رونمایی از مدل هوش مصنوعی اطلس برای شبیه سازی دنیای واقعی

World Labs، استارت آپی به رهبری Fei Fei Li از مدل هوش مصنوعی Atlas، می تواند محیط های سه بعدی گسترده و واقعی را تنها با دریافت یک تصویر دو بعدی ایجاد کند. رونمایی کرد.

به گزارش سرویس هوش مصنوعی تکناکاین شرکت اطلس را گامی مهم در توسعه «هوش فضایی» می داند و آموزش ربات ها در محیط های شبیه سازی شده را یکی از مهمترین کاربردهای خود معرفی کرده است.

World Labs Atlas یک مدل همه جانبه یا Omni Model است توضیحات این برای پر کردن شکاف بین محیط های شبیه سازی شده و استدلال در مورد جهان فیزیکی ایجاد شده است. این مدل می تواند محیطی سه بعدی با جزئیات زیاد از یک تصویر ایجاد کند و با کنترل دقیق دوربین امکان مشاهده صحنه تولید شده از زوایای مختلف را فراهم می کند.

ایده اصلی پشت اطلس به نظریه فی فی لی در مورد “هوش فضایی” برمی گردد. بر اساس این نظریه، هوش مصنوعی باید بتواند در مورد اشیا، افراد، محیط ها، نحوه تعامل آنها و پیامدهای فضایی این تعاملات استدلال کند تا بتواند به طور واقعی جهان فیزیکی را درک و بازسازی کند.

بیشتر بخوانید: اولین هوش مصنوعی اختصاصی برای کشاورزان معرفی شد

هوش فضایی؛ ایده اصلی توسعه اطلس

فیفی لی، مدیر سابق آزمایشگاه هوش مصنوعی دانشگاه استنفورد و یکی از بنیانگذاران موسسه هوش مصنوعی انسان محور استنفورد، WorldLabs را در فوریه 2024 راه اندازی کرد. او معتقد است که دستیابی به هوش مصنوعی عمومی بدون هوش فضایی امکان پذیر نیست.

آزمایشگاه های جهانی نیز توسعه مدل های جهان آگاه از فیزیک را با همین دیدگاه دنبال کرده است. این مدل ها برای درک دنیای فیزیکی، استدلال درباره آن و انجام اقداماتی در محیط طراحی شده اند. این رویکرد توجه سرمایه گذاران را نیز به خود جلب کرده است و World Labs تاکنون 1.2 میلیارد دلار سرمایه از حامیان مالی از جمله Nvidia، AMD و Autodesk جذب کرده است.

ایجاد یک محیط سه بعدی از یک تصویر دو بعدی

مدل Atlas بر اساس معماری ساخته شده است که WorldLabs آن را “ترانسفورماتور انتشار خودبازگشت چند وجهی” می نامد. به گفته این شرکت، این معماری پیچیده‌تر از نسل اول مدل‌های تولید ویدیو مانند سورا OpenAI است.

مدل‌های متداول هوش مصنوعی تولید ویدیو معمولاً به دستورات متنی برای تعیین زاویه و حرکت دوربین بستگی دارند که کنترل دقیقی را ارائه نمی‌دهند. در مقابل، اطلس مسیر دوربین و اطلاعات هندسی را مستقیماً به عنوان ورودی دریافت می کند. این ویژگی به مدل اجازه می دهد تا زاویه دید و پرسپکتیو صحنه را با دقت بیشتری کنترل کند.

یکی از قابلیت های مهم اطلس، تولید شبیه سازی های واقعی تنها از یک تصویر دو بعدی است. این مدل می تواند تا یک دقیقه ویدیوی 1440p از یک تصویر تولید کند و یکپارچگی هندسی محیط را در طول فیلم حفظ کند. همچنین کاربران می توانند محیط تولید شده را از زوایای مختلف مشاهده کنند.

بیشتر بخوانید: امکان ساخت شبیه سازی و مدل های تعاملی سه بعدی به چت بات جوزا اضافه شده است

با اطلس دارایی های ویدئویی و سه بعدی تولید کنید

علاوه بر ویدئو، مدل اطلس می‌تواند دارایی‌های سه بعدی مانند ابرهای نقطه‌ای و گاوسی‌های سه بعدی را تولید کند. این مدل همچنین قادر است ویدئو، متن، موقعیت و جهت گیری دوربین و نقشه های عمق را برای ایجاد یک زمینه فضایی مشترک از محیط ترکیب کند.

World Labs نمونه هایی از قابلیت های Atlas را برای کاربردهایی مانند جلوه های بصری و طراحی بازی به نمایش گذاشت. اما این شرکت آموزش ربات ها را یکی از اهداف اصلی توسعه مدل جدید خود می داند.

شبیه سازی محیط واقعی برای آموزش ربات

توسعه دهندگان می توانند فضای فیزیکی مورد نظر را با دوربین گوشی هوشمند ضبط کنند و اطلس آن را به یک محیط سه بعدی شبیه سازی شده تبدیل می کند. ربات می تواند در این محیط حرکت کند، اجسام را دستکاری کند و واکنش محیط را به اعمال آن ببیند.

همانطور که ربات در فضای شبیه سازی شده حرکت می کند یا با اشیاء تعامل دارد، اطلس تصاویر RGB و اطلاعات حسگر عمق تولید می کند. نمای 360 درجه از محیط همچنین به توسعه دهندگان اجازه می دهد تا سخت افزار رباتیک را در شرایط مختلف آزمایش کنند.

توسعه دهندگان می توانند چیدمان اشیا و شرایط نور را تغییر دهند و سناریوهای مختلفی را ایجاد کنند. به این ترتیب می توان بخشی از تست های ربات ها را قبل از حضور در محیط فیزیکی در فضایی شبیه سازی شده و کنترل شده انجام داد.

مسابقه اطلس با مدل های جهانی و سه بعدی

آزمایشگاه جهانی همچنین اطلس را در چندین معیار با مدل های پیشرو تولید ویدئو و بازسازی سه بعدی مقایسه کرده است. در یک ارزیابی کور انسانی که پایبندی مدل به مسیر دوربین را مورد بررسی قرار داد، شرکت کنندگان اطلس را با اختلاف قابل توجهی نسبت به مدل هایی مانند Gemini Omni Flash و FLUX ترجیح دادند. این شرکت همچنین می‌گوید Atlas در بازسازی هندسه سه‌بعدی از ورودی‌های محدود، از تعدادی از مدل‌های منبع باز محبوب بهتر عمل می‌کند.

اطلس وارد بازار رقابتی فزاینده ای می شود. Odyssey روی شبیه‌سازی‌های تعاملی جهان کار می‌کند، آزمایشگاه‌های AMI Yann LeCun بر معماری‌های برنامه‌نویسی فیزیکی تمرکز دارند، و Niantic Spatial سیستم‌های نقشه‌برداری جغرافیایی پیشرفته را توسعه می‌دهد. از سوی دیگر، World Labs سعی کرده است این قابلیت ها را در یک مدل پایه واحد ترکیب کند.

با وجود نتایج و نمونه های اولیه، عملکرد واقعی Atlas زمانی که به طور گسترده در دسترس کاربران قرار گیرد، بهتر شناخته می شود. کاربران و توسعه دهندگان باید بتوانند نتایج اعلام شده توسط WorldLabs را در سناریوهای پیچیده و واقعی برای ارزیابی قابلیت های این مدل در عمل تکرار کنند.

WorldLabs در حال حاضر اطلس را در دسترس تعداد معینی از شرکت ها در دسترس قرار می دهد. این شرکت هنوز تاریخی برای عرضه عمومی مدل جدید جهانی خود اعلام نکرده است.