اگر تصور می‌کنید مدل‌های زبانی بزرگ در استدلال به بن‌بست رسیده‌اند، احتمالاً مرز بعدی در شبیه‌سازی‌های سه‌بعدی نهفته است. در ۱۷ ژوئن ۲۰۲۶، استارتاپ Odyssey موفق شد ۳۱۰ میلیون دلار سرمایه جذب کند تا مدل‌هایی بسازد که برخلاف مدل‌های متنی، قوانین فیزیکی دنیای واقعی را درک می‌کنند.
این تغییر رویکرد زمانی رخ می‌دهد که پیشگامانی مثل یان لکان از متا استدلال می‌کنند مدل‌های متنی به‌تنهایی هرگز به هوش انسانی نمی‌رسند. یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — فقط کلمه بعدی را پیش‌بینی می‌کند؛ اما مدل‌های جهانی، حالت بعدی یک محیط فیزیکی را پیش‌بینی می‌کنند. تفاوت این دو، شبیه تفاوتِ خواندنِ توصیفِ سقوط یک لیوان با شبیه‌سازی واقعیِ نحوه خرد شدن آن است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی محدودیت‌های استدلال در مدل‌های مولد اشاره کردیم، صنعت اکنون به دنبال راهی برای خروج از فضای متن است. طبق گزارش the-decoder.com و TechCrunch، این دور سرمایه‌گذاری توسط Natural Capital رهبری شد و غول‌هایی چون Amazon، Nvidia و AMD نیز در آن حضور داشتند. همچنین GV (گوگل ونچرز)، In-Q-Tel (مرتبط با سازمان سیا) و جف دین، دانشمند ارشد گوگل، از سرمایه‌گذاران این مرحله بودند.
استراتژی فنی Odyssey بر ادغام عمیق با سخت‌افزار استوار است:
- تیم ۵۵ نفره‌ی این شرکت از AWS به عنوان زیرساخت ابری اصلی استفاده می‌کند.
- فرآیند آموزش مدل‌ها منحصراً روی تراشه‌های Trainium آمازون اجرا می‌شود.
- اولیور کامرون (مدیرعامل) و جف هوک (مدیر فنی) که هر دو پیشینه مدیریت خودروهای خودران دارند، روی ثبت دینامیک‌های مکانی، زبان بدن و قوانین فیزیک تمرکز کرده‌اند. این تمرکز بر شبیه‌سازی‌های پویا، یادآور پیشرفت‌های اخیر در مدل‌های بصری است، مانند مدل Oasis 3 که توانست رانندگی خودران را با هزینه‌ای بسیار پایین شبیه‌سازی کند.
به نقل از تحلیلگران صنعت، این حرکت سیگنالی برای چرخش گسترده به سمت «هوش مصنوعی تجسم‌یافته» است. برای یک مدیر کسب‌وکار، این یعنی AI به‌زودی از نوشتن ایمیل‌ها فراتر می‌رود و به بهینه‌سازی ربات‌های انبار یا شبیه‌سازی لجستیک شهری با دقت فیزیکی بالا می‌پردازد.
گام بعدی شما
- تحولات شرکت World Labs (بنیان‌گذاری شده توسط فی‌فی لی) را دنبال کنید تا بدانید رقابت در دیجیتالی کردن قوانین فیزیک به کجا می‌رود.
- بررسی کنید که آیا مدل‌های شبیه‌سازی فیزیکی می‌توانند هزینه‌های آزمون و خطای سخت‌افزاری در زنجیره تأمین شما را کاهش دهند یا خیر.
اما رقابت در لایه سخت‌افزاری برای اجرای این مدل‌ها حتی پیچیده‌تر است؛ برای درک این چالش‌ها به تحلیل ما درباره تراشه‌های نسل جدید Nvidia مراجعه کنید.
گفتگو