اگر در حال توسعه نرم‌افزارهای خودروهای خودران هستید، هزینه شبیه‌سازی سناریوهای نادر جاده‌ای به‌شدت کاهش یافته است. دکارت (Decart) روز چهارشنبه مدل Oasis 3 را معرفی کرد؛ یک مدل جهانی (World Model) واقع‌گرایانه که از طریق API در دسترس توسعه‌دهندگان قرار گرفته تا بتوانند برنامه‌های خود را روی آن پیاده کنند.
مدل‌های جهانی — شبیه به یک موتور بازی‌سازی که به‌جای کدنویسی، با تماشای ویدیو یاد گرفته دنیا چگونه کار می‌کند — مرز جدید هوش مصنوعی فیزیکی هستند. این مدل‌ها از تولید ویدیوهای ایستا فراتر رفته و محیط‌های تعاملی می‌سازند. در حالی که گوگل با Genie 3 و World Labs با مدل Marble وارد این میدان شده‌اند و استارتاپ‌های ویدیو-ساز مثل Luma و Runway در حال تبدیل مدل‌های آگاه از فیزیک به مدل‌های جهانی هستند، اکثر آن‌ها هنوز در مرحله پیش‌نمایش پژوهشی یا کاربردهای تجاری محدود قرار دارند. دکارت اما با تبدیل مدل خود به یک پلتفرم به‌جای یک دموی ساده، سعی دارد این روند را تغییر دهد.
زیرساخت و استراتژی عملیاتی
استراتژی دکارت بر یکپارچگی عمودی متکی است تا قیمت و سرعت رقبا را به چالش بکشد. این شرکت از نرم‌افزار اختصاصی خود به نام DOS (Decart Optimization Stack) استفاده می‌کند تا مدل‌ها را روی سخت‌افزارهای انویدیا، آمازون و گوگل بهینه کند.
دین لایترسدورف (Dean Leitersdorf)، مدیرعامل دکارت، تأکید می‌کند که این پشته بهینه‌سازی باعث شده Oasis 3 بیش از یک مرتبه بزرگی (۱۰ برابر) ارزان‌تر از مدل‌های رقیب اجرا شود. او خاطرنشان می‌کند که سیستم آن‌ها تا پایین‌ترین لایه‌های سخت‌افزاری بهینه شده است. این بهره‌وری در اعداد مالی شرکت هم دیده می‌شود؛ دکارت با وجود ارزشی نزدیک به ۴ میلیارد دلار، در کل دوران فعالیتش به‌شدت کمتر از ۱۰۰ میلیون دلار سرمایه مصرف کرده است.
زمینه استراتژیک و اکوسیستم
دکارت خود را به عنوان «OpenAI مدل‌های جهانی» تعریف می‌کند. با ارائه دسترسی به API از همان روز اول، هدف این شرکت ایجاد یک اکوسیستم عظیم از توسعه‌دهندگان است. لایترسدورف معتقد است که این نخستین مدل جهانی قابل‌استفاده خواهد بود که مردم واقعاً می‌توانند روی آن برنامه‌نویسی کنند و همین امر باعث شکل‌گیری یک جامعه کامل از خلق‌کنندگان می‌شود. او در گفتگو با TechCrunch اعلام کرد: «من فکر می‌کنم یک جامعه توسعه‌دهنده کامل قرار است روی این پلتفرم ظهور کند.»
این پیشروی در حوزه هوش مصنوعی فیزیکی بر پایه مدل Lucy بنا شده است؛ مدل ویدیوهای آنی دکارت که همین حالا جامعه‌ای بیش از ۱۰۰ هزار توسعه‌دهنده دارد و بسیاری از آن‌ها در حال ساخت محصولات برای استریم زنده و تجارت الکترونیک هستند.
قابلیت‌های فنی و جزئیات قیمت‌گذاری
طبق گزارش‌های فنی، Oasis 3 محیط‌های چنددوربینه با دقت فیزیکی بالا تولید می‌کند که شامل یک نمای رو به جلو و دو نمای جانبی است. این ساختار به‌طور خاص برای آموزش هوش مصنوعی در مواجهه با «موارد خاص» (Edge Cases) — یعنی تصادفات یا خطرات نادری که در داده‌های واقعی کم‌یاب‌اند — طراحی شده است. برخلاف پیش‌نمایش‌های محدود پژوهشی، دکارت به توسعه‌دهندگان اجازه می‌دهد این سناریوها را به‌صورت نامحدود تولید کنند.
- قیمت‌گذاری: دسترسی به این سرویس ۰.۰۲ دلار برای هر ثانیه هزینه دارد و طرح‌های سفارشی سازمانی بر اساس موارد استفاده تعریف می‌شوند.
- سرمایه‌گذاری: جذب ۳۰۰ میلیون دلار سرمایه اخیر، ناشی از «افزایش شدید تقاضا» برای مدل‌های هوش مصنوعی فیزیکی، تجارت الکترونیک و استریم زنده بوده است. این دور سرمایه‌گذاری تنها چند هفته پیش از رونمایی Oasis 3 رخ داد.
- پشتیبانان استراتژیک: شرکت‌های تویوتا (Toyota)، ادوبی (Adobe)، ای‌بی (eBay) و انویدیا (Nvidia) در این دور سرمایه‌گذاری حضور دارند. لایترسدورف اشاره می‌کند که تمام این سرمایه‌گذاران استراتژیک، در واقع مشتریان بالقوه این فناوری هستند.
محدودیت‌های «رویاگونه» و چالش‌های معماری
با وجود واقع‌گرایی بصری، این مدل در حفظ انسجام موضوعی بلندمدت مشکل دارد. در آزمایش‌ها، اگر از مدل بخواهید خیابانی در نیویورک در صبحگاه بسازد، تصویر در ابتدا خیره‌کننده است اما با پیشروی ماشین، محیط به‌تدریج تغییر کرده و به یک شهر غربی معمولی و کلی تبدیل می‌شود.
این عدم ثبات به دلیل ماهیت «خودبازگشتی» (Auto-regressive) مدل است؛ یعنی مدل هر فریم را تک‌تک تولید می‌کند و برای تصمیم درباره فریم بعدی، به فریم‌های قبلی نگاه می‌کند. این یک ویژگی معماری است که به‌شدت منابع پردازشی می‌بلعد. هر فریم حدود ۸ هزار توکن (Token) مصرف می‌کند و پنجره متنی (Context Window) — یعنی میزان داده‌ای که مدل هم‌زمان در ذهن نگه می‌دارد — به‌سرعت پر می‌شود. در سرعت ده‌ها فریم در ثانیه، سیستم صدها هزار توکن را در هر ثانیه پردازش می‌کند.
در نتیجه، تجربه‌ای «رویاگونه» ایجاد می‌شود؛ جایی که ماشین ممکن است از میان خودروهای دیگر رد شود یا متوجه شود تقاطع شروع مسیر ناپدید شده و محیطی کاملاً جدید جایگزین آن شده است. همچنین کنترل‌ها ممکن است پاسخ ندهند و راننده تسلط خود را بر حرکت ماشین از دست بدهد. این وضعیت بیشتر شبیه به یک جریان پراکنده از افکار است تا یک شبیه‌ساز منسجم و منطقی.
حل شکاف فیزیکی و نقشه راه
لایترسدورف پذیرفته است که آگاهی از اشیاء و ثبات فیزیکی همچنان چالش‌های پژوهشی بزرگی هستند. او دلیل این مشکل را عدم تعادل داده‌ها می‌داند: داده‌های مربوط به «رانندگی خوب» بسیار بیشتر از داده‌های مربوط به تصادفات و برخوردهاست که برای آموزش قوانین فیزیک به مدل ضروری‌اند. او این وضعیت را یک «مشکل پژوهشی بزرگ» توصیف می‌کند که تیم آن‌ها در حال حاضر در حال حل آن است.
برای رفع این نقص، تیم دکارت روی مکانیسم‌های زیر تحقیق می‌کند:
- گسترش پنجره‌های متنی: افزایش حافظه برای ذخیره میلیون‌ها توکن بیشتر تا از تخریب محیط جلوگیری شود.
- فشرده‌سازی حافظه: یافتن روش‌هایی برای فشرده‌سازی حافظه در توکن‌های کمتر جهت حفظ بهره‌وری.
- تولید مبتنی بر ویدیو: در نسخه بعدی، کاربران می‌توانند به‌جای متن یا عکس، با دادن یک ویدیو از یک محیط، جهان مربوط به آن را تولید کنند.
این تغییر رویکرد به سمت API باز، یک شرط‌بندی حساب‌شده است. لایترسدورف وضعیت فعلی مدل‌های جهانی را با روزهای اول عرضه API مدل‌های زبانی بزرگ (LLM) توسط OpenAI مقایسه می‌کند. او امیدوار است با اجازه دادن به توسعه‌دهندگان برای آزمایش، در سه ماه آینده، صد توسعه‌دهنده مختلف، صد کاربرد متفاوت بسازند که حتی تیم داخلی دکارت را غافلگیر کند.
گام بعدی شما
- اگر توسعه‌دهنده هستید، API مدل Oasis 3 را برای تست سناریوهای لبه‌ای (Edge Cases) در محیط‌های مجازی بررسی کنید.
- هزینه‌های استنتاج خود را با نرخ ۰.۰۲ دلار در ثانیه مقایسه کنید تا مقیاس‌پذیری پروژه خود را بسنجید.
- منتظر به‌روزرسانی «ویدیو به جهان» باشید تا ببینید آیا مشکل نشت حافظه در ثبات محیطی حل می‌شود یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell و بهینه‌سازی‌های لایه سخت‌افزاری مراجعه کنید.
گفتگو