تصور کنید ستاره‌ای که او را در نقش‌های اکشن می‌شناسید، شب‌ها به جای فیلمنامه، روی کدنویسی پایتون و معماری مدل‌های زاینده کار کند. بن افلک با فروش استارتاپ خود به نتفلیکس، ثابت کرد که یک کاربر معمولی نیست، بلکه یک متخصص عملیاتی در حوزه یادگیری ماشین است. این معامله ۵۸۷ میلیون دلاری فاش کرد که افلک بسیار فراتر از یک ستاره هالیوودی است.
به گزارش منابع خبری در هفته‌ی ۸ اکتبر ۲۰۲۶، افلک در مجموعه‌ای از مصاحبه‌ها تسلط دقیقی بر ریاضیات و کدهایی که هوش مصنوعی زاینده (Generative AI) را به حرکت درمی‌آورند، به نمایش گذاشت. او برخلاف اکثر چهره‌های مشهور که به AI به چشم یک جعبه سیاه جادویی نگاه می‌کنند، آن را تکامل طبیعی گذار از فیلم‌برداری آنالوگ به دیجیتال می‌بیند.
افلک مسیر خود را از نوشتن اسکریپت‌های ساده پایتون تا بازدید از OpenAI برای مطالعه معماری‌های نوظهور توصیف می‌کند. او توضیح داد که چگونه با بازدید از این شرکت‌ها، درک کرد که چگونه می‌تواند مستقیماً در فضای AI فعال شود. این رویکرد فنی در تضاد با نگاه‌های انتقادی است که اخیراً در آثار هنری دیده می‌شود، مانند فیلم Artificial که کمدی سیاهی درباره غرور و سقوط رهبران OpenAI است. همین کنجکاوی فنی باعث شد او در سال ۲۰۲۲ استارتاپ InterPositive را با تیمی ۱۶ نفره تأسیس کند تا ابزارهای تخصصی سینمایی بر پایه AI بسازد.
زمینه و بستر تحول فنی
علاقه افلک از زمانی شروع شد که صنعت فیلم از آنالوگ به دیجیتال تغییر کرد. او اشاره کرد که گردش کار جلوه‌های بصری (VFX) سال‌هاست که یادگیری ماشین را در خود ادغام کرده است. او در قسمت اخیر از سری «One More Question» در مجله GQ، در گفتگو با زک بارون، توضیح داد که از کودکی «به نوعی به کامپیوترها علاقه داشته است».
او از جایگاه خود به عنوان یک ستاره هالیوود استفاده کرد تا به فناوری‌های نوظهور دسترسی پیدا کند. این مسیر منجر به این باور شد که AI باید به جای جایگزینی صنعت فیلم، ابزاری افزایشی (Additive) برای آن باشد. رویکرد افلک در فیلم‌سازی با AI بر کنترل دقیق (High-fidelity control) متمرکز است، نه اتوماسیون کامل. او برای رسیدن به این هدف از چندین مکانیزم فنی پیچیده استفاده کرد:
جزئیات فنی و اجرایی
- مجموعه داده‌های اختصاصی: افلک برای جلوگیری از مسائل اخلاقی مربوط به شباهت چهره‌ها و احترام به روابط دیرینه با جامعه هنرمندان، هشت ماه زمان صرف فیلم‌برداری با تجهیزات گسترده کرد. او یک مجموعه داده اختصاصی ساخت تا به عنوان مرحله نهایی آموزش مدل‌های باز، وظایف خاصی را اجرا کند که در آن کد آموزش و استنتاج (Inference) — یعنی لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی در مقابل دوره‌ی آموزش آشپز — ارتباط نزدیکی دارند.
- دست‌کاری وزن‌ها: او در گفتگو با لوکاس شاو از بلومبرگ در کنفرانس Screentime ۲۰۲۶ لوس‌آنجلس، فرآیند برداشتن مدل‌های متن‌باز، خارج کردن وزن‌ها (Weights) — که در واقع دستور پخت مدل هستند — از حالت انجماد (Unfreezing) و تنظیم دقیق تنها لایه نهایی سینمایی را توضیح داد تا استانداردهای تولید حرفه‌ای برآورده شود. این فرآیند شبیه به وقتی است که به یک پزشک عمومی، تخصص پوست می‌دهیم.
- منطق تنسورها: افلاک تنسورها (Tensors) را ترجمه عددی تصاویر بصری توصیف کرد. او توضیح داد که این تنسورها شامل شماره دسته (Batch number)، شماره فریم و مقادیر قرمز، سبز و آبی (RGB) هر پیکسل در هر فریم هستند.
- بازشناسی الگو: او از شبکه‌های عصبی پیچشی (CNN) — که آن‌ها را پیش‌درآمد ترنسفورمرها نامید — برای تشخیص لبه‌ها و استخراج ویژگی‌ها استفاده کرد. او این کار را شناسایی الگوهایی مانند لبه یک پنجره توصیف کرد تا جایگزینی تصاویر پرده سبز را ساده‌تر کند.
- مقیاس محاسباتی: او CNNها را با ترنسفورمرها (Transformers) مقایسه کرد و اشاره کرد که ترنسفورمرها اجازه می‌دهند حجم بسیار بیشتری از محاسبات به‌طور هم‌زمان رخ دهد.
افلک این تکنیک‌ها را در فیلم «Animals» به کار گرفت تا فرآیند پس‌تولید را بهبود ببخشد. با این حال، طبق گزارش TechCrunch، مبلغ ۵۸۷ میلیون دلاری این معامله مورد اختلاف است؛ افلک خاطرنشان کرد که این رقم «درست نیست» زیرا او مالک کل شرکت نبود.
دیدگاه‌های اخلاقی و اجتماعی
با وجود خوش‌بینی فنی، افلک نگرانی‌های منطقی درباره اثر AI بر جامعه دارد. او به‌ویژه از «درماندگی آموخته‌شده» (Learned Helplessness) و استفاده غیرمسئولانه از این فناوری در آموزش می‌ترسد. او به افزایش ۳۰ درصدی نمرات A در کالج‌ها طی سه سال اخیر اشاره کرد و این موضوع را برای آینده فرزندانش نگران‌کننده دانست.
با این حال، او ترس‌های وجودی را رد کرد و با صراحت گفت: «من نگران اسکای‌نت نیستم». او معتقد است AI هرگز به‌طور معناداری جایگزین صنعت فیلم‌سازی نخواهد شد. این دیدگاه کاربردی در حالی مطرح می‌شود که در سطح کلان، دولت آمریکا در فرمان جدید خود واژه «ابر‌هوش» را جایگزین مفاهیم پیشین AI کرده است تا ابعاد جدیدتری از این فناوری را تعریف کند.
این تحول، عصر جدیدی از «خالق-تکنولوژیست» را معرفی می‌کند؛ جایی که کارگردان به جای نوشتن یک پرامپت ساده، وزن‌های مدل را کنترل می‌کند. با باز کردن قفل وزن‌ها و آموزش لایه‌های خاص، فیلم‌سازان می‌توانند سبک هنری منحصر‌به‌فرد خود را حفظ کنند و در عین حال از قدرت مدل‌های وزن‌های باز (Open Weights) بهره ببرند. این امر AI را از یک ابزار جایگزین به ابزاری افزایشی تبدیل می‌کند که در گردش کارهای حرفه‌ای فعلی جای می‌گیرد.
برای صنعت سینما، این اتفاق تایید می‌کند که مجموعه‌های داده کوچک و تخصصی، برتر از داده‌های عظیم و عمومی (Generic Scrapes) هستند. این ثابت می‌کند که تنظیم دقیق (Fine-tuning) در حوزه‌های خاص — که توسط کسانی انجام شود که واقعاً حرفه را می‌شناسند — نتایجی در سطح استانداردهای سخت‌گیرانه یک فیلم بلند تولید می‌کند. این تمرکز بر کاربرد واقعی، پاسخی است به انتقاداتی نظیر دیدگاه تونی فادل که معتقد است بسیاری از گجت‌های AI به دلیل نبود کاربرد واقعی شکست خورده‌اند.
چه توسعه‌دهنده باشید و چه یک هنرمند، مرز بعدی در تلاقی داده‌های اختصاصی و وزن‌های متن‌باز است. باید منتظر ماند و دید که سایر استودیوهای بزرگ چگونه لایه‌های تخصصی AI را در خط تولید خود ادغام می‌کنند تا ضمن افزایش بهره‌وری، از حقوق و شباهت هنرمندان محافظت کنند.
برای صنعت سینما، این اتفاق تایید می‌کند که مجموعه‌های داده کوچک و تخصصی، برتر از داده‌های عظیم و عمومی (Generic Scrapes) هستند. این ثابت می‌کند که تنظیم دقیق (Fine-tuning) در حوزه‌های خاص — که توسط کسانی انجام شود که واقعاً حرفه را می‌شناسند — نتایجی در سطح استانداردهای سخت‌گیرانه یک فیلم بلند تولید می‌کند.
چه توسعه‌دهنده باشید و چه یک هنرمند، مرز بعدی در تلاقی داده‌های اختصاصی و وزن‌های متن‌باز است. باید منتظر ماند و دید که سایر استودیوهای بزرگ چگونه لایه‌های تخصصی AI را در خط تولید خود ادغام می‌کنند تا ضمن افزایش بهره‌وری، از حقوق و شباهت هنرمندان محافظت کنند.
گام بعدی شما
- اگر تولیدکننده محتوا هستید، به جای تکیه بر مدل‌های عمومی، روی ساخت مجموعه‌های داده کوچک و تخصصی (Proprietary Data) برای سبک بصری خود سرمایه‌گذاری کنید.
- یادگیری مفاهیم پایه لایه‌های مدل و نحوه Unfreeze کردن وزن‌ها را در مدل‌های متن‌باز بررسی کنید تا کنترل بیشتری روی خروجی‌ها داشته باشید.
- بررسی کنید که چگونه می‌توان از مدل‌های تخصصی در کنار مدل‌های بنیادی برای حفظ امضای هنری استفاده کرد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو