MoWorld Explained: نموذج العالم العصبي في الوقت الحقيقي NPU يدفع نماذج العالم نحو الاستخدام الصناعي
يظهر MoWorld كيف يمكن لنماذج العالم أن تنتقل من العروض التجريبية المذهلة إلى البنية التحتية القابلة للنشر. ادعاؤه الرئيسي ليس فقط جودة توليد أفضل، بل التفاعل في الوقت الحقيقي بأكثر من 50 إطارًا في الثانية على أجهزة NPU المحلية. تشرح المقالة محرك بيانات MoWorld، وتحسينات التدريب والاستدلال، واتجاه النشر منخفض التكلفة، وحالات الاستخدام العملية عبر الألعاب والروبوتات وإنتاج الأفلام والتوأم الرقمي وإعادة البناء ثلاثي الأبعاد. لا يزال رمز النموذج ووصول الخدمة العامة محددين بـ"قريبًا"، لذا يجب أن ينتظر التبني الإنتاجي مزيدًا من الاختبارات العامة والوثائق وتفاصيل النشر. **الخلاصة الرئيسية: يهم MoWorld لأنه يعامل نموذج العالم كمحرك مكاني تفاعلي وقابل للنشر، وليس مجرد مولد فيديو آخر.**
موورلد موضحة: نموذج العالم العصبي في الوقت الفعلي الذي يدفع نماذج العالم نحو الاستخدام الصناعي
مقدمة
على مدار العام الماضي، أصبحت نماذج العالم واحدة من أكثر الأفكار التي تمت مناقشتها في صناعة الذكاء الاصطناعي. نموذج العالم الحقيقي ليس مجرد نظام يستمر في توليد إطارات الفيديو. بل يجب أن يفهم الفضاء، ويتنبأ بالحالة التالية للعالم، ويستجيب لإشارات التحكم في الوقت الفعلي.
وهذا الجانب الزمني الفعلي مهم. بالنسبة للروبوتات، والقيادة الذاتية، والألعاب، والترفيه التفاعلي، فإن أي شيء أقل من معدل إطارات سلس سرعان ما يبدو محدودًا. عمليًا، أكثر من 30 إطارًا في الثانية هو عادةً الحد الأدنى لتجربة تفاعلية سلسة.
وهنا تكمن معاناة معظم نماذج العالم الحالية.
قامت شركة موكسين للتكنولوجيا، المتخصصة في نماذج العالم رباعية الأبعاد والنشر الصناعي، بإطلاق موورلد بالتعاون مع شركاء من بينهم الأكاديمي من جامعة تشجيانغ يونخي بان وشركة هواوي. يصف الفريق موورلد بأنه نموذج عالم تفاعلي كامل المكدس في الوقت الفعلي مبني على البنية التحتية المحلية لوحدات المعالجة العصبية.
وفقًا للتقرير الأصلي وصفحة مشروع موورلد، يصل موورلد إلى أكثر من 50 إطارًا في الثانية أثناء الاستدلال، بينما تبلغ تكلفة النشر حوالي 30% فقط من الحل المماثل القائم على وحدات معالجة الرسوميات. يتوفر تقرير فني بالفعل، بينما سيتم إتاحة الأوزان والرمز والوصول إلى الخدمة العامة القائمة على وحدات المعالجة العصبية قريبًا.
الصفحة الرئيسية للمشروع: موورلد
لماذا عانت نماذج العالم من التحول إلى الوقت الفعلي؟
مقارنة بنماذج توليد الفيديو العادية، فإن الفرق الأكبر في نموذج العالم هو التفاعل في الوقت الفعلي.
لفترة طويلة، بقيت نماذج العالم أقرب إلى العروض التوضيحية البحثية منها إلى أنظمة الإنتاج. لم يعد السؤال الرئيسي هو ما إذا كان النموذج يمكنه توليد محتوى مرئي مبهر فحسب. بل أصبح السؤال الأصعب هو ما إذا كان يمكنه دعم التحكم في الوقت الفعلي، والنشر المستقر، وهيكل تكلفة يجعل الاستخدام الصناعي واقعيًا.
تم إطلاق موورلد على هذه الخلفية. أمضى فريق موكسين، بالتعاون مع هواوي كمستثمر استراتيجي وشريك، ما يقرب من عام في العمل على المشكلات الهندسية الرئيسية المحيطة بنشر نماذج العالم.
يأخذ موورلد إطارًا أوليًا ونصًا ومسار الكاميرا كشروط. ثم يولد حالات عالم مستقبلية تتطابق مع المشهد الحالي ومدخلات التحكم. باستخدام عناصر تحكم مستمرة مشابهة لحركة W/A/S/D، يمكن للمستخدمين التفاعل مع العالم المولد أثناء تطوره. على أجهزة وحدات المعالجة العصبية المحلية، يصل النظام إلى أكثر من 50 إطارًا في الثانية ويحافظ على انخفاض تكلفة الاستدلال من خلال التصميم على مستوى النظام.
لأول مرة، نموذج عالم يخفض التكلفة
بالنسبة لنماذج العالم، فإن جودة التوليد ليست سوى الخطوة الأولى. ما يقرر ما إذا كان يمكن نشر التكنولوجيا فعليًا هو تكلفة التدريب، وكفاءة الاستدلال، والتفاعل في الوقت الفعلي.
يعمل موورلد على تحسين المسار الكامل: بناء البيانات، وتدريب النموذج، والتقطير، والنشر النظامي. الهدف ليس فقط تحسين قدرة النموذج، بل أيضًا جعل النموذج أسهل في التشغيل في بيئات هندسية حقيقية.
العنصر الرئيسي الأول هو البيانات. على عكس نماذج توليد الفيديو القياسية، لا يمكن لنماذج العالم الاعتماد فقط على الفيديوهات والنصوص. بل تحتاج أيضًا إلى مسارات الكاميرا، والعمق المكاني، وغيرها من البيانات ثلاثية الأبعاد
معلومات. مقاطع الفيديو الخام من الإنترنت ليست كافية.
لحل هذه المشكلة، تعتمد MoWorld على سنوات من الأبحاث في النمذجة ثلاثية الأبعاد ورباعية الأبعاد. وقد أنشأ الفريق نظامًا قابلاً للتطوير لإنتاج البيانات وإدارتها. من خلال مرشحات الجودة مثل الاتساق الهندسي، ودقة المسار، واستقرار الرؤية المتعددة، يعمل النظام على تحسين مجموعة التدريب ويمنح النموذج أساسًا أكثر موثوقية لتعلم القواعد المكانية. كما يساعد ذلك في تقليل عبء التدريب الإجمالي.
لجعل النموذج العالمي قابلاً للنشر في الوقت الفعلي، تعمل MoWorld بعد ذلك على تحسين ثلاث مراحل: التدريب، والتقطير، والاستدلال.
أثناء التدريب، تم تصميم النظام حول خصائص أجهزة NPU المحلية. يقدم توازيًا فائق الكثافة للانتباه وتوازيًا طويلًا لتسلسل الرموز لتقليل ضغط الذاكرة عند التدريب على مقاطع فيديو طويلة جدًا. وفقًا للتقرير الأصلي، يتيح ذلك التدريب طويل المدى والاستدلال حتى 2000 إطار.
أثناء الاستدلال، تستخدم MoWorld التنفيذ الخطي، والتوازي الهرمي للتسلسل، والتكميم الديناميكي مختلط الدقة. تسمح هذه التحسينات النظامية لنموذج عالمي من نوع MoE يضم 14 مليار معلمة بالوصول إلى 50 إطارًا في الثانية على منصة NPU محلية. يُذكر أن تكلفة الاستدلال تبلغ حوالي 30٪ فقط من حل GPU المماثل.
من بناء محرك البيانات عالي الجودة إلى التدريب طويل التسلسل والنشر الفعال من حيث التكلفة في الوقت الفعلي، تنقل MoWorld النماذج العالمية من "قادرة على التوليد" إلى "قادرة على التفاعل والنشر". بالنسبة للاستخدام الصناعي واسع النطاق، هذا التحول هو النقطة الحقيقية.
من المتوقع أن تفتح MoWorld خدماتها للجمهور من خلال العقد الفائقة لـ NPU المحلية.
MoWorld تقود التطبيقات الصناعية للنماذج العالمية المحلية
بفضل قدرة النموذج العالمي التفاعلية في الوقت الفعلي، تنتقل MoWorld من التحقق التقني نحو بنية تحتية مكانية ذكية أوسع للعديد من الصناعات.
في هذه السيناريوهات، لا يعد النموذج مجرد مولد فيديو. فهو يعمل أشبه بمحرك محاكاة مكاني قابل للتحكم، مما يمنح الصناعات طريقة لتوليد مشاهد تفاعلية وقابلة للاستكشاف وقابلة للنشر اقتصاديًا.
الألعاب و
الترفيه التفاعلي: تحكم فوري واستكشاف حر
يدعم MoWorld التحكم الكامل في الكاميرا بست درجات حرية. يمكن للمستخدمين التحرك عبر المشاهد المولّدة باستخدام مفاتيح W/A/S/D وأساليب التحكم بالماوس، مما يخلق تجربة أقرب إلى التجوال السينمائي أو الشبيه بالألعاب.
المشاهد المولّدة واقعية وعالية الدقة. وتشير المقالة الأصلية إلى دعم دقة 1080p ودقة أعلى.
كما تغطي مجموعة واسعة من الأنماط، بما في ذلك المناظر الطبيعية، والمشاهد بأسلوب الأنمي، وبيئات الألعاب، والمحتوى المتحرك.
الذكاء الجسدي والقيادة الذاتية: التدريب الافتراضي والتحقق الواقعي
أصبحت النماذج العالمية جسرًا بين الذكاء الاصطناعي التوليدي والذكاء الجسدي.
يستطيع MoWorld توفير ميدان تدريب رقمي منخفض التكلفة وعالي الإخلاص للروبوتات وأنظمة القيادة الذاتية. في هذا الدور، يصبح أكثر من مجرد مولّد بصري؛ إنه يقدم محاكيًا يمكن للأنظمة الذكية أن تتعلم من خلاله التفاعل مع البيئات الفيزيائية قبل الانتقال إلى العالم الحقيقي.
للفرق العاملة في مجال القيادة الذاتية، قد يوفر هذا النوع من المحاكاة العالمية كميات ضخمة من بيانات البيئة عالية الدقة بتكلفة أقل من العديد من خطوط أنابيب المحاكاة التقليدية.
الإنتاج السينمائي: حركات كاميرا بمستوى المخرج وتصور مسبق فوري
قد يستغرق التصور المسبق التقليدي للأفلام وعرض اللوحات القصصية وقتًا طويلاً.
يتيح MoWorld للمبدعين تعديل زاوية الرؤية، ومعاينة اللقطات في الوقت الفعلي، وتحرير حركة الكاميرا داخل عالم افتراضي مولّد. التحكم السلس في الكاميرا مهم بشكل خاص هنا، لأن سير العمل السينمائي يتطلب غالبًا من المخرجين اختبار الزوايا والحركة والإيقاع البصري قبل الإنتاج.
التوائم الرقمية وإعادة البناء ثلاثي الأبعاد: إعادة بناء مكاني باستمرارية أعلى
يُقال إن مقاطع الفيديو المولّدة بواسطة MoWorld تمتلك اتساقًا هندسيًا قويًا، مما يجعلها مفيدة لإعادة البناء ثلاثي الأبعاد للأماكن الداخلية.
وفقًا للتقرير الأصلي، يبرز النموذج بسبب دقة إعادة البناء العالية، والبنية المستقرة، والتخطيط المكاني المتناسق. هذه الصفات مهمة للتوائم الرقمية، والتصور المعماري، وصالات العرض الافتراضية، والألعاب الغامرة، وغيرها من التطبيقات المكانية ثلاثية الأبعاد.
مئات الملايين من الدولارات لـ"موكسين": من سيحدد الجيل القادم من الذكاء المكاني؟
المشهد التنافسي لنماذج اللغة الكبيرة ونماذج توليد الفيديو أصبح واضحًا نسبيًا بالفعل. النماذج العالمية مختلفة. هذا المجال لا يزال في بداياته، ولا يوجد حتى الآن قائد عالمي مقبول على نطاق واسع.
المسارات الهندسية لا تزال قيد التجربة. كما أن المعايير الصناعية لم تكتمل بعد.
بالنسبة للفرق المحلية في مجال الذكاء الاصطناعي، فإن هذا يخلق نافذة نادرة. فجوة خط البداية ليست كبيرة كما في بعض أسواق البنية التحتية القديمة للذكاء الاصطناعي. لا تزال لدى الفرق فرصة ليس فقط للمنافسة، بل أيضًا للمساعدة في تحديد المعايير التقنية للجيل القادم من الذكاء المكاني.
الذكاء المكاني.
رؤية مووورلد لهذه الفرصة واضحة: فهي تدّعي تقديم مجموعة متكاملة للتدريب والاستدلال تعمل على بنية تحتية محلية لوحدات معالجة الشبكات العصبية (NPU)، واستدلال تفاعلي فوري يتجاوز 50 إطارًا في الثانية، وانخفاض تكلفة الاستدلال إلى حوالي 30% من تكلفة حلول وحدات معالجة الرسومات (GPU) المماثلة.
انتقل رأس المال قبل أن يصل القطاع إلى توافق كامل. أكملت شركة "موكسين للتكنولوجيا" مؤخرًا جولة تمويل بقيمة مئات الملايين من الدولارات، بمشاركة من صناديق دولية رائدة، وصناديق احتياطية استراتيجية وطنية، والعديد من المستثمرين الصناعيين.
في وقت سابق، تلقت موكسين أيضًا استثمارًا من صندوق "هابل للاستثمار" التابع لشركة هواوي ومنصة رأس المال المدعومة من "ليفند" التابعة لشركة لينوفو.
لن تظل النافذة مفتوحة إلى الأبد. السؤال التالي هو: من سيضع المعايير الخاصة بالنماذج العالمية والذكاء المكاني.
الأسئلة الشائعة
ما هو مووورلد؟
مووورلد هو نموذج عالمي تفاعلي فوري تم تطويره بواسطة شركة "موكسين للتكنولوجيا" والمتعاونين معها. وهو مصمم لتوليد حالات عالمية مستقبلية من إطار أولي، ونص، ومسار كاميرا، مع السماح بالتحكم المستمر من قبل المستخدم.
لماذا تعتبر 50 إطارًا في الثانية مهمة للنموذج العالمي؟
يحتاج النموذج العالمي المستخدم للتفاعل إلى الاستجابة بسرعة كافية لتمكين المستخدمين أو وكلاء الذكاء الاصطناعي من التحكم به بسلاسة. يُعتبر أكثر من 30 إطارًا في الثانية خطًا أساسيًا شائعًا للتفاعل السلس، ويذكر مووورلد أن الاستدلال يتجاوز 50 إطارًا في الثانية على البنية التحتية المحلية لـ NPU.
هل مووورلد مجرد نموذج لتوليد الفيديو؟
لا. المقال الأصلي يضع مووورلد كمحرك محاكاة مكاني قابل للتحكم، وليس مجرد مولد فيديو. تكمن قيمته الأساسية في التفاعل الفوري، والتحكم بالكاميرا، والاتساق المكاني، وإمكانية استخدامه في الروبوتات، والألعاب، والتصور المسبق للأفلام، والتوائم الرقمية.
ما هي الأجهزة التي يستهدفها مووورلد؟
تم تصميم مووورلد حول النشر على NPU محلية. تصف صفحة المشروع أنه مجموعة NPU فعالة من حيث التكلفة، وأنه مبني لتوليد فيديو عالمي عالي الإطارات، ومنخفض التكلفة، وقابل للتحكم المستمر.
هل مووورلد مفتوح المصدر؟
صفحة مشروع مووورلد تدرج الكود البرمجي على أنه "قريبًا". المقال الأصلي يذكر أيضًا أنه من المتوقع فتح الأوزان والكود قريبًا، لكنها لم تكن متاحة للعامة وقت إعداد هذا المقال.
ما هي ميزة التكلفة المذكورة لمووورلد؟
المقال الأصلي يقول أن تكلفة نشر مووورلد تبلغ حوالي 30% فقط من تكلفة حلول GPU المماثلة. وتصف ورقة arXiv أن مووورلد يقلل متوسط تكلفة الاستدلال إلى حوالي 30%–50% من النماذج العالمية الحالية في البيئات العملية.
ما هي القطاعات التي يمكن أن تستخدم مووورلد؟
تشمل حالات الاستخدام المحتملة الألعاب، والترفيه التفاعلي، والروبوتات، والقيادة الذاتية، والتصور المسبق للأفلام، والتوائم الرقمية، والتصور المعماري، وصالات العرض الافتراضية، وإعادة البناء ثلاثي الأبعاد.
أدوات ذات صلة
- مووورلد: صفحة المشروع الرسمية للنموذج العالمي التفاعلي الفوري.
- arXiv: منصة ما قبل الطباعة حيث تتوفر الورقة التقنية لمووورلد.
- GitHub Pages: نظام الاستضافة المستخدم للموقع العام لمشروع مووورلد.
روابط ذات صلة
- صفحة مشروع مووورلد الرسمية: نظرة عامة رسمية على النموذج.
الهندسة المعمارية والنتائج وسيناريوهات التطبيق.
- MoWorld: نموذج عالمي فلاش على arXiv: صفحة الملخص الرسمية لورقة MoWorld الفنية على arXiv.
- نسخة MoWorld بتنسيق HTML على arXiv: نسخة قابلة للقراءة عبر الإنترنت من الورقة الفنية.
- تقرير MoWorld الفني بصيغة PDF: ملف PDF مرتبط بمشروع التقرير الفني.
- شكل محرك بيانات MoWorld الرسمي: الصورة الرسمية للهندسة المعمارية المستخدمة عند تعذر تحميل صورة BAAI الأصلية.
- شكل الاستدلال الفوري لـ MoWorld الرسمي: الصورة الرسمية التي تشرح هندسة تحسين الاستدلال لـ MoWorld.
ملخص
يُظهر MoWorld كيف يمكن لنماذج العالم أن تنتقل من العروض التوضيحية المثيرة للإعجاب نحو البنية التحتية القابلة للنشر. ادعاؤه الرئيسي ليس فقط جودة توليد أفضل، بل تفاعلًا في الوقت الحقيقي بأكثر من 50 إطارًا في الثانية على أجهزة NPU المحلية.
تشرح المقالة محرك بيانات MoWorld، وتحسينات التدريب والاستدلال، واتجاه النشر منخفض التكلفة، وحالات الاستخدام العملية عبر الألعاب، والروبوتات، وإنتاج الأفلام، والتوأم الرقمي، وإعادة البناء ثلاثي الأبعاد.
لا تزال شفرة النموذج والوصول إلى الخدمة العامة محددة بأنها "قريبًا"، لذا يجب أن ينتظر التبني الإنتاجي المزيد من الاختبارات العامة والوثائق وتفاصيل النشر.
الخلاصة الرئيسية: MoWorld مهم لأنه يعامل النموذج العالمي كمحرك مكاني تفاعلي وقابل للنشر، وليس مجرد مولد فيديو آخر.