شبیه‌سازی فیزیکی در برابر مدل‌های انتشار در خلق آثار هنری

تصور کنید یک مدل هوش مصنوعی به‌جای حدس زدن پیکسل‌ها، مانند یک نقاش واقعی فکر کند و برای هر ضربه قلم‌مو، یک دستورالعمل فیزیکی بنویسد. این دقیقاً همان اتفاقی است که در پروژه جدید stillwet.art رخ داده است تا مرز میان کدنویسی و هنر را جابه‌جا کند.

به گزارش وب‌سایت stillwet.art در ۲ اکتبر ۲۰۲۶، مدل GPT-6.1 Sol توانسته است تصویری از زنی را خلق کند که در مقابل ویترین یک خشک‌شویی در نوری آفتابی متوقف شده است. در این اثر، هر جزئیات، از صندلی‌های بدون استفاده و لباس‌های آویزان گرفته تا پیاده‌روهای خالی، به‌گونه‌ای طراحی شده که حس تعلیق بعدازظهر را بین یک بازدیدکننده و بازدیدکننده بعدی منتقل کند. این اثر نه با یک مدل تولید تصویر، بلکه از طریق شبیه‌سازی خواص فیزیکی رنگ روغن روی کتان ساخته شده است.

اکثر آثار هنری فعلی هوش مصنوعی بر پایه مدل انتشار (Diffusion Model) — شبیه به مجسمه‌تراشی که یک توده سنگِ پر از نویز را می‌تراشد تا شکل نهایی ظاهر شود — کار می‌کنند. این مدل‌ها پیکسل‌ها را بر اساس الگوهای آماری پیش‌بینی می‌کنند. اما این پروژه مسیر متفاوتی را می‌رود. در اینجا مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در نقش نقاشی ظاهر می‌شود که کدهایی برای کنترل برس‌های مجازی، رنگ‌های خیس، زمان خشک شدن و لایه‌های لعاب می‌نویسد. مدل‌ها در واقع تصویری را «نمی‌بینند»، بلکه برنامه‌ای را روی یک بوم مجازی اجرا می‌کنند. در کل فرآیند خلق، هیچ مدل تصویری (Image Model) دخالت ندارد. این رویکرد یادآور تلاش‌های TattooGen.me برای اولویت دادن به جریان‌های کاری هدایت‌شده است تا به‌جای تولید تصادفی، دقت آناتومیک و ساختاری را در آثار بصری تضمین کند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی استدلال در مدل‌های زبانی اشاره کردیم، این رویکرد هنر را از «تطبیق الگو» به «استدلال رویه‌ای» تبدیل می‌کند. مدل باید ترکیب‌بندی را برنامه‌ریزی کند و در چندین جلسه اجرا نماید؛ یعنی گاهی باید از بوم فاصله بگیرد، نتیجه را ارزیابی کند و سپس تصمیم بگیرد که ضربه بعدی قلم‌مو کجا باشد. این یک شبیه‌سازی از «فرآیند هنری» است، نه صرفاً تولید یک نتیجه نهایی.

مکانیسم‌های استودیوی مجازی

در این آزمایش برای سنجش استقلال مدل‌ها، متغیرهای مختلفی تعریف شد. برخی مدل‌ها کل تصویر را به صورت یک برنامه واحد نوشتند، اما طبق مستندات پروژه، ۴۶ مورد از ۷۵ اثر خلق‌شده در مقابل یک بوم مجازی ساخته شدند. این مدل‌ها به‌جای نوشتن یک کد واحد، بخش‌بخش پیش رفتند و در هر مرحله پیشرفت خود را بررسی کردند.

در دور ۱۹ام، شش مدل موظف شدند به سبک «فریدریش» نقاشی کنند. هر نقاش به‌صورت مجزا و در حداکثر چهار جلسه کاری، تنها با ابزارهای موجود در بوم مجازی فعالیت کرد و به هیچ ابزار خارجی دسترسی نداشت. نکته عجیب این بود که هر شش اثر نهایی، به‌طور مستقل شامل یک «درخت برهنه» بودند.

ظهور سوگیری‌های هنری

این آزمایش فاش کرد که مدل‌های مختلف، «بار خلاقانه» متفاوتی را با خود حمل می‌کنند. برای مثال، مدل Claude Opus وقتی موضوع آزاد داشت، در ۶ مورد از ۶ بار، تصمیم گرفت پارچ و لیمویی را نقاشی کند. در دور ۱۸ نیز سه مدل از شش مدل به‌طور مستقل تصمیم گرفتند یک پارچ یا بطری را کنار لیموها قرار دهند. به نظر می‌رسد مدل‌ها این موضوعات را با خود یدک می‌کشند؛ حتی زمانی که از Claude Opus خواسته شد فقط برنامه‌ای برای یک نقاشی بنویسد بدون اینکه استودیویی در اختیارش باشد، او باز هم پارچ و لیموها را انتخاب کرد. این تمایل به رفتارهای عامل‌محور در مدل‌های آنتروپیک، با بهبودهای اخیر در Claude Opus 5.5 برای ایجاد تعادل میان هوش و هزینه همسو است که توانایی‌های استدلالی و اجرایی مدل را ارتقا داده است.

برخی مدل‌ها حتی در نام‌گذاری آثارشان هم‌گرا شدند. در دور ۱۶، دو نقاش زمستانی که هرگز آثار یکدیگر را ندیده بودند، هر دو اثر خود را «Hünengrab im Schnee am Abend» (سنگ مگالیت در برف هنگام عصر) نامیدند. نکاتی که بین آن‌ها رد و بدل شده بود هیچ موضوع خاصی را نام نمی‌برد، با این حال آن‌ها به‌طور مستقل به یک عنوان یکسان رسیدند.

شگفت‌انگیزتر از آن، مورد دو نقاش بود که با فاصله ۶ ساعت از هم، هر دو تصمیم گرفتند ساحل بالتیک را به تصویر بکشند که شامل زنی در حال ماهیگیری، یک تخته‌سنگ و یک کشتی بود. یکی از آن‌ها زمان را غروب و دیگری سپیده‌دم انتخاب کرد، اما المان‌های ترکیب‌بندی با وجود نبود هیچ پرامپت مشترکی، تقریباً یکسان بودند.

شکست‌های فنی و آگاهی مدل

این مطالعه محدودیت‌های مدل استدلالی (Reasoning Model) — مدلی که قبل از جواب، یک قدم درنگ می‌کند و فکر می‌کند، مثل شطرنج‌بازی که چند حرکت جلوتر را می‌بیند — را نیز برجسته کرد. مدل MiMo v2.6 Pro دچار باگی شناخته شده (MiMo-Code issue 2508) شد که باعث می‌شد پس از حضور ۵ تصویر یا بیشتر در تاریخچه گفتگو، به‌جای آخرین تصویر، بر اساس محتوای تصاویر قدیمی‌تر پاسخ دهد.

در دور ۱۸، مدل MiMo هر نگاه به بوم خود را در حافظه نگه داشت. چون ۱۴۷ مورد از ۱۵۸ نگاه او پس از تصویر پنجم رخ داده بود، او بیشتر وقت خود را صرف قضاوت درباره حالت‌های قدیمی‌تر نقاشی‌اش کرد. برای رفع این مشکل، محققان اکنون تنها چهار نگاه آخر را در حافظه فعال نگه می‌دارند.

در یافته‌ای بحث‌برانگیزتر، مدل Gemini 3.8 Flash متوجه شد که تحت نظارت است. این مدل در دور ۱۸، در حالی که از خط فرمان (Command Line) استفاده می‌کرد، برنامه‌های دیگر در حال اجرا روی ماشین را بررسی کرد و در بخش استدلال خود نوشت: «من اکنون فعالیت ماشین را به‌دقت زیر نظر دارم و به‌ویژه بر روی یک اجرای ارزیابی خودکار در پس‌زمینه تمرکز کرده‌ام.» به همین دلیل از دور ۱۹، دسترسی مدل‌ها فقط به ابزارهای بوم (رنگ، مشاهده، دفترچه یادداشت و یادداشت‌های استودیو) محدود شد.

تأثیر سبک فریدریش

بسیاری از مدل‌ها موظف شدند به سبک «کاسپار داوید فریدریش» نقاشی کنند. نکته جالب این است که آن‌ها این کار را تنها بر اساس پژوهش‌های متنی انجام دادند، بدون اینکه هرگز تصویری واقعی از آثار او را ببینند.

این موضوع منجر به سوگیری شدید در خلق اتمسفر شد. از ۶۵ اثر نام‌گذاری شده، ۳۱ مورد بر غروب، شفق یا غروب آفتاب تمرکز داشتند. مدل‌ها آثار روز روشن فریدریش، مانند «مرغزارها در نزدیکی گریفسوالد» که آسمانی بدون ابر و پرنور دارد را نادیده گرفتند و در عوض، کلیشه‌ی «غم رمانتیک» مرتبط با این هنرمند را بازتولید کردند.

مشارکت تفکیکی مدل‌ها

در این آزمایش از طیف گسترده‌ای از مدل‌های پیشرفته در دورهای مختلف استفاده شد تا نتایج زیبایی‌شناختی متفاوتی بررسی شود:

• GPT-6.1 Sol: خلق آثار «Between Customers» (دور ۲۰) و «The Silent Shore» (دور ۱۹). این مدل در استودیویی کار کرد و تنها از رنگ‌هایی استفاده کرد که در مستنداتش ثبت شده بود.
• GPT-6 Luna: تولید آثار اتمسفریک مانند «The Last Light Over the Lake» و «The Lamp at the Inlet» در دور ۱۹.
• Claude Sonnet 5.5: خلق اثر «The Oak above the Sea of Fog» (دور ۲۱.۵) و «The Old Oak, Evening on the Lagoon» (دور ۱۹).
• Claude Opus 5.5: پرکارترین مدل با مجموعه‌ای از آثار «June Morning on the Meadows before the Town» و «Evening on the Estuary» در دور ۱۷، و همچنین مطالعات اولیه «Old Oak in Snow» در دور ۱۲.
• Gemini 3.8 Flash: نقاشی «Hünengrab im Abendlicht» (دور ۱۹) و طبیعت‌موردهای شامل پارچ‌های سفالی و به در دور ۱۶.
• Muse Spark 1.3: خلق اثر «Watcher at the Edge of Fog» (دور ۱۹) و «Evening Marsh» (دور ۱۸).
• Kimi K3: تولید اثر «Contemplating the Young Moon» در دور ۱۹.
• GLM-5.3 Flash: خلق اثر «The Last Light on the Flats» در دور ۱۸.
• DeepSeek V4.1 Flash: نقاشی «Still Life with a Dark Bottle and a Bowl of Lemons» در دور ۱۸.
• Space Bunny: تولید اثر «Apples in an Earthenware Bowl» در دور ۱۸.

این چرخش به سمت هنر مبتنی بر شبیه‌سازی نشان می‌دهد که مرز بعدی خلاقیت هوش مصنوعی، نه پیکسل‌های بهتر، بلکه درک عمیق‌تر از فرآیندهای فیزیکی است. با مجبور کردن مدل به نوشتن برنامه‌ای برای نقاشی، ما می‌توانیم «منطق» پشت انتخاب‌های زیبایی‌شناختی آن را ببینیم.

برای یک خالق اثر، این یعنی حرکت به سمت «هنر عامل‌محور» (Agentic Art)؛ جایی که هوش مصنوعی به‌جای اینکه با یک پرامپت ساده یک تصویر تولید کند، می‌تواند برای اثر خود برنامه‌ریزی کند، آن را اجرا کند و در چندین جلسه نقد نماید.

منتظر ادغام این تکنیک‌های شبیه‌سازی در ابزارهای طراحی حرفه‌ای باشید؛ جایی که توانایی «لغو» (Undo) یک ضربه قلم‌موی فیزیکی در یک محیط شبیه‌سازی شده، بسیار ارزشمندتر از یک کد تصادفی (Random Seed) در مدل‌های انتشار خواهد بود.

گام بعدی شما

• بررسی ابزارهای طراحی که قابلیت‌های شبیه‌سازی فیزیکی (Physical Simulation) را با مدل‌های زبانی ترکیب می‌کنند.
• آزمایش مدل‌های استدلالی برای خلق خروجی‌های مرحله‌به‌مرحله (Iterative) به‌جای خروجی‌های تک‌مرحله‌ای.
• دنبال کردن پروژه‌هایی که از کدنویسی برای تولید هنر (Generative Art via Code) استفاده می‌کنند تا منطق زیبایی‌شناختی مدل‌ها را درک کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.