در دنیای هوش مصنوعی، هر روز شاهد نوآوری‌های تازه‌ای هستیم که مرزهای ممکن را جابه‌جا می‌کنند. تیم Overworld به‌تازگی از مدل جدیدی به نام Waypoint-1 رونمایی کرده است؛ یک مدل انتشار ویدیویی تعاملی بلادرنگ که به کاربران اجازه می‌دهد با متن، موس و صفحه‌کلید، دنیایی را که خودشان ساخته‌اند کنترل کنند. این مدل که به‌صورت منبع‌باز منتشر شده، گامی مهم در مسیر دموکراتیزه‌کردن هوش مصنوعی محسوب می‌شود.
برخلاف مدل‌های سنتی تولید ویدیو که تنها خروجی از پیش تعیین‌شده ارائه می‌دهند، Waypoint-1 با دریافت چند فریم اولیه، دنیایی زنده و تعاملی می‌سازد که کاربر می‌تواند در آن گام بگذارد و آن را تغییر دهد. این قابلیت، کاربردهای گسترده‌ای از بازی‌سازی تا شبیه‌سازی‌های آموزشی دارد.
Waypoint-1 چیست و چگونه کار می‌کند؟
Waypoint-1 یک مدل انتشار ویدیوی تعاملی بلادرنگ است که بر پایه ترانسفورماتور جریان تصحیح‌شده (Rectified Flow Transformer) ساخته شده. این مدل به‌صورت نهان‌کار (Latent) عمل می‌کند؛ یعنی روی فریم‌های فشرده آموزش دیده و به همین دلیل می‌تواند پردازش را با سرعت بالا انجام دهد. هسته اصلی آن روی ۱۰ هزار ساعت ویدیوی متنوع از بازی‌های ویدیویی آموزش دیده که با ورودی‌های کنترلی و زیرنویس‌های متنی همراه بوده است.
این آموزش گسترده به مدل اجازه می‌دهد الگوهای پیچیده تعامل انسان و دنیای مجازی را درک کند و در لحظه واکنش نشان دهد. کاربر می‌تواند با تایپ یک دستور ساده، محیط را تغییر دهد یا با حرکت موس، دوربین را جابه‌جا کند و با فشردن کلیدها، شخصیت داستان را هدایت کند.
معماری و فرآیند آموزش مدل
یکی از نقاط قوت Waypoint-1 استفاده از معماری frame-causal است؛ یعنی مدل هر فریم را بر اساس فریم‌های قبلی تولید می‌کند و به این ترتیب پیوستگی زمانی در ویدیو حفظ می‌شود. این ویژگی برای تعامل بلادرنگ ضروری است، потому что مدل باید پیش از نمایش فریم بعدی، آن را محاسبه کند.
فرآیند آموزش نیز بسیار هوشمندانه طراحی شده. داده‌های آموزشی شامل ویدیوهای واقعی بازی‌های ویدیویی مختلف است که با ورودی‌های کنترل مانند کلیدهای فشرده‌شده و حرکت موس هم‌زمان ثبت شده‌اند. همچنین هر بخش از ویدیو با متن توصیف‌کننده همراه است تا مدل بتواند رابطه بین دستورات متنی و تغییرات بصری را یاد بگیرد. نتیجه این آموزش، مدلی است که نه‌تنها ویدیو تولید می‌کند، بلکه دنیایی پاسخگو می‌سازد.
کتابخانه WorldEngine و ساخت دنیای تعاملی
Overworld علاوه بر مدل اصلی، یک کتابخانه استنتاج به نام WorldEngine منتشر کرده است که فرآیند اجرای مدل را ساده می‌کند. این کتابخانه به توسعه‌دهندگان اجازه می‌دهد با چند خط کد، Waypoint-1 را در پروژه‌های خود یکپارچه کنند و دنیای تعاملی خود را بسازند. از جمله امکانات WorldEngine می‌توان به موارد زیر اشاره کرد:
- پشتیبانی از ورودی‌های متن، موس و صفحه‌کلید به‌صورت هم‌زمان
- بهینه‌سازی برای اجرای بلادرنگ روی پردازنده‌های گرافیکی
- قابلیت دریافت چند فریم اولیه و ادامه‌دادن داستان از آن نقطه
- ارائه API ساده برای زبان‌های برنامه‌نویسی مختلف
این کتابخانه به‌صورت متن‌باز منتشر شده و جامعه توسعه‌دهندگان می‌توانند در بهبود آن مشارکت کنند. این حرکت در راستای رسالت Overworld برای پیشبرد و دموکراتیزه‌کردن هوش مصنوعی از طریق منبع‌باز است.
دسترسی به مدل و گام‌های بعدی
وزن‌های Waypoint-1 در هاب Hugging Face به‌صورت عمومی در دسترس قرار گرفته است. در حال حاضر نسخه Waypoint-1-Small منتشر شده و نسخه Medium به‌زودی عرضه خواهد شد. کاربران می‌توانند از طریق سرویس Overworld Stream نیز این مدل را به‌صورت آنلاین آزمایش کنند و تجربه ساخت دنیای تعاملی را بدون نیاز به سخت‌افزار قدرتمند داشته باشند.
انتشار این مدل نشان‌دهنده روند رو به رشد مدل‌های ویدیویی تعاملی است که در آینده می‌توانند صنعت سرگرمی، آموزش و حتی شبیه‌سازی‌های حرفه‌ای را متحول کنند. با دسترسی آزاد به چنین فناوری‌هایی، نوآوری در این حوزه شتاب بیشتری خواهد گرفت.
پرسش‌های پرتکرار
Waypoint-1 چه تفاوتی با سایر مدل‌های تولید ویدیو دارد؟
Waypoint-1 یک مدل انتشار ویدیویی تعاملی بلادرنگ است که برخلاف مدل‌های معمول، فقط خروجی ثابت تولید نمی‌کند؛ بلکه با دریافت چند فریم اولیه، دنیایی زنده می‌سازد که کاربر می‌تواند با متن، موس و صفحه‌کلید در آن تغییر ایجاد کند.
چگونه می‌توان از Waypoint-1 استفاده کرد؟
وزن‌های مدل به‌صورت رایگان در Hugging Face منتشر شده است. نسخه Small همین حالا در دسترس است و نسخه Medium به‌زودی عرضه می‌شود. همچنین از طریق پلتفرم Overworld Stream می‌توانید به‌صورت آنلاین آن را امتحان کنید.
