اگر تصور می‌کنید مدل‌های جهان تنها تولیدکننده‌های ویدیو هستند، در اشتباهید؛ ما در آستانه‌ی گذار به محیط‌های شبیه‌سازی‌شده‌ی مشترک هستیم که در آن چندین عامل به‌طور هم‌زمان تعامل می‌کنند.
طبق اعلام شرکت Odyssey در ۱۸ آوریل ۲۰۲۶، مدل Agora-1 ابزاری است که به انسان‌ها یا عامل‌های هوش مصنوعی (AI Agents) اجازه می‌دهد در یک شبیه‌سازی زاینده و مشترک، به‌صورت بلادرنگ با یکدیگر تعامل داشته باشند.
تا پیش از این، مدل‌های جهان عمدتاً تجربه‌هایی تک‌نفره بودند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های پیش‌بینی‌کننده‌ی ویدیو اشاره کردیم، تلاش‌های قبلی مانند Multiverse و Solaris برای افزودن چندین عامل، با مشکل مقیاس‌پذیری خطی و از دست رفتن سازگاری محیطی در زمان نبود دید مستقیم بین بازیکنان مواجه بودند. بر اساس مستندات فنی Odyssey، صنعت به راهکاری نیاز داشت که وضعیت مشترک جهان را بدون افزایش شدید حجم محاسباتی در پنجره‌های متنی مدل‌ها حفظ کند.
Agora-1 این چالش را با جداسازی دینامیک‌های شبیه‌سازی از رندرینگ حل کرده است. این معماری دو تابع مجزا را می‌آموزد: نخست، نحوه‌ی تکامل وضعیت جهان بر اساس تعاملات بازیکنان (که بر روی وضعیت داخلی GoldenEye آموزش دیده) و دوم، نحوه‌ی رندر کردن بصری این وضعیت با استفاده از یک ترنسفورمر انتشار (Diffusion Transformer یا DiT) که به‌جای پرامپت‌های سنتی، بر اساس وضعیت مشترک جهان عمل می‌کند.
مشخصات فنی کلیدی این سیستم عبارتند از:
- پشتیبانی از حداکثر چهار بازیکن در یک شبیه‌سازی Deathmatch مشترک.
- رویکرد «موتور بازی آموخته‌شده» که منطق‌های کدنویسی‌شده را با انتقال وضعیت‌های داده‌محور جایگزین می‌کند.
- ادغام با PROWL؛ یک چارچوب تقابلی مبتنی بر یادگیری تقویت‌شده (Reinforcement Learning) برای شناسایی نقاط شکست مدل و تولید داده‌های آموزشی جدید.
به باور تحلیلگران، این چرخش از شبیه‌سازی تک‌عاملی به چندعاملی، مفروضات بنیادین یادگیری تقویت‌شده را تغییر می‌دهد. با ایجاد یک شبیه‌ساز زاینده‌ی چندعاملی، پژوهشگران اکنون می‌توانند «آموزش تخیلی» را اجرا کنند؛ وضعیتی که در آن عامل‌ها رفتارهای همکاری یا رقابتی را کاملاً درون محیط‌های زاینده و بدون نیاز به کد اصلی بازی می‌آموزند. این دستاورد پیامدهای فوری برای رباتیک collaborative دارد، جایی که چندین ماشین باید به‌طور مشترک درباره‌ی فضاهای فیزیکی مشترک استدلال کنند.
گام بعدی شما
- بررسی نحوه‌ی مقیاس‌پذیری نمایش‌های وضعیت (state representations) در محیط‌های پیچیده‌تر از منطق بازی‌های ساده.
- رصد گذار این تعاملات چندعاملی به مدل‌های بنیادی جهان (Foundation World Models) که به قوانین پیش‌فرض بازی وابسته نیستند.
- مطالعه‌ی اثرات PROWL بر کاهش نرخ توهم در مدل‌های شبیه‌ساز.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و بهینه‌سازی استنتاج در مقیاس بالا مراجعه کنید.
گفتگو