نماذج العالم ستُصبح قريبًا لا غنى عنها : إليكم ما يجب معرفته

في عام 2016، تجول مئات الملايين من اللاعبين في الشوارع بهواتفهم الذكية للإمساك ببوكيمونات في لعبة Pokémon Go، وهي لعبة واقع مختلط. ما لم يعرفوه هو أن البيانات التي جُمعت عن بيئتهم قد تُستخدم يومًا لمساعدة الروبوتات على تجاوز العقبات والتفاعل مع الأشياء. باعت شركة Niantic، مبتكرة اللعبة، هذه البيانات وتوجهت إلى أحد أكثر مواضيع الذكاء الاصطناعي رواجًا. يقول بريان ماكليندون، المدير التقني لـNiantic Spatial: «نكرس جهودًا كبيرة لإعادة بناء العالم الحقيقي». ويأمل في الاستفادة من هذه الكتلة الهائلة من البيانات لبناء نماذج طبق الأصل للعالم.

صور بدلاً من كلمات

تختلف النماذج اللغوية الكبيرة (LLM)، التي تُدرَّب على النصوص، عن نماذج العالم، التي تستفيد من المدخلات البصرية. يقارن أوليفر كاميرون، الرئيس التنفيذي لشركة Odyssey، وهو مختبر متخصص في هذه النماذج، بين النهجين: «مع النموذج اللغوي، لديك جملة، ويتنبأ بالكلمة التالية في الجملة. أما مع نموذج العالم، فتعطيه حالة بصرية للعالم، صورة، فيتنبأ بعد ذلك بالحالة البصرية التالية للعالم».

يمكن لهذه التوليدات ثلاثية الأبعاد أن تكون بمثابة ميدان تدريب رقمي. يقول: «إنها محاكاة، لكنها تبدو وتشعر بأنها حقيقية».

تدريب الروبوتات والسيارات ذاتية القيادة

وفقًا لبراين ماكليندون، ستسمح نماذج العالم للروبوتات بالتدرب دون حركة جسدية أو وجود في البيئة المستهدفة. يكفي تصوير المكان الذي يجب أن يعمل فيه الروبوت، وتوليد نموذج ثلاثي الأبعاد، ثم ترك البرنامج ينفذ «ملايين المحاكاة» لتعلم معالم الفضاء.

الروبوتات البشرية ليست الوحيدة التي يمكنها الاستفادة من هذا التدريب المحاكى. تعتمد السيارات ذاتية القيادة أيضًا على نماذج العالم، في سياق تكون فيه ردود البرمجيات، في جزء من الثانية، ذات أهمية قصوى. ويؤكد جيمي شوتون، المدير العلمي لشركة Wayve، التي تطور نماذج عالم مصممة للسيارات، على التحدي: «من الضروري أن يتمكن نموذج العالم من الاستجابة للإجراءات التي نقوم بها في العالم، وبالتالي يجب أن يفهم الفيزياء، والسبب والنتيجة، وكيف تغير الأشياء والأشخاص الأخرى أفعالها استجابة لأفعالنا».

تتوقع المصادر أن يكون عام 2027 سنة محورية في تطوير الروبوتات المنزلية والسيارات ذاتية القيادة، وهما مجالان يعززهما تقدم نماذج العالم.