چند سالی است هوش مصنوعی یاد گرفته مثل یک منشی خوشسخن برایمان متن بنویسد، شعر بگوید و مفاهیم فلسفی پیچیده را در سه خط خلاصه کند. اما کافی است از همین نابغهی پرحرف بخواهید یک گلدان شیشهای نازک را از روی میز آشپزخانه بردارد و روی طاقچه بگذارد. او دقیقترین مراحل را روی مانیتور تحویلتان میدهد، اما پای عمل که برسد، دست مکانیکی ربات با اولین فشار گلدان را خرد میکند.
مشکل اینجاست که چتباتها فقط توصیف دنیا با کلمات را یاد گرفتهاند، بدون اینکه کوچکترین درکی از سنگینی سنگ، لیزی روغن یا شکنندگی بلور داشته باشند. برای پر کردن این شکاف عمیق، گوگل، انویدیا و متا وارد رقابت تازهای برای توسعهی «مدلهای جهانی» (World Models) شدهاند؛ سیستمی که قرار است پای ماشینها را در عمل به دنیای ما باز کند.
**بنبست کلمات؛ چرا چتباتها دنیای واقعی را نمیفهمند؟**
مدلهای زبانی بزرگ مثل ChatGPT با بلعیدن میلیاردها صفحه متن، در نوشتن و کدنویسی شاهکار میکنند؛ اما منطق پشت پردهی همهی آنها حدس زدن کلمهی بعدی در یک جمله است و درکی از فیزیک جهان ندارند.
یک کودک دو ساله بدون اینکه بداند جاذبه چیست، بارها افتادن اسباببازیاش را روی فرش تماشا میکند. دستش را به لبهی میز میگیرد، بالا رفتن را تجربه میکند و خیلی زود متوجه میشود که اگر توپ را هل بدهد قل میخورد. این کودک در مغز خود یک مدل ذهنی از جهان میسازد؛ دانشی شهودی و عمیق که با میلیونها صفحه خواندن متن به دست نمیآید، بلکه حاصل نگاه کردن، حرکت و لمس مواد است.
«یان لکان»، از پدران یادگیری عمیق، سالهاست میگوید باد کردن مدلهای زبانی با خواندن متون بیشتر، هرگز ما را به هوش مصنوعی در سطح انسان نمیرساند. از نظر او هوش واقعی زمانی شکل میگیرد که ماشین بتواند از دنیای فیزیکی یاد بگیرد، اتفاقهای بعدی را پیشبینی کند و بر اساس پیشبینیها دست به عمل بزند.
**شبیهسازی ذهنی؛ کاری که انسان هر ثانیه انجام میدهد**
مغز ما به شکل مداوم در حال شبیهسازی عواقب کارهایمان قبل از انجام دادن آنهاست. وقتی میخواهید از خیابانی شلوغ رد شوید، در لحظه سرعت ماشینهایی که نزدیک میشوند را تخمین میزنید، فاصلهی خودتان تا جدول سمت مقابل را میسنجید و در ذهنتان یک شبیهسازی سریع اجرا میکنید: «اگر الان با این سرعت بدوم، قبل از رسیدن آن پژو ۴۰۵ از خط رد شدهام، اما اگر موتورسیکلت کنارش تغییر مسیر بدهد، به مشکل میخورم.»
همین مکانیزم زمانی که دستتان را برای برداشتن یک لیوان آب دراز میکنید یا وقتی میخواهید چند جعبه را روی هم بچینید در مغز شما فعال است. انسانها با تکیه بر تجربه، حافظه و مشاهده، رفتار اشیا و محیط اطرافشان را پیشبینی میکنند. متخصصان تلاش میکنند همین قدرت پیشبینی و شبیهسازی درونی را به ماشینها بدهند.
**دو فلسفهی متفاوت: دعوای علمی لکان و هاسابیس**
در خط مقدم این فناوری، دو چهرهی سرشناس هوش مصنوعی با دو دیدگاه فنی متفاوت ایستادهاند: یان لکان و دمیس هاسابیس (مدیرعامل گوگل دیپمایند و برندهی نوبل شیمی). هر دو قبول دارند که هوش مصنوعی باید فیزیک دنیا را بفهمد، اما مسیرشان برای رسیدن به این هدف فرق میکند.
دیدگاه یان لکان: حذف جزئیات اضافه. حرف حساب لکان ساده است؛ دنیای فیزیکی پر از جزئیات غیرقابل پیشبینی و بیفایده برای تصمیمگیری است. وقتی یک گربه از روی دیوار میپرد، مهم نیست تارهای مویش چطور در هوا تکان میخورند یا انعکاس برگ درختان در چشمش چه شکلی میشود؛ آنچه تعیینکننده است، جهت پریدن، شتاب و نقطهی فرود آمدن اوست.
اگر هوش مصنوعی بخواهد تکتک پیکسلهای ویدیوی آینده را تولید کند، کل توان پردازش تراشههای گرانقیمت را صرف جزئیاتی میکند که در تصمیمگیری اهمیتی ندارند. روش پیشنهادی لکان معماری JEPA است که در آن هوش مصنوعی بهجای بازسازی تصویر آینده، ابتدا اطلاعات تصویر را به یک بازنمایی فشرده و ریاضی تبدیل میکند؛ فضایی که در آن ویژگیهای مهم صحنه مثل موقعیت اشیا و روابط میان آنها حفظ میشوند. سپس یک شبکهی پیشبینیکننده آیندهی محیط را حدس میزند. به این ترتیب مدل ظرفیت پردازشی خود را روی اطلاعاتی متمرکز میکند که برای فهم محیط و تصمیمگیری اهمیت دارند، نه اینکه نقاشی بکشد.
دیدگاه دمیس هاسابیس: یادگیری فیزیک از دل تولید ویدیو. در سوی دیگر میدان، هاسابیس با عینکی متفاوت به ماجرا نگاه میکند. او باور دارد تماشای میلیاردها ساعت ویدیو از رفتار دنیا، از ریختن چای در لیوان گرفته تا برخورد موج به صخره، به مدلها یاد میدهد که سازوکار دنیا و رابطهی علت و معلولی چیست.
هاسابیس معتقد است وقتی یک مدل تولید تصویر یاد میگیرد جریان روان آب را طبیعی بسازد، تا حدی به فیزیک شهودی ماده دست یافته است. البته خودش قبول دارد که ساختن یک ویدیوی زیبا و واقعی به این معنی نیست که هوش مصنوعی واقعاً قوانین مکانیک و ترمودینامیک را فهمیده، اما این مسیر را گامی کلیدی برای رسیدن به هوش مصنوعی جامع (AGI) میداند.
**چهار پروژهی پیشتاز: بازی، پردازش و عمل مکانیکی**
غولهای فناوری هر کدام از زاویهی کسبوکار و تخصص خودشان به سراغ ساخت مدلهای جهانی رفتهاند.
۱. پروژهی Genie 4 گوگل دیپمایند؛ ساختن دنیاهایی که میشود در آنها قدم زد. گوگل دیپمایند در پروژهی Genie بهجای ساختن ویدیوهای ثابتی که شما فقط تماشاگرش هستید، روی ساختن محیطهای تعاملی تمرکز کرده؛ چیزی شبیه به یک بازی ویدیویی که در لحظه توسط هوش مصنوعی خلق میشود. شما یک جنگل را توصیف میکنید، وارد آن میشوید، به سمت رودخانه قدم میزنید، دستور میدهید هوا بارانی شود یا یک تختهسنگ جلوی مسیرتان قرار بگیرد، و مدل در همان لحظه ادامهی صحنه و واکنش محیط را میسازد.
گوگل چند هفته قبل نسخهی جدید این سیستم یعنی Genie 4 را معرفی کرد. این نسخه نهتنها محیطهای بسیار واقعیتری را بهصورت زنده میسازد، بلکه صداهای محیطی، موسیقی و دیالوگهای تعاملی را هم تولید میکند و کاربر میتواند حین گشتوگذار در محیط، با دستورات متنی ساده صحنه را تغییر دهد. برگ برندهی Genie 4 اتصال آن به خانوادهی مدلهای جمنای (بهویژه Omni) است که به شبیهسازیها کمک میکند ظاهر و رفتاری منطبق با دنیای واقعی داشته باشند و منطق صحنهها به هم نریزد.
بزرگترین کاربرد این مدل آموزش رباتهاست. Genie 4 یک زمین تمرین مجازی بیپایان میسازد تا رباتها هزاران بار در آن اشتباه کنند، با موانع غیرمنتظره روبهرو شوند و کار با اشیا ناشناس را یاد بگیرند، بدون اینکه حتی یک پیچ در دنیای واقعی آسیب ببیند.
۲. پروژهی Cosmos 3 انویدیا؛ پیریزی پایههای هوش فیزیکی. کازموس ۳ پلتفرمی جامع برای نزدیک کردن سه مرحلهی درک محیط، پیشبینی اتفاقهای بعدی و اقدام مناسب است. معماری این مدل دو بخش اصلی دارد: شبکهی استدلالگر که اطلاعات تصویری، متنی، صوتی و حرکتی را تحلیل میکند، و بخش مولد مبتنی بر دیفیوژن که خروجیهایی مانند تصویر، ویدیو و مسیرهای حرکتی تولید میکند. انویدیا دو اندازه از این مدل معرفی کرده: نسخهی نانو با ۱۶ میلیارد پارامتر برای اجرا روی ورکاستیشن و نسخهی سوپر با ۶۴ میلیارد پارامتر برای زیرساختهای دیتاسنتری.
۳. پروژهی V-JEPA 2 متا؛ یادگیری قوانین بدون بازی با رنگها. راهکار متا بر پایهی نظریههای یان لکان استوار است که میگوید برای فهمیدن قوانین فیزیک نیازی به بازسازی تکتک پیکسلهای تصویر نیست. مدل V-JEPA 2 با تماشای بیش از یک میلیون ساعت ویدیوی عمومی آموزش دیده، بدون اینکه انسانی پای مانیتور بنشیند و برایش برچسب بزند که «این یک صندلی است» یا «این یک گربه است». مدل با خودآموزی یاد گرفته که حرکت اشیا در فضا از چه اصولی پیروی میکند.
بخش شگفتانگیز این پروژه نسخهی ویژهای به نام V-JEPA 2-AC است. محققان به این مدل ۶۲ ساعت ویدیوی ضبطشده از حرکات بازوی مکانیکی ربات «فرانکا» نشان دادند. نتیجه خیرهکننده بود: این بازوی مکانیکی توانست در آزمایشگاهی که قبلاً آن را ندیده بود، با نرخ موفقیت ۶۵ تا ۸۰ درصدی وسایل مختلف را بردارد، جابهجا کند و روی سطوح بگذارد؛ بدون نیاز به اینکه مهندسان برای تکتک اشیای جدید برنامهنویسی کنند یا دادهی اختصاصی بدهند. روش کار ربات هم جالب است: محققان تصویری از وضعیت مطلوب به سیستم میدهند، مدل ابتدا وضعیت فعلی و تصویر هدف را به بازنماییهای ریاضی تبدیل میکند، سپس پیامد مجموعهای از حرکتهای احتمالی را در فضای پیشبینی خود شبیهسازی میکند و حرکتی را انتخاب میکند که به هدف نزدیکتر است.
۴. پروژهی Atlas از شرکت World Labs. این شرکت را فیفی لی، از برجستهترین دانشمندان بینایی کامپیوتر، تأسیس کرده. اطلس متون، تصاویر و فیلمها را تبدیل به یک فضای هندسی سهبعدی باثبات میکند. هدفش آوردن «هوش فضایی» به ماشینهاست؛ همان درکی که یک معمار هنگام نگاه به یک اتاق دارد تا متوجه شود کدام ستون وزن را تحمل میکند و کدام دیوار صرفاً تیغهی جداکننده است.
**چرا ورود مدلهای جهان، صنعت رباتیک را زیر و رو میکند؟**
رباتهای فعلی که در خطوط تولید (مثل بازوهای جوشکاری یا رنگپاشی) میبینیم، در محیطهای صددرصد کنترلشده کار میکنند. جای قطعه با دقت میلیمتری مشخص است و هیچ عامل غافلگیرکنندهای وجود ندارد.
اگر بخواهیم رباتی بسازیم که در یک خانه، بیمارستان یا انبار شلوغ کار کند، همهچیز عوض میشود. در خانه لیوان ممکن است پشت کتری قایم شده باشد، صندلی نسبت به دیروز جابهجا شده باشد یا یک کودک ناگهان جلوی پای ربات بدود.
مدلهای جهانی در سه بخش کلیدی میتوانند این قفل را باز کنند. اول، کاهش چشمگیر هزینههای آموزش: بهجای اینکه صدها ربات فیزیکی را در دنیای واقعی به کار بگیریم تا با آزمون و خطا و شکستن وسایل یاد بگیرند چطور اشیا مختلف را بلند کنند، رباتها میتوانند میلیونها ساعت در محیطهای شبیهسازیشده تمرین کنند و بعد وارد دنیای واقعی شوند. دوم، تصمیمگیری منعطف در لحظه: ربات حمل بار دیگر با دیدن یک مانع غیرمنتظره قفل نمیکند؛ پیشبینی درونی به مدل میگوید «اگر این بسته را کمی به چپ هل بدهی، کارتن بالایی سر میخورد و میافتد؛ پس اول جعبهی بالا را بردار، بعد راهت را باز کن.» سوم، آمادگی برای اتفاقهای نادر و خطرناک: در رانندگی خودران موقعیتهای عجیب و خطرناک (مثل پریدن عابری به وسط خیابان در شب بارانی) هر روز اتفاق نمیافتند که خودرو از آنها یاد بگیرد؛ مدلهای جهانی به مهندسان اجازه میدهند هزاران مورد از این سناریوهای نادر را شبیهسازی و سیستم را قبل از ورود به خیابانهای واقعی آزمایش کنند.
**از کجا بفهمیم هوش مصنوعی واقعاً فیزیک را فهمیده است؟**
به مهمترین سؤال و پاشنهی آشیل فعلی این فناوری میرسیم. وقتی یک مدل هوش مصنوعی ویدیویی میسازد که در آن لیوان از روی میز میافتد و میشکند، آیا واقعاً قوانین گرانش، شتاب و شکنندگی شیشه را درک کرده یا فقط به خاطر دیدن هزاران ویدیوی مشابه یاد گرفته چه پیکسلهایی را کنار هم بگذارد تا نتیجه برای چشم ما باورپذیر باشد؟
در یک ویدیوی سرگرمی، اگر تکهای شیشه برخلاف قوانین فیزیک حرکت کند اتفاقی نمیافتد. اما اگر یک ربات جراح یا خودروی خودران بر اساس درک غلط تصمیم بگیرد، نتیجه فاجعهبار خواهد بود.
گزارش تحقیقی رسانه Ars Technica در جولای ۲۰۲۶ که با پژوهشگران دانشگاه MIT، شرکت Runway و World Labs انجام شده، نشان میدهد صنعت فناوری هنوز حتی روی یک تعریف واحد از مدل جهانی توافق ندارد. محققان دانشگاهها و مراکز علمی مثل استنفورد هم هشدار دادهاند که هیچ معیار و بنچمارک قابل اتکایی وجود ندارد که ثابت کند این مدلها برای استفاده در سیستمهای حساس و خطرناک امن هستند.
برای راستیآزمایی این سامانهها، متخصصان ناچارند از سه روش بهره ببرند. سنجش آزمایشگاهی: مثلاً سقوط یک توپ را با حسگرهای دقیق ثبت کنند و ببینند آیا پیشبینی مدل با اعداد واقعی فیزیکی تطابق دارد یا فقط ظاهرش شبیه است. آزمایش مستقیم روی رباتهای فیزیکی: اگر برنامهای که مدل در شبیهسازی ریخته در دنیای واقعی بارها شکست بخورد، یعنی مدل یک قانون فیزیکی مهم (مثل اصطکاک یا اینرسی) را جا انداخته است. برخورد با شرایط ناشناخته: مدل چقدر میتواند آموختههایش را به موادی تعمیم دهد که هرگز در دادههای آموزشی ندیده؟ اگر بهجای چوب و فلز مادهای ژلهای و چسبناک جلویش گذاشتیم، چه تصمیمی میگیرد؟
در پاسخ به این چالش گروهی از پژوهشگران بنچمارکی با نام WMEval معرفی کردند که مدلهای جهانی تعاملی را با استفاده از محیطهای شبیهسازی فیزیکی Unity ارزیابی میکند. مزیتش این است که کیفیت تصویر را بهتنهایی نمیسنجد؛ بلکه مدل را از نظر کنترلپذیری محیط، ثبات اشیا و شخصیتها، حرکت اجسام، رفتار مایعات و سازگاری با روابط علت و معلولی آزمایش میکند.