إيسوي من أوفيسي
الموجة الكمّية | الحساب العام QbitAI
لا، هذا مستحيل! نموذج «عالم الألعاب» الذي يُعرف عنه استهلاكه الهائل لقوة الحوسبة، أُضع داخل بطاقة RTX 5090 واحدة فقط بهذه الطريقة؟!
والأكثر من ذلك أنه يحمل وسمين مغريين للغاية:
صيني الصنع، ومفتوح المصدر。
في هذه اللحظة، أعلنت Skywork AI التابعة لشركة Kunlun Wanwei عنMatrix-Game 4.0، والمعروف أن هذا هو«أول نموذج عالم ألعاب في العالم يمكنه العمل في الوقت الفعلي على بطاقة رسومية استهلاكية واحدة»。
عند الانتقال السريع إلى العرض التوضيحي، بصراحة جودة 480p تحتاج بالفعل إلى تحسين، لكن بعد بضع ثوانٍ أخرى:
إيه، هناك شيء غريب!!
في العروض التوضيحية المعتادة لنماذج عالم الألعاب، يضغط اللاعب على مفتاح الاتجاه، فيُولّد النموذج المشهد التالي إلى الأمام. يمكن التجول في العالم والمشاهد تتحرك، لكن ما إذا كان هناك فعلًا نظام لعبة يعمل في الخلفية، فذلك أمر غير مؤكد.
لكن Matrix-Game 4.0 أصبح مختلفًا تمامًا.
عند إصابة اللاعب، ينخفض أولًا متانة الدرع؛ وبعد تحطم الدرع، يبدأ نقص الصحة؛ وحين تصل الصحة إلى الصفر، تنتهي اللعبة فعلًا.
رابط الفيديو: https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
يا للعجب، إذن ليس المشهد فقط هو ما يتحرك، بل منطق اللعبة في الخلفية يعمل أيضًا.
والأغرب من ذلك أن هذه المنظومة بأكملها لا تقبع في عنقود حوسبة فاخر.
بل في بطاقة RTX 5090 واحدة فقط.
عند الضغط على المفتاح، تستجيب الشاشة في أقل من 0.15 ثانية؛ وتشغّل 60 إطارًا في الثانية؛ ويبلغ الاستهلاك الأقصى لذاكرة الفيديو للنظام بأكمله نحو 18.5GiB。
بل يمكن حتى تعديل طريقة اللعب.
بجعل وكيل البرمجة (Coding Agent) يعدّل شيئًا من شيفرة اللعبة، يتحول سباق التوقيت الأصلي في لمح البصر إلى معركة مطاردة لاعتراض مركبة مستهدفة.
رابط الفيديو: https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
بطاقة واحدة تحمل لعبة كاملة يرسمها الذكاء الاصطناعي في الوقت الفعلي وتعمل وفق قواعد الشيفرة البرمجية.
كيف تحقق ذلك؟
تغطية نموذج الفيديو بـHarness
هذه المرة، لم يسلك Matrix-Game 4.0 الطريق المعتاد.
والحكم الجوهري الذي قدمه الفريق هو:
بدلاً من ترك نموذج الفيديو يحفظ العالم ضمنيًا، من الأفضل أن يحافظ محرك الألعاب على العالم بشكل صريح.
أما المسار الذي يمثله Genie من جوجل، فقد مكّن اللاعبين أولًا من دخول عوالم يولّدها الذكاء الاصطناعي في الوقت الفعلي، وأينما ذهب اللاعب، يولّد النموذج المشهد هناك.
لكن كون العالم قابلاً للتجوّل لا يعني أن اللعبة قابلة للعب.
أن تظهر شجرة زائدة أو تختفي نافذة في الرسوم أحياناً لا يزيد الأمر عن كسر الانغماس. أما إذا كانت مواقع الشخصيات غير اللاعبة وصحة اللاعبين وحسم الفوز أو الخسارة في المهام تُدار أيضاً بارتجال النموذج لحظياً، فبماذا سنلعب إذن؟؟
لذا فالمشكلة الأصعب من أخطاء الرسوم هي في الحقيقة خروج القواعد عن السيطرة.
في نظر الفريق، توليد الفيديو في المرحلة الحالية أشبه بـ«الترجمة بين الأنظمة الرمزية»، إذ يتولى تحويل المعلومات النصية والحركية والمشهدية إلى مشاهد متصلة.
أما "الرسم"، فنماذج الفيديو بارعة فيه حقًا.
لكنّ المسار الشائع في الماضي كان يُلزمها بأن تحفظ العالم بأكمله، وتحسب قواعد اللعبة بدقة، وتواصل توليد الصور دون توقف.
يا للعجب، نموذج واحد يتولى عدة مهام في آن واحد؛ يستطيع الصمود لفترة قصيرة، لكن مع طول الوقت تعرفون ماذا يحدث...
△ الصورة مولّدة بالذكاء الاصطناعي
لذلك في Matrix-Game 4.0، قرّر الفريق ببساطة تقسيم العمل:
محرك اللعبة مسؤول عن تشغيل اللعبة بشكل صحيح، ونموذج الفيديو مسؤول عن رسم الصور بشكل جيد.。
بهذا التقسيم، لم يعد حالة العالم مخبّأة داخل البكسلات التي يولّدها النموذج، بل تُسجَّل صراحةً بواسطة الشيفرة.
وحتى لو حدث انحراف أحيانًا في التوليد البصري، فإنه لا يُغيّر مباشرةً أشياء مثل نقاط حياة اللاعب أو ملكية العناصر أو تقدّم المهام.
لخّص الفريق هذه الفكرة بأنها"وضع Harness على نموذج الفيديو"：
1- يعبّر اللاعب أولًا عن فكرته باللغة الطبيعية، ويتولى Coding Agent كتابتها كشيفرة للعبة؛
2- يعمل محرك اللعبة كـ"حَكَم"، مسؤولًا عن صيانة حالة العالم وتنفيذ قواعد اللعبة ورسم مخطط هيكلي منظّم لا يتشوّش؛
3- أما نموذج الفيديو فيعمل كـ"رسّام"، يولّد الصورة النهائية في الوقت الفعلي وفق المخطط.
بعبارة أخرى: ما يجب أن يكون محددًا يُترك للشيفرة، وما يحتاج إلى إبداع يُترك للذكاء الاصطناعي.
أما عن مدى فعالية هذا التقسيم للأدوار، فانظروا إلى العرض التجريبي مباشرة.
في البداية، كان مخرجات المحرك مجرد صورة هيكلية مكونة من مكعبات وهياكل عظمية وتضاريس بسيطة.。
وكانت تبدو إلى حدٍّ ما كـ"غرفة عارية" غير مكتملة.
لكن أين الشخصية وأين العناصر ومن يتحرك، كان كل ذلك واضحًا تمامًا.
تتولى نماذج الفيديو العمل، فتُستكمل القلعة والعشب والخامات والظلال والإضاءة في الوقت الفعلي، وبعد أن كانت مجرد نموذج عشبي ثلاثي الأبعاد (3D)، تتحول في لمح البصر إلى مشهد لعبة كامل.
رابط الفيديو: https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
الرسم شيء، لكن القواعد في الأسفل تعمل فعلًا.
خذ الدرع مثلًا: بعد أن يلتقطه اللاعب، يسجّله المحرك رسميًا في حالة اللعبة. عند الإصابة تُخصم متانة الدرع أولًا، وبعد تعطّل الدرع تُخصم نقاط حياة الشخصية؛ وحين تصل الحياة إلى الصفر، تنتهي اللعبة.
نموذج الفيديو مسؤول عن رسم العملية، أما كيفية الحساب فالشيفرة هي التي تقرر.
رابط الفيديو: https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
والأكثر إثارة أن هذه القواعد يمكن تعديلها كذلك.
تريد رفع سرعة إطلاق السلاح؟ قل ذلك مباشرةً باللغة الطبيعية إلى Coding Agent.
بمجرد تعديل الشيفرة الأساسية، تتغير منطقية هجوم السلاح الفعلية تبعًا لذلك.
رابط الفيديو: https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
وفي مشهد قتال، طُبّقت هذه المنهجية بأكملها بالكامل:
Coding Agent يتولى التعديل، والمحرك يتولى الحساب، ونموذج الفيديو يتولى الرسم.
العالم الذي يولّده الذكاء الاصطناعي بدأ ينتقل من "يشبه اللعبة" إلى "يعمل فعلًا وفق قواعد اللعبة".
كيف تُشغّل اللعبة ببطاقة RTX 5090 واحدة؟
بعد أن أصبحت الأفكار واضحة، تأتي المرحلة التالية وهي العظمة الحقيقية:
القدرة الحاسوبية。
في نهاية المطاف، جعل نموذج فيديو يرسم اللعبة في الوقت الفعلي يبدو مهمة لا يمكن لبطاقة رسومية استهلاكية واحدة تحمّلها أصلاً.
في توقيت شبه متزامن تقريباً، نشر فريق أبحاث إنفيديا أيضاًStreamRender-H3، معتمداً المسار نفسه: «الكود يشغّل العالم، ونموذج الفيديو يولّد الصورة».
لكن إعدادات النشر المعروضة رسمياً لديه هي8 وحدات GPU من طراز GB200. تستخدم كل كتلة فيديو خطوتي إزالة ضوضاء، ويستغرق التصيير الانتشاري لكل خطوة توليد تدفقية 218ms.
وهذا مجرد مرحلة التصيير الانتشاري. وإذا أضفنا جمع كتل الفيديو وفك الترميز والعرض وغيرها، وحسبنا على أساس أن كتلتين من الفيديو يشكلان حلقة تغذية راجعة كاملة واحدة، فإن زمن الاستجابة من الطرف إلى الطرف يبلغ نحو545ms。
وببناء مقارنة تقريبية على هذه البيانات، يحتاج Matrix-Game 4.0 إلى نحو 112ms من الضغط على الزر حتى ظهور الصورة على الشاشة، أي ما يعادل تقريباً ... من زمن التأخير الكلي من الطرف إلى الطرف المقدَّر لـ StreamRender-H3الخُمسمن زمن الاستجابة التقديري من الطرف إلى الطرف لدى StreamRender-H3؛ أما من حيث العتاد، فانخفض العدد من 8 وحدات GB200إلى بطاقة RTX 5090 واحدة。
بالطبع، دقت الشاشة ومعايير قياس زمن الاستجابة لدى الاثنين غير متطابقتين تماماً، فلا يمكن ترتيبهما مباشرة.
لكن من منظور التنفيذ الهندسي، فإن بطاقة رسومية استهلاكية واحدة قادرة على الوصول إلى هذه السرعة أمر مؤثر بما يكفي.
وهذه البطاقة لم تتحمّل كل شيء فجأة.
منذ Matrix-Game 1.0، كان الفريق يسدّ الفجوات في نموذج عالم الألعاب باستمرار:
1.0 جعل العالم المولَّد يفهم أولاً أفعال اللاعب، و2.0 حلّ مسألة الوقت الفعلي، و3.0 أضاف الذاكرة طويلة المدى، و3.5 واصل تثبيت الفضاء والشخصيات。
△ الصورة مولّدة بالذكاء الاصطناعي
وفي 4.0، بدأ الفريق يواجه سؤالاً آخر:
متى يصبح هذا العالم المولَّد في الوقت الفعلي، القادر على التذكر، لعبة فيديو فعلية؟
الإجابة كُشفت سابقاً: تسليم القواعد إلى الكود ومحرك الألعاب.
لكن لتشغيل القواعد والصورة معاً على بطاقة RTX 5090 واحدة، لا يكفي مجرد إعادة توزيع المهام.
بل يجب أيضاً تخفيف العبء عن السلسلة بأكملها من زاوية الهندسة。
التخفيض الأول: تقليل ما يجب على النموذج أن يخمّنه بنفسه
الخطوة الأولى هي جعل مهمة التوليد أبسط.
«الرسم من العدم»؟؟ لا لا لا، فأيّ شيء يستهلك جهداً أقل من «الإخراج الفاخر انطلاقاً من رسمة».
لتعليم النموذج هذه المهارة، أنتج الفريق مجموعة من البيانات المقترنة باستخدام UE5:من جهة صورة هيكلية، ومن جهة أخرى الصورة الدقيقة المقابلة لها。
الأولى تتجاهل الزخارف كالخامات والإضاءة والظلال، وتحتفظ فقط ببنية المشهد ومواقع الأجسام ومسارات الحركة، أما الثانية فهي النتيجة النهائية المطلوب توليدها.
وبهذا التدريب، يكفي أن يشغّل محرك اللعبة الصورة الهيكلية أولاً، ليتمكن نموذج الفيديو من إكمال الخامات والإضاءة والظلال وتفاصيل البيئة على منوالها.
لكن الرسم التخطيطي وحده لا يكفي。
نفس المكعب، هل هو درع أم شخصية NPC أم حاجز على الطريق؟ النموذج لا يستطيع تمييز ذلك.
لذلك يقرأ النظام أيضاً الكائنات المرئية والحالة اللحظية التي يوفرها المحرك، وينشئ Caption ديناميكياً يخبر النموذج بما يوجد في الصورة وما يحدث.
رابط الفيديو: https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
الصورة الهيكلية مسؤولة عن توضيح «أين»، بينما Caption الديناميكي مسؤول عن شرح «ما هو وماذا يفعل»。
يا للعجب، صار المخطط ودليل الاستخدام في اليد.
وهكذا، لا يبقى على نموذج الفيديو سوى أن يرسم على النسق.
التخفيف الثاني: تقليل ما يحتاج النموذج إلى حفظه بنفسه
رسم صورة واحدة بدقة لا يكفي، فاللعبة يجب أن تستمر في العمل.
المشكلة أنّه كلما طال الفيديو، زاد عدد اللقطات التاريخية.
إجبار النموذج على مراجعة السجل من البداية عند كل توليد أمرٌ مرهق، إضافةً إلى أن أي انحراف حدث سابقًا قد يستمر في التأثير على المسار بأكمله.
بل، ألا يكون أفضل تسليم اللقطات المفتاحية مباشرة أمام عينيه؟
اعتمد Matrix-Game 4.0 على تعديل Wan2.2 5B Fun Control لبناء نموذج V2V، بحيث يستخدم عند كل توليد، إلى جانب اللقطة الهيكلية الحالية، صورة مرجعية للذاكرة المكانية، وإطارًا أوليًا للربط، إضافةً إلى معلومات التاريخ القريبة من الذاكرة المؤقتة.。
أين تقع، وكيف تبدو، وكيف تتصل — كل ذلك موجه بدقة، فينخفض طبعًا احتمال الانحراف أثناء التوليد.
التخفيض الثالث: تقليل ما يحتاج النموذج إلى حسابه
والضربة الأخيرة تستهدف مباشرة حجم الحسابات ذاته.
توليد الصور في نماذج الانتشار يشبه إلى حد ما التعديل المتكرر بدءًا من شاشة مليئة بالتشويش؛ فالتعديل مرة واحدة لا يكفي، بل تُكرر عدة مرات حتى تتشكل الصورة.
لكن اللعبة لا يمكنها انتظار كل هذا الوقت.
خفّض الفريق هذه العملية عبر التقطير الانحداري قليل الخطوات إلى تعديل خطوة واحدة أو خطوتين (1 أو 2) فقط، مع توليد أربعة إطارات في كل مرة.。
لكن سرعة الحساب وحدها لا تكفي؛ إذ إن انتظار GPU لتعليمات CPU ونقل بيانات التاريخ ذهابًا وإيابًا يبطئان السرعة كذلك.
لذلك استُخدمت أيضًا CUDA Graph وعمليات FP8 المدمجة وذاكرة KV حلقة ومرمزًا-فاكًّا خفيفًا:
ما يمكن حسابه مرة واحدة لا يُحسب مرتين، وما يمكن تجنب نقله لا يُنقل ذهابًا وإيابًا.。
وفي النهاية، يقيم مرمّز النص وDiT وVAE جميعًا على بطاقة RTX 5090 واحدة.
في خطوة إزالة تشويش واحدة، يبلغ معدل التوليد المستقر لطراز الفيديو 83 FPS، ونحو 57 FPS في خطوتين.
وتعمل اللعبة الفعلية بمعدل 60 FPS، وبعد أن يضغط اللاعب على الزر، يستجيب المشهد في أقل من 0.15 ثانية.
بصراحة، عند هذه النقطة أشعر أن الأقوى في تشغيل 60 إطارًا على بطاقة واحدة لم يعد هو الرقم «60» نفسه.
فنماذج العالم التي كانت حكرًا على عناقيد الحوسبة الضخمة، صار بإمكان بطاقة RTX 5090 واحدة أن تنقلها مباشرة إلى مكتب المطوّر.
رابط الفيديو: https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
والأكثر إثارة أن الشركة، بمجرد خفض حاجز العتاد، جاءت昆仑万维 بلوحة أخرى:
مفتوح المصدر。
الذكاء الاصطناعي الصيني يوظّف المصدر المفتوح في نماذج عالم الألعاب
خطوة «المصدر المفتوح» تحمل في سياق نماذج عالم الألعاب وزنًا أكبر مما يُتصوّر.
في كل مرة يُطلق فيها نموذج عالم جديد، أشعر بإحساس مألوف:
العرض التجريبي مذهل فعلًا.
جبال ثلجية ومدن وصحارٍ تُولَّد بكل سهولة، ويستطيع الشخصية المضي قدمًا بضغط أسهم الاتجاه، والفيديو ينتشر على منصات التواصل في كل مكان.
ثم ماذا؟
ثم لا شيء.。
أوزان النموذج غير متاحة، وشيفرات الاستدلال غير مرئية، فضلًا عن أن المطورين لا يمكنهم تنزيلها محليًا وتجربة تغيير قاعدة أو مشهد.
وإذا نظرنا سريعًا إلى القطاع، نجد أن معظم اللاعبين يفتحون المنتجات أو واجهات API أو العروض البحثية،أما من يضع النموذج والشيفرة فعليًا بين يدي المطوّرين فما زالوا قلة.。
لذا فإن هذه النسخة مفتوحة المصدر من Matrix-Game 4.0 تتميز بأن استخدامها لا يسبب الصداع (يمسح بجراء يدوي).
للإشارة المهمة، هذا ليس قرارًا اتُّخذ فجأة اليوم؛ فمنذ Matrix-Game 1.0 وحتى الآن تسلك هذه الشركة دائمًا نهج المصدر المفتوح.
وبالنظر إلى الماضي، فإن السبب الأهم لاختيار الكشف عن التقنية في وقت مبكر كهذا هو:
مسار نماذج العالم يزداد احتداماً، بينما لم تتقارب المسارات التقنية بعد على الإطلاق.
△ الصورة مُنشأة بالذكاء الاصطناعي
بعضهم لا يزال يراهن على توليد الفيديو، وبعضهم يركز على الفضاء ثلاثي الأبعاد 3D، وآخرون أعادوا إدخال محركات الألعاب إلى الساحة.
وإن كان الجميع يطلق عليها اسم نماذج العالم، فإن الحلول الأساسية قد اتجهت فعلياً إلى مسارات متباينة أكثر فأكثر.
الشيء الوحيد الذي أصبح أوضح تدريجياً هو أن مجرد التمكن من توليد الفيديو لم يعد كافياً، فالعالم يجب أن يكون قابلاً للدخول والتفاعل، ويُفضَّل أن يكون قادراً على العمل لفترة طويلة.
أما كيفية اتخاذ هذه الخطوة تحديداً، فما زالت كل جهة تجرّب وتخطئ بجنون.
وتماماً بسبب غياب الإجابة المعيارية، وجدت المصادر المفتوحة مجالها للانطلاق。
عندما يُسلَّم النموذج إلى يد المطورين، فإن إمكانية إعادة إنتاجه، وما إذا كان سيفشل في سيناريو مختلف، وما الأساليب الجديدة التي يمكن ابتكارها، يُختبر كل ذلك مباشرة بالتجربة.
أما إن كان جيداً أم لا، فالمجتمع سيقدم الإجابة بطبيعته.
وهذه المنهجية، نحن نعرفها جيداً جداً بالفعل.
النماذج اللغوية الكبيرة صارت مفتوحة المصدر، والوسائط المتعددة تستمر في الانفتاح، والآن القوة الصينية المفتوحة بقيادة Kunlun Tech واصلت التقدم فالتмест إلى نماذج عالم الألعاب。
يا للعجب، لم يزدحم مسار جديد إلا ووضعت الوصفة المألوفة على الطاولة.
بالطبع، لا يزال Matrix-Game 4.0 مجرد بداية.
جودة 480p لا يمكن وصفها بالدقة فعلاً، وما زالت هناك مسافة طويلة نحو عالم ذكاء اصطناعي أكثر استقراراً وأطول تشغيلاً ويستوعب عدداً أكبر من اللاعبين في آن واحد.
لكن الطريق لم يُحدَّد بعد، فمن باب البديهي ألا تُكتب الإجابة بواسطة بضع شركات خلف الأبواب المغلقة.
بعد Google Genie، الحل الذي قدمه اللاعبون المحليون هذه المرة هو:
الشيفرة تتكفل بإجبار العالم على الالتزام بالقواعد، والذكاء الاصطناعي يتكلف برسم العالم。
كارت RTX 5090 واحد يكفي لتشغيله، وقد أُتيح النموذج والشيفرة معاً.
أما كيف سيطوّره المطورون لاحقاً؟
فلا يمكننا إلا أن نقول:
Matrix-Game 4.0 منصة كبيرة، من أحبّها فليأتِ.
[بوابة المنصة الكبيرة]:
https://github.com/SkyworkAI/Matrix-Game
https://huggingface.co/Skywork/Matrix-Game-4.0
https://matrix-game-v4-0.github.io/page/