تا حالا برات جالب بوده بدونی ربات‌ها و سیستم‌های هوشمند واقعاً چطوری دنیای اطرافشون رو می‌بینن و می‌فهمن؟ الان موضوع خیلی داغ هوش مصنوعی یعنی “مدل‌سازی دنیا” کلی سر و صدا کرده و داره روز به روز پیشرفته‌تر میشه! مدل‌سازی دنیا یا همون World Modeling یعنی یه جور تکنیک که کمک می‌کنه هوش مصنوعی‌ها بتونن محیطی که توش هستن رو بفهمن، براش مدل بسازن و حتی آینده رو پیش‌بینی کنن. مثلاً یه ربات که داره تو اتاق می‌چرخه، باید بلد باشه با اطلاعاتی که جمع می‌کنه، از دنیا یه مدل درست کنه تا بتونه جابجا شه و با اشیاء برخورد نکنه.
تا چند وقت پیش همه تمرکز رو عکس‌ها و ویدیوهای دوبعدی بود—همون عکس و فیلم‌های معمولی که با دوربین می‌گیریم. اما الان ماجرا عوض شده و پای اطلاعات سه‌بعدی و چهاربعدی وسط اومده! بزار یه توضیح بدم: اطلاعات سه‌بعدی یعنی مدل یا دیتایی که عمق هم داره. مثلاً عکس معمولی فقط طول و عرض داره، ولی عکس سه‌بعدی یا حتی چهار بعدی، عمق و گاهی زمان رو هم اضافه می‌کنه. چهاربعدی یعنی سه‌بعدی همراه با بعد زمان، یعنی مدل‌هایی که تغییرات و حرکت در زمان رو هم لحاظ میکنن. خفن نیست؟
حالا توی این مقاله اومدن یه کار باحال کردن و کلی زحمت کشیدن که خلاصه‌وار و کامل همه مطالعات و روش‌های معروف مدل‌سازی دنیا توی محیط‌های سه‌بعدی و چهاربعدی رو جمع‌بندی کنن. تو مقالات قبلی بیشتر تمرکز روی همون مدل‌های تصویری یا ویدیویی بوده که می‌تونن مثلاً عکس یا فیلم بسازن (که به این مدل‌ها میگن Generative AI یعنی سیستم‌هایی که خودشون می‌تونن تصاویر یا ویدیو بسازن). ولی تو بازه سه‌بعدی و چهاربعدی کلی موضوع جدید مثل RGB-D imagery (یعنی تصاویری که هر پیکسلش هم رنگ داره هم اینکه چقدر از دوربین دوره)، occupancy grid (یعنی یه نوع شبکه بندی فضا که نشون میده کجاها پره و کجاها خالیه)، و LiDAR point cloud (لیدار نقطه‌ای، یعنی دستگاهی که با پرتوهای لیزری فاصله و شکل اجسام رو به صورت نقطه نقطه درمیاره) خیلی اهمیت پیدا کردن.
یه نکته باحال دیگه هم اینکه اصلاً یه تعریف درست برای “مدل دنیا” یا همون World Model تو مجلات و مقالات علمی نداشتیم! یعنی هرکسی یه چیزی می‌گفت و اصلاً منسجم نبود. این مقاله میاد این مشکل رو حل می‌کنه و یه تعریف جامع و کامل میده.
اونا اومدن تحقیقات رو دسته‌بندی کردن و برای هر شاخه یه اسم باحال گذاشتن:
- VideoGen: مدل‌هایی که با ویدیو سروکار دارن و می‌خوان صحنه رو شبیه‌سازی کنن یا بسازن.
- OccGen: مدل‌های مبتنی بر occupancy یعنی همون مدل‌هایی که فضا رو براساس پر یا خالی بودنش نگاه میکنن.
- LiDARGen: مدل‌هایی که با دیتای لیدار کار میکنن—اونایی که با لیزر و نقاط سه‌بعدی، محیط رو مدل میکنن.
علاوه‌بر این‌ها، کلی دیتاست مخصوص این کارها معرفی کردن و توضیح دادن برای هرکدوم چه معیارهایی برای تست و ارزیابی وجود داره. مثلاً اینکه چقدر یه مدل می‌تونه خوب پیش‌بینی کنه، چقدر دقیق و سریع کار می‌کنه و …
اگه می‌خوای بدونی این مدل‌سازی‌های سه‌بعدی و چهاربعدی چه کاربردایی دارن، خب کلی چیز شگفت‌انگیز پشتشه! از ماشین‌های خودران گرفته که باید اطرافشون رو درست مدل کنن، تا ربات‌ها، بازی‌های کامپیوتری معرکه و حتی صنایع فیلم و انیمیشن.
البته هنوز کلی چالش هست و کارهای زیادی باید انجام بشه. مثلاً چطور میشه مدل‌ها رو واقعی‌تر و سریع‌تر کرد، دیتای بهتری جمع کرد یا حتی مدل‌های ساده‌تری ساخت که به سخت‌افزار قوی نیاز نداشته باشه.
در کل اگه دلت می‌خواد بری سراغ منابع کامل‌تر و حتی دلت می‌خواد خودت وارد این داستان شی، نویسندگان مقاله یه لیست خیلی کامل گذاشتن و همه مقالات و منابع رو جمع کردن که می‌تونی تو این آدرس ببینی: https://github.com/worldbench/survey
خلاصه، اگه یه روزی عینک واقعیت مجازی گذاشتی و خواستی دنیای سه‌بعدی بسازی، یا خواستی یه ربات بسازی که بتونه توی خونه مانور بده، بدون این داستان مدل‌سازی دنیا حرف اول رو می‌زنه!
منبع: +
