشرية الصريحة غالبًا ما تعيق الطريق. لذا فهم يراهنون بشكل كبير على القوة الغاشمة.

باختصار، نماذج العالم هي حيث يذهب الذكاء الاصطناعي لمحاكاة الواقع، خطوة إزالة ضوضاء باهظة الثمن في كل مرة. ما إذا كانت ستحقق الوعد أو ستنتج مجرد تزييف عميق فاخر يبقى أن نرى - لكن جولات التمويل تشير إلى أن المستثمرين على استعداد لمعرفة ذلك.