مدل زبانی تازه آنتروپیک، «کلود فابل ۵.۲» (Claude Fable 5.2)، میتواند نقاشیهای پیچیده و حتی واقعگرایانه بسازد؛ آن هم با استفاده از کد برای گذاشتن صدها هزار ضربه قلم جداگانه روی یک بوم مجازی.
مدلهای تصویری امروزی مثل میدجورنی معمولاً از روش «دیفیوژن» استفاده میکنند که بهتدریج یک تصویر نویزی را به نتیجهای روشن تبدیل میکند. فابل ۵.۲ مسیر متفاوتی میرود: فرایند فیزیکی نقاشی را شبیهسازی میکند؛ از بافت پرزهای قلممو و نحوه نشستن رنگ گرفته تا اشتباهاتی که بعداً باید رویشان رنگ بکشد.
**نقاشی با کد، نه با مدل تصویری**
جیک ایتون، توسعهدهندهای که در آنتروپیک روی پژوهش ارزشهای مدل، سازوکارهای ایمنی و رفتار ایجنتهای هوش مصنوعی کار میکند، در شبکه ایکس نشان داد این روش چه میتواند بکند. وقتی از فابل ۵.۲ خواست نقاشیای بسازد که تا حد ممکن از عکس قابل تشخیص نباشد، مدل با حدود ۷۰۰ هزار ضربه قلم شبیهسازیشده تصویری از یک چرخ خرید در پارکینگ خلق کرد.
به گفته ایتون، کلود بدون استفاده از مدل تصویری بیرونی و بدون تصویر منبع پیشرندر یا تراسشده کار میکند. هر اثر یک برنامه پایتون ۱۰۰۰ تا ۲۰۰۰ خطی است که یک موتور رنگ شبیهسازیشده را هدایت میکند. این رویکرد شبیه ویرایش ایجنتی تصویر است؛ جایی که مدل زبانی ابزارها را انتخاب میکند و نتیجه را ارزیابی میکند.
تلاشهای پیشین با مدل خواهر آن، اپوس ۵.۵، به دلیل صرفاً تقلید از هنر موجود مورد انتقاد قرار گرفته بود. ایتون در پاسخ، فابل ۵.۲ را واداشت شخصیتهای هنرمند خودش را با پیشینههای داستانی و سبکهای یکدست بسازد. مدل برای هر نقاشی به چند هزار ضربه قلم نیاز دارد و ایتون مسیرش را با توضیحها و کامنتها هدایت میکند.
**بدون دکمه بازگشت، هر ضربه نهایی است**
مایکل گرچیک، مهندس آنتروپیک، گزارش گفتوگو و ویدیوی آزمایشی را منتشر کرد که در آن از فابل ۵.۲ خواسته بود پرندهای را در طلوع خورشید نقاشی کند. مدل فقط میتوانست با کد، فیزیک پرز قلممو، رنگ خیس و بافت بوم را شبیهسازی کند. باید هر ضربه قلم را بهصورت دستی و در خط مختصات خودش تولید میکرد، بدون هیچ راهی برای بازگرداندن ضربههای زدهشده. همین نکته این روش را از ویدیوهای تولیدشده با هوش مصنوعی جدا میکند؛ جایی که مدلهایی مثل Flux 3 توالی تصاویر و انسجام زمانی آنها را مستقیم تولید میکنند.
ویدیوی ۲۱ ثانیهای حاصل، با یک شمارنده نشان میدهد نقاشی چگونه از دقیقاً ۱۱۱ ضربه روی بوم سفید شکل میگیرد. مدل برای ضربه اول کد رنگ #30346a، عرض ۹۰ پیکسل و پنج نقطه مسیر کمی لرزان تولید کرد. فابل ۵.۲ گفت این لرزش حدوداً هفت پیکسلی را عمداً اضافه کرده است، چون دست انسان هم خط کاملاً مستقیم نمیکشد.
میان پاسها، مدل به بوم نگاه میکرد و مثل یک نقاش واقعی به اشتباهات خودش واکنش نشان میداد. وقتی پشت پرنده بیش از حد نازک و نامنظم درآمد، هوش مصنوعی ضربهای پررنگتر روی آن کشید، بهطوری که رد پرزهای سرگردان در لبهها حالا شبیه پرهای پریشان به نظر میرسد.
در اثر دومی با ۲۸۰ ضربه که دو نفر را در حال نقاشی در غروب نشان میدهد، یک جلوه نورپردازی دیرهنگام بهطور تصادفی لولههای رنگ و یک لیوان روی میز را لکهدار کرد. کلود این اشیا را بعداً از نو نقاشی کرد. مدل همچنین هر دو نفر را واداشت با دستهای بیرونی نقاشی کنند تا شانههای داخلیشان، همانطور که در پرامپت خواسته شده بود، به هم برسد.
**همین استدلال فضایی به رباتهای واقعی منتقل میشود**
توانایی فابل ۵.۲ در برنامهریزی گامبهگام و اصلاح خودش زیر محدودیتهای فیزیکی، به بوم مجازی محدود نمیشود. به گفته آنتروپیک، این مدل برای وظایف فنی و بلندمدت بسیار سخت ساخته شده است؛ مثل میتوس ۵.۲ (Mythos 5.2) که نسخهای برای پژوهشگران امنیت و زیستشناسی راستیآزماییشده است.
در آزمونهای داخلی، فابل ۵.۲ دو مسئله باز در فیزیک سیاهچاله را حل کرد، سه دستگاه الکترونیکی کارآمد را با همکاری سازنده برد مدار «دیود» طراحی کرد و با استفاده از بیش از ۱۰۰۰ زیرعامل (Sub-agent) در هشت روز سیستمعامل لپتاپ خودش را برنامهنویسی کرد.
آریس ژو، پژوهشگر هوش مصنوعی، عملکرد این مدل را با بازوهای رباتیک واقعی آزمود. او فابل ۵.۲ را مقابل مدل رقیب OpenAI یعنی GPT-6 Astra قرار داد و هر کدام با یک بازوی رباتیک فیزیکی، «شب پرستاره» ون گوگ را نقاشی کردند. آنتروپیک در بنچمارک داخلی RoboDojo Sim امتیاز ۶۴.۹ درصد برای فابل ۵.۲ گزارش میکند، در مقابل ۲۹.۸ درصد برای GPT-6 Astra.
با این حال مقایسه واقعی ژو هنوز محدودیتها در کنترل حرکتی ظریف را نشان میدهد. Astra سریعتر نقاشی کرد و تا اینجا فقط مدل OpenAI توانسته یک دومینو را بهصورت ایستاده قرار دهد؛ با باز کردن آرام گیره ربات و استفاده از گرانش به عنوان نقطه تکیه.
**چرا این خبر از یک نمایش هنری فراتر است؟**
روش فابل ۵.۲ نشان میدهد مدلهای زبانی میتوانند در قالب کد، فرایندهای فیزیکی را مرحلهبهمرحله برنامهریزی و در طول اجرا اصلاح کنند. این همان مهارتی است که برای رباتیک، اتوماسیون آزمایشگاهی و کنترل فرایند صنعتی لازم است؛ جاهایی که برخلاف تولید تصویر، «نتیجه زیبا» کافی نیست و هر گام باید قابل ردیابی و بازتولید باشد.
همزمان، این روش یک ضعف را هم برملا میکند: هزینه محاسباتی. تولید صدها هزار ضربه قلم و خطبهخط برنامهنویسی، از نظر توکن و زمان بسیار گرانتر از یک پاس دیفیوژن است. به همین دلیل بعید است این رویکرد جای مدلهای تصویری معمول را در تولید انبوه محتوا بگیرد؛ اما برای کاربردهایی که «فرایند» به اندازه «نتیجه» مهم است، مسیر تازهای باز میکند.