تصور کنید تنها با یک پاراگراف توصیفی، دنیایی پیچیده از یک رمان کلاسیک را در مرورگر خود زنده کنید. این دقیقاً همان اتفاقی است که اندریج کارپاتی با تبدیل نثر جی.آر.آر. تولکین به یک تجربه بصری سهبعدی رقم زد.
او برای این کار از Claude Opus 5 استفاده کرد تا نشان دهد مدلهای زبانی جدید میتوانند توصیفات انتزاعی ادبی را به گرافیکهای کاربردی تبدیل کنند. این دستاورد در واقع تکاملیافتهی قابلیتهایی است که پیشتر دیدیم، جایی که مدل Opus 5 توانایی خلق محیطهای سهبعدی پیچیده را تنها از یک پاراگراف متن به نمایش گذاشت. این فرآیند، که بر اساس گزارش the-decoder.com در ۳ اوت ۲۰۲۶ منتشر شد، حدود دو ساعت زمان برد و ۱۰ دلار هزینه توکن داشت. طبق این گزارش، کارپاتی برای اجرای این پروژه از کتابخانه Three.js استفاده کرد.
این آزمایش در زمانی رخ میدهد که صنعت هوش مصنوعی از محکهای سختگیرانه (Benchmarks) به سمتی میرود که کارپاتی آن را «بررسی حس و حال» (Vibe Check) مینامد. همانطور که در تحلیل قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، تمرکز بر زیرساختهای محلی اهمیت دارد، اما این تحول جدید، بر استدلال خلاقانه و لحظهای مدل تمرکز میکند. این رقابت در استدلال و بهینهسازی، یادآور مقایسههای اخیر میان مدلهای پیشرو است؛ برای نمونه، بررسی عملکرد Grok 4.5 در برابر Opus 4.8 نشان داد که هر کدام برای گردشهای کاری نرمافزاری متفاوتی بهینه شدهاند. کارپاتی معتقد است آزمونهای قدیمی — مثل ترسیم SVG از یک «پلیکان روی دوچرخه» — دیگر برای مدلهای چندوجهی (Multimodal) — یعنی مدلهایی که مثل انسانها همزمان متن، عکس و صدا را میفهمند — بیش از حد ساده شدهاند.
جزئیات فنی پروژه
- مدل: مدل Claude Opus 5 منطق برنامهریزی و جایگذاری اشیا را تولید کرد.
- رندرینگ: برای نمایش گرافیکهای سهبعدی در مرورگر از Three.js استفاده شد.
- صدا: فضای صوتی محیط توسط Eleven Labs ساخته شد.
- هزینه: حدود یک میلیون توکن (Token) — تکههای کوچکی از متن که مدل مانند برشهای کیک آنها را میخورد — مصرف شد.
به نقل از کارپاتی، یک محدودیت حیاتی وجود دارد: مدل نمیتواند خروجی ویدیویی خود را در لحظه «ببیند». برای اصلاح خطاها، مدل مجبور بود به عکسهای ثابت (Screenshot) تکیه کند که منجر به چندین خطای رندرینگ شد. با این حال، کاربران دیگر در حال فشار آوردن به Opus 5 برای ساخت بازیهای کامل مرورگری، از جمله شبیهسازهای ماینکرفت هستند.
برای کاربران عادی، این یعنی هزینه ساخت محیطهای دیجیتال پیچیده به صفر نزدیک میشود. ما به سمتی میرویم که کاربر میتواند تنها با یک پرامپت، به عنوان قهرمان داستان وارد یک دنیای بازی شود.
گام بعدی شما
- کد منبع این پروژه را که توسط کارپاتی منتشر شده بررسی کنید تا نحوه تعامل متن و گرافیک را بفهمید.
- سعی کنید توصیفات محیطی پیچیده را به مدلهای استدلالی بدهید تا ساختار کد Three.js آنها را تحلیل کنید.
- منتظر بهروزرسانیهایی باشید که حلقههای بازخورد بصری (Visual Feedback) را به صورت زنده در مدلها فعال میکنند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو