فهرست مطالب
استارتاپ World Labs به رهبری فی‌فی لی از مدل هوش مصنوعی Atlas ، که می‌تواند تنها با دریافت یک تصویر دوبعدی، محیط‌های سه‌بعدی گسترده و واقع‌گرایانه ایجاد کند رونمایی کرد.
به گزارش سرویس هوش مصنوعی تکناک،این شرکت Atlas را گامی مهم در توسعه «هوش فضایی» می‌داند و آموزش ربات‌ها در محیط‌های شبیه‌سازی‌شده را یکی از مهم‌ترین کاربردهای آن معرفی کرده است.
ورلد لبز Atlas را یک «مدل همه‌جانبه» یا Omni Model توصیف می‌کند که برای کاهش فاصله میان محیط‌های شبیه‌سازی‌شده و استدلال درباره دنیای فیزیکی توسعه یافته است. این مدل می‌تواند از یک تصویر، محیطی سه‌بعدی با جزئیات زیاد بسازد و با کنترل دقیق دوربین، امکان مشاهده صحنه تولیدشده از زوایای مختلف را فراهم کند.
ایده اصلی پشت Atlas به نظریه «هوش فضایی» فی‌فی لی بازمی‌گردد. بر اساس این نظریه، هوش مصنوعی برای درک و بازسازی واقعی دنیای فیزیکی باید بتواند درباره اشیا، افراد، محیط‌ها، نحوه تعامل آنها و پیامدهای فضایی این تعاملات استدلال کند.
بیشتر بخوانید: اولین هوش مصنوعی اختصاصی کشاورزان معرفی شد
هوش فضایی؛ ایده اصلی پشت توسعه Atlas
فی‌فی لی که پیش‌تر مدیر آزمایشگاه هوش مصنوعی دانشگاه استنفورد بوده و در تأسیس مؤسسه هوش مصنوعی انسان‌محور استنفورد نیز مشارکت داشته است، ورلد لبز را در فوریه ۲۰۲۴ راه‌اندازی کرد. او معتقد است دستیابی به هوش مصنوعی عمومی بدون برخورداری از هوش فضایی امکان‌پذیر نیست.
ورلد لبز نیز با همین دیدگاه، توسعه مدل‌های جهانی آگاه از فیزیک را دنبال کرده است. این مدل‌ها برای درک دنیای فیزیکی، استدلال درباره آن و انجام اقدامات در محیط طراحی شده‌اند. این رویکرد توجه سرمایه‌گذاران را نیز جلب کرده و ورلد لبز تاکنون ۱٫۲ میلیارد دلار سرمایه از حامیانی از جمله انویدیا، AMD و Autodesk جذب کرده است.
ساخت محیط سه‌بعدی از یک تصویر دوبعدی
مدل Atlas بر پایه معماری‌ای ساخته شده است که ورلد لبز آن را «ترنسفورمر انتشار خودرگرسیو چندوجهی» می‌نامد. به گفته شرکت، این معماری نسبت به نسل اولیه مدل‌های تولید ویدئو مانند Sora شرکت OpenAI پیچیدگی بیشتری دارد.
مدل‌های هوش‌مصنوعی متداول تولید ویدئو معمولاً برای تعیین زاویه و حرکت دوربین به دستورهای متنی وابسته هستند که کنترل دقیقی ارائه نمی‌کنند.در مقابل Atlas ، مسیر حرکت دوربین و اطلاعات هندسی را مستقیماً به‌عنوان ورودی دریافت می‌کند. این ویژگی به مدل اجازه می‌دهد زاویه دید و پرسپکتیو صحنه را با دقت بیشتری کنترل کند.
یکی از قابلیت‌های مهم Atlas، تولید شبیه‌سازی‌های واقع‌گرایانه از تنها یک تصویر دوبعدی است. این مدل می‌تواند از یک تصویر، حداکثر یک دقیقه ویدئوی 1440p تولید کند و در طول ویدئو انسجام هندسی محیط را حفظ کند. کاربران همچنین می‌توانند محیط تولیدشده را از زوایای مختلف مشاهده کنند.
بیشتر بخوانید: امکان ساخت شبیه‌سازی‌ها و مدل‌های سه‌بعدی تعاملی به چت‌‌بات Gemini اضافه شد
تولید ویدئو و دارایی‌های سه‌بعدی با Atlas
مدل Atlas علاوه بر ویدئو می‌تواند دارایی‌های سه‌بعدی مانند ابرهای نقطه‌ای و 3D Gaussian Splats تولید کند. این مدل همچنین قادر است ویدئو، متن، موقعیت و جهت دوربین و نقشه‌های عمق را با یکدیگر ترکیب کند تا زمینه فضایی مشترکی از محیط ایجاد شود.
ورلد لبز نمونه‌هایی از قابلیت‌های Atlas را برای کاربردهایی مانند جلوه‌های بصری و طراحی بازی به نمایش گذاشته است. بااین‌حال، این شرکت آموزش ربات‌ها را یکی از اهداف اصلی توسعه مدل جدید خود می‌داند.
شبیه‌سازی محیط واقعی برای آموزش ربات‌ها
توسعه‌دهندگان می‌توانند با دوربین یک گوشی هوشمند، فضای فیزیکی موردنظر را ثبت کنند و Atlas سپس آن را به یک محیط سه‌بعدی شبیه‌سازی‌شده تبدیل می‌کند. ربات می‌تواند در این محیط حرکت کند، اشیا را دست‌کاری کند و واکنش محیط به اقدامات خود را ببیند.
هنگامی که ربات در فضای شبیه‌سازی‌شده حرکت می‌کند یا با اشیا تعامل دارد، Atlas تصاویر RGB و اطلاعات حسگر عمق را تولید می‌کند. امکان مشاهده ۳۶۰ درجه‌ای محیط نیز به توسعه‌دهندگان اجازه می‌دهد سخت‌افزارهای رباتیک را در شرایط مختلف آزمایش کنند.
توسعه‌دهندگان می‌توانند چیدمان اشیا و شرایط نورپردازی را تغییر دهند و سناریوهای مختلفی ایجاد کنند. به این ترتیب، بخشی از آزمایش‌های ربات‌ها می‌تواند پیش از حضور در محیط فیزیکی، در فضای شبیه‌سازی‌شده و کنترل‌شده انجام شود.
رقابت Atlas با مدل‌های جهانی و سه‌بعدی
ورلد لبز همچنین Atlas را در چند بنچمارک با مدل‌های مطرح تولید ویدئو و بازسازی سه‌بعدی مقایسه کرده است. در یک ارزیابی انسانی کور که میزان پایبندی مدل به مسیر دوربین را بررسی می‌کرد، شرکت‌کنندگان Atlas را با اختلاف قابل‌توجهی به مدل‌هایی مانند Gemini Omni Flash و FLUX ترجیح دادند. این شرکت همچنین می‌گوید Atlas در بازسازی هندسه سه‌بعدی از ورودی‌های محدود، از تعدادی از مدل‌های متن‌باز مطرح عملکرد بهتری داشته است.
Atlas وارد بازاری می‌شود که رقابت در آن رو به افزایش است. Odyssey روی شبیه‌سازی‌های تعاملی جهان کار می‌کند، AMI Labs متعلق به یان لکون بر معماری‌های برنامه‌ریزی فیزیکی تمرکز دارد و Niantic Spatial نیز سیستم‌های پیشرفته نقشه‌برداری جغرافیایی را توسعه می‌دهد. ورلد لبز در مقابل تلاش کرده است این قابلیت‌ها را در قالب یک مدل پایه واحد ترکیب کند.
با وجود نتایج و نمونه‌های اولیه، عملکرد واقعی Atlas پس از دسترسی گسترده‌تر کاربران بهتر مشخص خواهد شد. کاربران و توسعه‌دهندگان باید بتوانند نتایج اعلام‌شده ورلد لبز را در سناریوهای پیچیده و واقعی تکرار کنند تا توانایی‌های این مدل در عمل ارزیابی شود.
ورلد لبز در حال حاضر Atlas را به‌صورت دسترسی زودهنگام در اختیار تعدادی از شرکت‌های منتخب قرار داده است. این شرکت هنوز تاریخ مشخصی برای عرضه عمومی مدل جهانی جدید خود اعلام نکرده است.
