تفاوت مدل‌های توصیفی و ترکیبی در تولید خودکار هویت‌های بصری

تصور کنید می‌خواهید برای یک دنیای تخیلی، هزاران نشان خانوادگی بسازید که هر کدام معنای خاصی داشته باشند، اما خروجی سیستم شما شبیه به چسباندن تصادفی چند عکس روی یکدیگر باشد. این دقیقاً همان نقطه‌ای است که اکثر سیستم‌های تولید تصویر در آن شکست می‌خورند.

بن اورمایر (Ben Overmyer)، خالق Iron Arachne، استدلال می‌کند که سیستم‌های مولد واقعی باید «قوانین یک سنت» را مدل‌سازی کنند، نه صرفاً «دارایی‌های» آن را. او معتقد است مولد رویه‌ای که صرفاً نمادهای تصادفی را از یک لیست انتخاب می‌کند، در تولید یک هویت بصری منسجم ناتوان است.

در یادداشتی که در ۲۸ سپتامبر ۲۰۲۶ منتشر شد، اورمایر با مقایسه میان هرالدری (Heraldry) اروپای غربی و مون (Mon) ژاپنی، دو مسیر بنیادین و متفاوت برای معماری نرم‌افزار را آشکار کرد. این تمایز، نحوه رویکرد توسعه‌دهندگان به خلق نشان‌ها و نمادهای تخیلی را تغییر می‌دهد. او اشاره می‌کند که اولین نسخه از مولد هرالدری او — که پیش از خودِ Iron Arachne ساخته شده بود — تنها یک کاتالوگ ساده از شیرها، عقاب‌ها، صلیب‌ها، شمشیرها، گل‌ها و تاج‌ها بود. اگرچه خروجی‌ها در ظاهر شبیه نشان‌های خانوادگی بودند، اما چون منطقِ پشت این سنت را بازتولید نمی‌کردند، اورمایر تمام آن کدها را دور ریخت؛ زیرا آن سیستم در واقع هرالدری را بازتولید نمی‌کرد، بلکه فقط تصاویری شبیه به آن را می‌چید.

بسیاری از تلاش‌های اولیه در تولید بصری، سنت‌ها را به چشم کتابخانه‌ای از دارایی‌ها می‌بینند. آن‌ها مجموعه‌ای از شیرها، عقاب‌ها یا گل‌ها را جمع‌آوری کرده و به‌صورت تصادفی می‌چینند. اورمایر خاطرنشان می‌کند که اگرچه این روش در ظاهر درست به نظر می‌رسد، اما سیستم قوانین حاکم بر نحوه انتخاب، ترکیب و شناسایی نمادها را نادیده می‌گیرد. این رویکرد سطحی یادآور چالش‌های مشابهی است که در بررسی نقاط شکست مدل‌های تولید تصویر انیمه مشاهده شد، جایی که عدم درک ساختاری منجر به خروجی‌های نامنسجم می‌شود. یک سنت هرالدیکی صرفاً مجموعه‌ای از نمادها نیست؛ بلکه سیستمی از قوانین است که تعیین می‌کند آن نمادها چگونه توصیف، چیدمان، تمایز و شناسایی شوند.

مدل توصیفی: هرالدری غربی

هرالدری اروپایی برای برنامه‌نویسان ایده‌آل است چون ذاتاً مانند یک زبان رسمی عمل می‌کند. این سیستم بر پایه «بِلِیزون» (Blazon) است؛ یک واژگان و دستور زبان تخصصی که برای توصیف دقیق یک نشان به کار می‌رود. بِلِیزون صرفاً نامی برای یک تصویر نیست، بلکه توصیفی ساختاریافته از آن است.

برای مثال، عبارت «Azure, a lion rampant Or» به یک نقاش یا هرالد دقیقاً می‌گوید چه چیزی را رسم کند: زمینه‌ای آبی (Azure) با شیری طلایی یا زرد (Or) که در حالت ایستاده و آماده حمله (rampant) است. حتی بدون دیدن سپر، هر کسی که با این سیستم آشنا باشد می‌تواند ظاهر ضروری آن را بازسازی کند.

از منظر محاسباتی، این یعنی یک معماری دو مرحله‌ای: ابتدا تولید یک توصیف زبانی معتبر و سپس تبدیل آن توصیف به تصویر. این فرآیند شبیه به یک زبان طبیعی محدود است که ساختار (Morphology) و نحو (Syntax) خاص خود را دارد. در اینجا، هویت نشان در «توصیف انتزاعی» نهفته است، نه در نقاشی نهایی. در اصل، یک بِلِیزون واحد می‌تواند به چندین رندرکننده مختلف داده شود و هر کدام شیرها یا گل‌های زنبق (fleurs-de-lis) را با سبک‌های بصری متفاوت رسم کنند، اما باز هم به عنوان همان نشان شناخته شوند.

اورمایر پیشنهاد می‌کند این مدل را می‌توان به شکل یک درخت نحو انتزاعی (Abstract Syntax Tree) نمایش داد. رندرکننده با پیمایش در این درخت، عناصر SVG (گرافیک برداری مقیاس‌پذیر) را تولید می‌کند. این روش اجازه می‌دهد سیستم موارد پیچیده‌ای مثل تقسیم‌بندی زمینه‌ها، «اُردیناری‌ها» (Ordinaries - اشکال هندسی استاندارد مانند نوارهای پهن)، نمادهای متعدد و روابط موقعیتی میان آن‌ها را مدیریت کند.

مدل ترکیبی: مون ژاپنی

نشان‌های مون (Mon) و کامون (Kamon) در ژاپن با منطق متفاوتی عمل می‌کنند. اگرچه آن‌ها هم مانند هرالدری برای شناسایی روی لباس‌ها، پرچم‌ها، تجهیزات و ساختمان‌ها بودند، اما تفاوت بنیادین در این است که در مرکز سیستم مون، هیچ معادل مستقیمی برای بِلِیزون وجود ندارد. تلاشی برای تعریف آن‌ها صرفاً به عنوان «نشان‌های خانوادگی ژاپنی»، تفاوت‌های اساسی آن‌ها را می‌پوشاند.

نشان‌های مون طرح‌هایی بسیار استلیزه هستند که از موتیف‌های گیاهی، حیوانی، اجرام آسمانی، ابزارها و اشکال هندسی ساخته شده‌اند. هویت در یک مون از ترکیب فرم خاص، تکرار، جهت‌گیری، فاصله، تقارن و سیلوئت کلی حاصل می‌شود.

• مثال: نشان «توکوگاوا میتسوبا آئویی» از سه برگ گیاه ختمی (یا زنجبیل) تشکیل شده که به‌صورت چرخشی دور یک نقطه مرکزی قرار گرفته‌اند.
• مشکل: اگر یک مولد با منطق غربی به این موضوع نگاه کند، صرفاً می‌گوید «سه برگ ختمی»، که برای بازتولید هندسه دقیق و خاص این مون کافی نیست.

به دلیل اهمیت هندسه، یک مولد مون باید مستقیماً روی «پریمتیوهای گرافیکی» (Graphical Primitives) عمل کند. به‌جای یک جمله، سیستم از توالی عملیات استفاده می‌کند: یک شکل پایه را بگیر، سه بار کپی کن، هر کپی را دور یک مرکز مشترک بچرخان، آن‌ها را طبق یک الگو مقیاس‌بندی و جایگذاری کن و در نهایت نتیجه را در یک دایره برش بزن.

این رویکرد بیشتر به هندسه رویه‌ای شبیه است تا تولید زبان طبیعی. در اصطلاحات نرم‌افزاری، این مدل به یک گراف صحنه (Scene Graph) — که اشیاء بصری و روابطشان را سازماندهی می‌کند — نزدیک‌تر است تا یک درخت نحو.

اولویت قوانین بر نمادها

اورمایر تأکید می‌کند که قوانین مهم‌تر از لیست نمادها هستند. در هرالدری غربی، «قانون رنگ‌ها» (Rule of Tincture) معمولاً از قرار دادن فلز روی فلز یا رنگ روی رنگ جلوگیری می‌کند. این کار تضاد بصری شدید را تضمین می‌کند؛ مثلاً شیر طلایی روی زمینه آبی به‌راحتی دیده می‌شود، اما شیر قرمز روی زمینه آبی خیر.

• تولید شرطی: یک مولد پیشرفته از محدودیت‌ها استفاده می‌کند. انتخاب رنگ زمینه، رنگ‌های مجاز برای نماد اصلی را محدود می‌کند.
• محدودیت‌های ساختاری: اگر زمینه تقسیم شده باشد، یا یک اُردیناری حضور داشته باشد، جایگاه‌های ممکن برای قرارگیری سایر نمادها تغییر می‌کند.

در مقابل، مون بر فضای منفی (ناحیه خالی اطراف اشکال)، محصور کردن و درجه انتزاع تمرکز دارد. یک گل که تصادفی در دایره‌ای قرار گرفته، «مون» نیست، بلکه فقط گلی در یک دایره است. در هر دو سنت، مولد باید «روابط» را مدل‌سازی کند، نه فقط «اشیاء» را. این تمرکز بر هدایت ساختاری به‌جای تولید تصادفی، مشابه رویکردی است که در سیستم TattooGen.me برای اولویت دادن به جریان‌های کاری هدایت‌شده به جای تولید خام تصویر به کار گرفته شده است.

مدیریت ناهماهنگی‌های تاریخی

سیستم‌های واقعی به‌ندرت منظم هستند. هرالدری غربی پر از تضادهای منطقه‌ای، قراردادهای مورد مناقشه و تغییرات تاریخی است. اورمایر اشاره می‌کند که نشان‌های پادشاهی اورشلیم — صلیب‌های طلایی روی زمینه نقره‌ای — قانون رنگ‌ها را می‌شکنند (فلز روی فلز). این یک خطا نیست، بلکه نشان می‌دهد قانون، یک قرارداد تاریخی است، نه یک قانون فیزیکی.

در مون نیز چالش‌های مشابهی وجود دارد. پیکره تاریخی همیشه در قالب اینترفیس‌های راحت TypeScript نمی‌گنجد. برخی خانواده‌ها ممکن است بیش از یک مون داشته باشند، یا گروه‌های مرتبط از تغییراتی در یک طرح واحد استفاده کنند. این ایده که هر مون دقیقاً با یک خانواده مطابقت دارد، اغلب گمراه‌کننده است.

برای حل این مشکل، او پیشنهاد می‌کند بین «دستور زبان» (Grammar) و «پیکره» (Corpus) تمایز قائل شویم:

• دستور زبان: عملیات‌های استاندارد مولد را توصیف می‌کند (چگونه طرح‌ها معمولاً ساخته می‌شوند).
• پیکره: فرم‌های ثبت‌شده تاریخی را ذخیره می‌کند، از جمله طرح‌های استثنایی که دستور زبان کلی قادر به تولید آن‌ها نیست.

کاربرد در Iron Arachne

برای مولد نشان‌های Iron Arachne، اورمایر رویکردی ترکیبی را پیشنهاد می‌دهد. اگرچه بِلِیزون واژگان غنی دارد، اما منطق ترکیبی مون برای خلق آثار بصری در محیط‌های تخیلی کاربردی‌تر است.

به‌جای پرسش «چه جمله هرالدیکی تولید کنم؟»، سیستم می‌پرسد «چه روابط بصری ایجاد کنم؟». این اجازه می‌دهد از پریمتیوهای گرافیکی استفاده شود که می‌توانند منعکس، چرخان، تکرار، تودرتو، متقاطع یا حول یک محور چیده شوند. در واقع، نمادهای هرالدیکی خود می‌توانند به پریمتیوهایی در یک سیستم ترکیبی بزرگ‌تر تبدیل شوند. این سیستم دستور زبان «دسته‌بندی‌های معنادار» را از غرب و دستور زبان «ترکیب بصری» را از ژاپن وام می‌گیرد.

پیچیدگی محاسباتی و ماشین‌های حالت

اورمایر خاطرنشان می‌کند که تولید برخی نشان‌های غربی با استفاده از enums و tagged unions نسبتاً ساده است، اما پیاده‌سازی کامل هرالدری به‌دلیل مفاهیمی مثل «اتحاد» (Marshalling - ترکیب نشان‌ها برای نمایش اتحاد) و «تمایز شاخه‌های خانوادگی» (Cadency) دشوار است. در مقابل، یک مولد محدود مون با مسیرهای SVG و تبدیل‌ها راحت ساخته می‌شود، اما بازتولید تنوع تاریخی کامل پیکره بدون ذخیره هزاران طرح آماده، چالش اصلی است.

او همچنین بررسی کرد که آیا این سیستم‌ها را می‌توان به شکل ماشین‌های حالت متناهی (FSM) نمایش داد. نتیجه این بود که یک زیرمجموعه محدود می‌تواند کار کند: مثلاً مولد غربی با رنگ زمینه شروع شود، به یک اُردیناری برود و سپس به نمادها برسد. اما چون هر دو سیستم سلسله‌مراتبی هستند (مثلاً یک نماد می‌تواند شامل نمادهای دیگر باشد یا یک مون شامل عناصر تکراری تودرتو باشد)، یک FSM تخت کافی نیست. او نتیجه می‌گیرد که FSM ممکن است برای کنترل فرآیند تولید مفید باشد، اما برای نمایش طرح نهایی، حتماً به یک درخت یا گراف نیاز است.

درس بزرگ‌تر

نتیجه‌گیری اورمایر این است که تولید رویه‌ای باید با این پرسش شروع شود که «چه عملیاتی وجود دارد» (مثل قرینه‌سازی، چرخش، روی‌هم‌گذاری یا زیرمجموعه کردن)، نه اینکه «چه اشیائی وجود دارد». کاتالوگی از شیرها و گل‌های داوودی بسیار ضعیف‌تر از یک سیستم عملیاتی است.

این چرخش از کاتالوگ به دستور زبان، امکان تولید هویت‌های بصری متنوعی را فراهم می‌کند:

• تارتان‌های اسکاتلندی: هویت از طریق توالی‌های تکراری نوارهای رنگی.
• پرچم‌شناسی (Vexillology): ترکیب ترکیب‌بندی هندسی با واژگان محدود از تقسیمات و نمادها.
• نشان‌های شناسایی: مهرها، برندهای دام، علائم بنایان و مُهرها.
• برندینگ مدرن: لوگوهای شرکتی و نشان‌های نظامی.

وقتی هویت بصری به عنوان یک دستور زبان درک شود، مرز بین تولید یک نشان و تولید یک نویسه (Glyph) در یک سیستم نوشتاری بسیار باریک می‌شود. هدف در Iron Arachne یافتن کوچک‌ترین مجموعه قوانین است که بتوان از دل آن یک سنت بصری منسجم را استخراج کرد، نه صرفاً گسترش یک پایگاه داده از نمادها.

گام بعدی شما

• اگر طراح هستید، به‌جای جمع‌آوری رفرنس‌های بصری، سعی کنید «قوانین ترکیب» آن‌ها را استخراج کنید.
• برای توسعه‌دهندگان، بررسی ساختار Abstract Syntax Tree برای تبدیل توصیفات متنی به عناصر SVG یک تمرین عالی در تولید رویه‌ای است.
• در پروژه‌های World-building، از مدل ترکیبی (ترکیب دسته‌بندی‌های معنایی و عملیات هندسی) برای خلق لوگوهای منسجم استفاده کنید.

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