پرش به محتوای اصلی
پرش به محتوای مقاله

۸ میلیون دلار سرمایه برای تبدیل محیط‌های بازی به داده‌های آموزشی مدل‌های جهانی

·۲۵ اردیبهشت ۱۴۰۵۲ دقیقه مطالعه
۸ میلیون دلار سرمایه برای تبدیل محیط‌های بازی به داده‌های آموزشی مدل‌های جهانی
اشتراک‌گذاری

تصور کنید می‌خواهید به یک ربات یاد بدهید لیوانی را بدون شکستن بردارد؛ برای این کار، متن‌های اینترنتی کافی نیستند و شما به میلیون‌ها نمونه از اثر جاذبه و اصطکاک نیاز دارید. اگر در حال حاضر روی رباتیک یا شبیه‌سازی محیطی کار می‌کنید، باید بدانید که گلوگاه اصلی شما دیگر قدرت پردازش نیست، بلکه کمبود داده‌های فیزیکی است.

اینجاست که مدل‌های جهانی (World Models) — شبیه به یک شبیه‌ساز پرواز که به هوش مصنوعی یاد می‌دهد دنیا چگونه کار می‌کند پیش از آنکه با واقعیت برخورد کند — وارد میدان می‌شوند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بحران کمبود داده‌های باکیفیت اشاره کردیم، مدل‌های زبانی بزرگ به سقف رشد خود رسیده‌اند و حالا صنعت به دنبال «سوخت» جدیدی به نام فیزیک است.

Origin Lab در ۱۳ مه ۲۰۲۶ مبلغ ۸ میلیون دلار سرمایه در مرحله‌ی Seed جذب کرد تا محیط‌های بازی‌های ویدئویی را به داده‌های آموزشی تبدیل کند. طبق اعلام این شرکت، این زیرساخت دقیقاً همان حلقه‌ی گمشده‌ای است که آزمایشگاه‌های AI برای درک حرکت در فضای فیزیکی به آن نیاز دارند. این دور سرمایه‌گذاری توسط Lightspeed Ventures رهبری شد و سرمایه‌گذاران معروفی چون کوین لین (بنیان‌گذار Twitch) و کایل ووگ (بنیان‌گذار Cruise) در آن حضور دارند.

این استارتاپ به عنوان پلی برای آزمایشگاه‌هایی مثل AMI Labs (به رهبری یان لکون) یا World Labs (به رهبری فی‌فی لی) عمل می‌کند تا داده‌های لایسنس‌دار بخرند. بر اساس مستندات این شرکت، تبدیل دارایی‌های بازی به داده از طریق دو روش انجام می‌شود:

  • اجرای رندرهای با کیفیت بالا (High-fidelity rendering)
  • تولید فیلم‌برداری‌های خودکار از محیط بازی (Automated walkthrough footage)

به گزارش منابع صنعتی، این حرکت پاسخی به روند «استفاده غیرقانونی» از داده‌هاست؛ برای مثال، مدل Sora متعلق به OpenAI در دسامبر ۲۰۲۴ متهم شد که جریان‌های Twitch را بدون اجازه بازتولید می‌کند. حالا استودیوهای بازی می‌توانند با فروش لایسنس محیط‌های دیجیتالی خود، درآمد جدیدی کسب کنند.

این چرخش استراتژیک ثابت می‌کند که داده‌های لایسنس‌دار و باکیفیت، بسیار ارزشمندتر از داده‌های خام و استخراج‌شده از وب هستند. در واقع، مدل «فروشنده داده» که Scale.AI آن را پیش‌گام شد، اکنون به حوزه شبیه‌سازی فیزیکی گسترش یافته است.

گام بعدی شما

  • اگر توسعه‌دهنده هستید، بررسی کنید که آیا موتورهای بازی‌سازی مثل Unreal یا Unity ابزارهای خروجی «AI-ready» معرفی می‌کنند یا خیر.
  • تحولات مدل‌های جهانی را دنبال کنید تا بفهمید چه زمانی ربات‌های خانگی از مرحله‌ی آزمایشگاهی خارج می‌شوند.
  • مدل‌های تجاری جدید استودیوهای بازی را زیر نظر بگیرید؛ آن‌ها دیگر فقط سازنده سرگرمی نیستند، بلکه تأمین‌کننده زیرساخت AI شده‌اند.

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

چرا این موضوع مهم است؟

این رویکرد با تکیه بر اعتبار شبیه‌سازهای پیشرفته، تنها راه مقیاس‌پذیر برای آموزش ربات‌هاست تا بدون نیاز به میلیون‌ها ساعت تجربه در دنیای واقعی، قوانین فیزیک را بیاموزند. این موضوع باعث می‌شود سرعت ورود ربات‌های هوشمند به بازار تجاری به‌شدت افزایش یابد.

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

موضوع‌ها

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.