فهرست مطالب
شرکت روبیانت از مدل متنباز و جهانساز LingBot-World 2.0 برای تولید ویدیوهای طولانیمدت و محیطهای شبیهسازیشده تعاملی رونمایی کرده است.
به گزارش سرویس هوش مصنوعی تکناک، این مدل قصد دارد مرز میان ویدیوهای تولیدشده و جهانهای مجازی پویا را کمرنگتر کند. این مدل توسط واحد هوش مصنوعی تجسمیافته گروه Ant ساخته شده و ادامه مسیر LingBot-World 1.0 است؛ سیستمی که پیشتر توانایی تولید پایدار محتوا را برای چند دقیقه داشت، اما اکنون نسخه جدید میتواند جهانهایی پیوسته و قابل تعامل برای مدتزمان بسیار طولانیتر ایجاد کند.
بیشتر بخوانید: گوگل از برچسب جدید برای تبلیغات ساختهشده با هوش مصنوعی رونمایی کرد
مدل LingBot-World 2.0 قادر است ویدیوهایی با وضوح 720p و نرخ ۶۰ فریم بر ثانیه را تا یک ساعت به صورت مداوم تولید کند. برخلاف مدلهای سنتی تولید ویدیو، کاربران میتوانند در لحظه با محیطهای ساختهشده تعامل داشته باشند؛ شخصیتها را کنترل کنند یا زاویه دید خود را تغییر دهند. یکی از مهمترین تغییرات این نسخه، اضافه شدن معماری عاملمحور داخلی است. این ساختار شامل «عامل هدایتگر» برای مدیریت رفتار شخصیتها و «عامل کارگردان» برای ایجاد رویدادهای جدید در طول تکامل صحنهها است؛ قابلیتی که باعث میشود جهان تولیدشده یک تصویر متحرک نباشد، بلکه به محیطی واکنشپذیر تبدیل شود.
تمرکز مدل LingBot-World 2.0 بر تولید ویدیوهای طولانی
تولید محتوای ویدیویی طولانی همچنان یکی از دشوارترین مسائل در هوش مصنوعی مولد است، چرا که بسیاری از مدلها پس از گذشت زمان با مشکلاتی مانند افت کیفیت تصویر، تغییر ساختار صحنه و خطاهای بصری مواجه میشوند. روبیانت برای مقابله با این مشکل از روش پیشآموزش و فناوری MoBA یا «ماسک توجه دوسویه» استفاده کرده است. این مدل با یادگیری روند تغییرات جهان به صورت زمانی، تلاش میکند از انباشته شدن خطاهایی جلوگیری کند که در ویدیوهای طولانی باعث تخریب صحنه میشوند.
برای مطالعه بیشتر: کاراکتر.ایآی امکان ساخت سریال های تعاملی هوش مصنوعی را فراهم کرد
این شرکت اعلام کرده است که آزمایشهای یکساعته نشان دادهاند کیفیت خروجی بصری مدل LingBot-World 2.0 در طول زمان ثابت باقی مانده است. برای کاهش تاخیر نیز روبیانت موتور استنتاج سریعتری توسعه داده و فرایند تولید محتوا را تغییر داده است؛ بهطوری که تولید، انتقال و نمایش دادهها همزمان انجام میشود. نتیجه این رویکرد، تجربهای نزدیکتر به یک شبیهسازی زنده است تا یک ویدیوی از پیش ساختهشده باشد.
از شبیهسازی تا جهانهای چندنفره هوش مصنوعی
مدل LingBot-World 2.0 تنها به حرکت ساده محدود نیست و مجموعهای از تعاملات پیچیده مانند حمله، تیراندازی با کمان، اجرای جادو، پرش و پرواز را در محیطهای تولیدشده پشتیبانی میکند. همچنین این مدل میتواند با دریافت دستورات متنی، تغییرات محیطی مانند چرخه شب و روز، وضعیت آبوهوا و اضافه شدن عناصر جدید را ایجاد کند. طبق گفته روبیانت، این رویدادها بر اساس شرایط لحظهای جهان مجازی تولید میشوند. پشتیبانی از چند کاربر در یک جهان مشترک و پایدار نیز یکی دیگر از قابلیتهای جدید این مدل است؛ قابلیتی که میتواند زمینهساز تجربههای چندنفره ساختهشده توسط هوش مصنوعی باشد.
گسترش رویکرد متنباز روبیانت
شرکت روبیانت مدل LingBot-World 2.0 را با مجوز متنباز منتشر کرده و از همان ابتدا پشتیبانی از SGLang را در اختیار توسعهدهندگان قرار داده است. همچنین کاربران میتوانند مدل را از طریق پلتفرم Reactor به صورت آنلاین آزمایش کنند. این شرکت همزمان مدل LingBot-Video را نیز منتشر کرده است؛ یک مدل پایه تولید ویدیوی مبتنی بر معماری Mixture-of-Experts که برای کاربردهای هوش مصنوعی تجسمیافته و رباتیک طراحی شده است. مدل LingBot-Video با هدف افزایش بهرهوری استنتاج، بهبود درک حرکات فیزیکی، شناخت اقدامات و اجرای بهتر وظایف بازطراحی شده است؛ اقدامی که نشان میدهد روبیانت قصد دارد فعالیتهای متنباز خود را فراتر از جهانهای شبیهسازیشده و به حوزه رباتیک واقعی گسترش دهد.
خبر پیشنهادی: هوش مصنوعی جدید و چندوجهی متا از رقبای گرانقیمت پیشی گرفت
انتشار مدل LingBot-World 2.0 در زمانی انجام میشود که شرکتهای بزرگ هوش مصنوعی برای ساخت مدلهایی با قابلیت تولید ویدیوهای طولانیتر، کنترلپذیرتر و منسجمتر رقابت میکنند. برای توسعهدهندگان عاملهای هوشمند و رباتها، چنین مدلهایی میتوانند به ابزارهایی کلیدی برای آموزش، آزمایش و شبیهسازی رفتار تبدیل شوند. روبیانت بیان کرده است که ساختار داخلی LingBot-World 2.0، جهانهای تولیدشده را از محیطهای منفعل به سیستمهایی تبدیل میکند که با تغییر شرایط و تعامل کاربران، به طور مداوم واکنش نشان میدهند و تکامل پیدا میکنند.
