مدل‌های جهان در هوش مصنوعی؛ درک قوانین فیزیک و حرکت

فراتر از پیش‌بینی آماری کلمات؛ پیدایش ادراک فیزیکی در شبکه‌های عصبی

در طول سال‌های گذشته، بزرگ‌ترین انتقادی که فیزیک‌دانان و دانشمندان علوم شناختی به مدل‌های زبانی بزرگ وارد می‌کردند، فقدان یک «مدل ذهنی درونی از فیزیک واقعیت» بود. مدل‌های متنی و حتی سیستم‌های اولیه تولید ویدیو، صرفاً الگوهای آماری دوبعدی پیکسل‌ها را بازتولید می‌کردند؛ رویکردی که به پدیده‌های نامطلوبی نظیر عبور اجسام از میان یکدیگر، تغییر ناگهانی جهت جاذبه و ناپدید شدن ناموجه اشیا منجر می‌شد. با فرا رسیدن دوران کنونی انتشار نسل نوین مدل‌های جهان فیزیکی (Physical World Models) نظیر معماری‌های ارتقایافته Sora-2، Cosmos و Genie-2 نقطه پایانی بر این محدودیت تاریخی گذاشته است.

این سیستم‌ها با گذر از بازنمایی‌های گسسته، از فضاهای نهفته فضایی-زمانی پیوسته (Continuous Spatiotemporal Latents) بهره می‌برند که مستقیماً براساس معادلات حرکت نیوتنی، پایستگی تکانه و دینامیک تماس اجسام صلب و شکل‌پذیر آموزش دیده‌اند. هم‌افزایی این موتورها با معماری سیستم‌های چندعاملی خودمختار موجب شده تا عامل‌های شناختی پیش از لمس یا جابجایی هر ابزار در دنیای واقعی، سناریوی فیزیکی آن را صدها بار در ذهن عصبی خود شبیه‌سازی و بهینه‌سازی کنند.

علاوه بر این، پیوند نزدیک این مدل‌ها با مدل‌های بینایی-زبانی-اقدامی VLA در رباتیک تجسم‌یافته شکاف میان شبیه‌سازی رایانه‌ای و استقرار واقعی (Sim-to-Real Gap) را به حداقل رسانده و یادگیری بدون تصادف و ایمن ربات‌ها را در خطوط تولید پیچیده میسر ساخته است.

معماری فضا-زمان دیفرانسیل‌پذیر و توکن‌سازی ابعادی امروزه

هسته مهندسی مدل‌های جهان فیزیکی امروزه بر پایه ترکیب شبکه‌های انتشاری نهفته با میدان‌های تشعشع عصبی چهاربعدی (4D Dynamic NeRFs و Gaussian Splatting دیفرانسیل‌پذیر) بنا شده است. برخلاف روش‌های گذشته که هر فریم ویدیو را به صورت ایزوله توکن‌سازی می‌کردند، پلتفرم‌های مدرن دوران کنونی از توکن‌سازهای حجم-زمان (Space-Time Voxel Tokenizers) با ابعاد هشت‌بعدی استفاده می‌نمایند.

در این ساختار، هر توکن عصبی حاوی بردار سرعت خطی، تانسور تنش ماده، میزان اصطکاک سطحی و جرم حجمی برآوردشده شیء است. هنگامی که یک نیروی فرضی به جسمی درون تصویر وارد می‌شود، مدل با استفاده از لایه‌های ترنسفورمر مجهز به پایش گرانشی، خط سیر، احتمال تغییر شکل الاستیک یا شکستگی را با خطای کمتر از ۲ درصد نسبت به شبیه‌سازهای مهندسی اجزای محدود (FEA) پیش‌بینی می‌کند.

این فرآیند محاسباتی سنگین تانسوری بر روی زیرساخت‌های نوین مقیاس‌بزرگ پردازش می‌شود؛ زیرساخت‌هایی که برای حفظ پایداری حرارتی به خنک‌کاری غوطه‌وری دو فازی در کلاسترهای هوش مصنوعی متکی هستند تا بتوانند توان‌های پردازشی صدها کیلوواتی را بدون افت فرکانس پردازنده مهار کنند.

حذف توهم فضایی و استدلال علیتی در محیط‌های غیرقابل پیش‌بینی

یکی از پیچیده‌ترین موانع در توسعه مدل‌های جهان، مهار پدیده «انحراف زمانی» (Temporal Drift) بود؛ وضعیتی که در آن با گذر زمان شبیه‌سازی، دقت محیط افت کرده و اشیا ویژگی‌های ساختاری خود را از دست می‌دادند. امروزه این چالش با ادغام توابع هزینه تقارن لورنتس و قوانین پایستگی انرژی حل شده است.

مدل‌های جهان امروزی به یک ماژول ناظر انطباق قوانین فیزیک (Causal Physics Verifier) مجهزند که در فواصل زمانی ۱۰ میلی‌ثانیه‌ای، وضعیت تانسورهای انرژی و برخورد را چک می‌کند. چنانچه برهم‌کنش شبیه‌سازی‌شده ناقض قوانین ترمودینامیک یا گرانش باشد، شبکه مسیر انتشار را بازتنظیم نموده و مانع از گسترش خطا در توالی‌های زمانی طولانی می‌گردد.

این درک عمیق از پویایی محیط فیزیکی، همان عنصری است که سیستم‌های رانندگی هوشمند را دگرگون ساخته است؛ به ویژه در تعامل با سیستم‌های تعلیق فعال الکترومکانیکی ۴۸ ولتی خودروها که در آن خودرو با تکیه بر تخمین مدل جهان از ناهمواری‌های پیش‌رو، ارتفاع و سختی کمک‌فنرها را پیش از رسیدن چرخ به دست‌انداز تنظیم می‌نماید.

استقرار در صنعت رباتیک و تسریع سنتز داده‌های تمرینی (Sim-to-Real)

تأمین داده‌های آموزشی برای بازوهای رباتیک و ماشین‌های صنعتی همواره پرهزینه‌ترین بخش توسعه هوش مصنوعی فیزیکی بوده است. آسیب دیدن تجهیزات در فاز آزمایش، ریسک‌های مالی و جانی فراوانی به همراه داشت. مدل‌های جهان فیزیکی امروزه امکان تولید ده‌ها میلیون ساعت تجربه بصری-حرکتی معتبر و واقع‌گرایانه را در محیط ابری فراهم آورده‌اند.

یک ربات انباردار یا جراح پیش از استقرار در محیط واقعی، درون دنیای مجازی خلق‌شده توسط مدل جهان، با شرایط دشوار آب‌وهوایی، لغزش قطعات، شکستن ابزارها و تداخلات انسانی روبرو می‌شود و استراتژی‌های جبرانی را می‌آموزد. آزمایش‌های صنعتی اخیر شرکت‌های پیشگام در ماه اکتبر نشان می‌دهد ربات‌هایی که با مدل‌های فیزیکی جهان پیش‌آموزش دیده‌اند، در مواجهه با شرایط پیش‌بینی‌نشده واقعی تا ۴.۲ برابر سریع‌تر از ربات‌های مبتنی بر یادگیری تقویتی سنتی واکنش نشان می‌دهند.

این راندمان بالا همچنین به لطف یکپارچگی پایگاه‌های داده چندبعدی فوق‌سریع تحقق یافته که مبتنی بر پایگاه‌های داده وکتور با شتاب‌دهی سخت‌افزاری CXL امکان مقایسه و بازیابی تانسورهای محیطی گذشته را در لحظه مهیا می‌سازند.

جعبه‌ابزار مهندسی مدل‌های جهان فیزیکی امروزه

توسعه‌دهندگان و شرکت‌های فعال در حوزه هوش مصنوعی تجسم‌یافته و شبیه‌سازی، امروزه از بسته‌های نرم‌افزاری و موتورهای استاندارد زیر بهره‌برداری می‌کنند:

۱. فریم‌ورک Cosmos-Engine 2.5: چارچوب متن‌باز شبیه‌سازی فیزیکی انویدیا با پشتیبانی درونی از توکن‌سازی تانسوری و شتاب‌دهی ردیابی پرتوهای نور بلادرنگ برای آموزش عامل‌های رباتیک.

۲. کتابخانه WorldModel-DiffSim: ابزار توسعه محاسباتی مبتنی بر پایتون و C++ برای شبیه‌سازی دینامیک معکوس و محاسبه گرادیان‌های تماس در تعاملات چندجسمی سخت و نرم.

۳. پلتفرم Sora Studio SDK: محیط برنامه‌نویسی تخصصی برای تولید ویدیوهای فیزیک‌محور، کنترل صوری پارامترهای دوربین، جهت باد، کشش سطحی و اصطکاک با خروجی‌های اعتبارسنجی‌شده.

۴. مجموعه محک CausalPhys-Bench: جامع‌ترین بنچمارک استاندارد پاییزی شامل بیش از ۵۰ هزار آزمون سنجش ادراک فیزیکی، تشخیص سقوط، تراکم مواد و استدلال علیتی برای رتبه‌بندی مدل‌های نسل نو.

چشم‌انداز آینده؛ حرکت به سوی شبیه‌سازی‌های مولکولی و کوانتومی

پیشرفت خیره‌کننده مدل‌های جهان فیزیکی در مقیاس ماکروسکوپیک، اکنون نگاه پژوهشگران را به ابعاد میکروسکوپی و برهم‌کنش‌های اتمی معطوف ساخته است. پیش‌بینی می‌شود تا پایان سال ۲۰۲۷، ادغام مدل‌های جهان با شبیه‌سازهای ساختار نانو، طراحی بلادرنگ آلیاژهای پیشرفته و کاتالیزورهای شیمیایی را بدون نیاز به ماه‌ها تست آزمایشگاهی امکان‌پذیر سازد.

همان‌گونه که مدل‌های زبانی توانستند گنجینه دانش بشری را ساختاربندی و قابل دسترس نمایند، مدل‌های فیزیکی جهان در حال تدوین دستور زبان بنیادین کائنات هستند؛ گامی سترگ که ماشین‌ها را از مشاهده‌گرانی منفعل به بازیگرانی مسلط، آگاه و ایمن در بطن دنیای مادی بدل خواهد کرد.