داده‌های بازی‌های ویدئویی در برابر وب برای آموزش درک مکانی هوش مصنوعی

تصور کنید مدل زبانی محبوب شما دقیقاً بداند وقتی یک لیوان از لبه میز می‌افتد، با چه سرعتی و در چه جهتی سقوط می‌کند. در حال حاضر، مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — درک بنیادینی از نحوه حرکت اشیاء در مکان و زمان ندارند.

استارت‌آپ نیویورکی General Intuition قصد دارد این خلأ را با استفاده از داده‌های بازی‌های ویدئویی پر کند. بر اساس مستندات این شرکت، محیط‌های گیمینگ شبیه‌سازی‌های فیزیکی بسیار دقیقی ارائه می‌دهند که برای رسیدن به هوش مصنوعی عمومی (AGI) ضروری است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی محدودیت‌های مدل‌های متنی اشاره کردیم، LLMها در زبان استادند اما در استدلال‌های مکانی شکست می‌خورند. برای حل این مشکل، General Intuition از داده‌های ساختاریافته پلتفرم‌های گیمینگ — به‌ویژه بخش‌های جداشده از Medal TV — استفاده می‌کند تا «مدل‌های جهانی» بسازد که بتوانند هوش خود را به دنیای واقعی تعمیم دهند.

طبق گزارش TechCrunch در ۸ جولای ۲۰۲۶، این شرکت دور سرمایه‌گذاری ۳۲۰ میلیون دلاری خود را به پایان رساند. این تزریق سرمایه، ارزش کل شرکت را به ۲.۳ میلیارد دلار رسانده است. لیست سرمایه‌گذاران شامل نام‌های اثرگذاری چون Coatue، اریک اشمیت، پژوهشگران MIT و گوگل دیپ‌مایند و همچنین جف بیزوس است.

این چرخش راهبردی نشان می‌دهد که جهش بعدی هوش مصنوعی نه از طریق متون بیشتر، بلکه از محیط‌های شبیه‌سانی می‌آید که در آن‌ها علت و معلول به‌طور صریح مدل‌سازی شده‌اند. این یعنی عامل‌های هوش مصنوعی به‌زودی از دستیارهای صفحه-محور به موجوداتی تبدیل می‌شوند که می‌توانند با شهود انسانی در دنیای واقعی حرکت کنند و اشیاء را جابه‌جا کنند. این روند تکاملی را می‌توان در تلاش برای انتقال عامل‌های هوش مصنوعی از محیط‌های آزمایشی به دنیای عملیاتی نیز مشاهده کرد که هدف نهایی آن کاربردی کردن این فناوری‌ها در مقیاس صنعتی است.

به نقل از پیم دو ویته (Pim de Witte)، مدیرعامل شرکت، این فناوری با چالش‌های اخلاقی جدی روبروست. به دلیل کارایی بالای این مدل‌های جهانی، احتمال دارد در آینده برای کاربردهای دفاعی هدف قرار گیرند که این موضوع خط قرمزهای جدیدی را برای هیئت‌مدیره شرکت ایجاد کرده است.

گام بعدی شما

• اگر توسعه‌دهنده هستید، روی مدل‌های چندوجهی (Multimodal) — مانند انسانی که هم‌زمان متن، عکس و صدا را می‌فهمد — تمرکز کنید چون آینده تعامل با جهان فیزیکی در آن‌هاست.
• پیشرفت‌های مربوط به «مدل‌های جهانی» (World Models) را دنبال کنید تا زمان تبدیل چت‌بات‌ها به ربات‌های عملیاتی را پیش‌بینی نمایید.
• ابزارهای استخراج داده از محیط‌های شبیه‌سازی شده را بررسی کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه این مدل‌های سنگین روی چه تراشه‌هایی اجرا می‌شوند، به تحلیل ما درباره‌ی معماری‌های جدید GPU مراجعه کنید.