يون تشونغ، من قاعة أُو فِي سِي
QbitAI | الحساب العام
نموذج عالم واقعي يعمل في الوقت الفعلي نشأ من استوديو افتراضي في الصين، حصد جائزة على مسرح NVIDIA.
في 10 من أكتوبر/تشرين الأول 15، أُقيم عرض النصف الأول لفعالية NVIDIA لعرض الشركات الناشئة 2026 عند بحيرة جينجي هو في سوجو، وحصلت شركة داوا للتقنية من تشونغتشينغ علىScenes AIبفضل منتجها لنموذج العالم الواقعي في الوقت الفعلي«جائزة الشركات المتميزة في العرض النصفي»。
أقيمت هذه الدورة من المسابقة في 11 محطة على مستوى البلاد، وتقدّم للتسجيل أكثر من 580 شركة للتقنية، ووصل في النهاية 30 عضواً من برنامج NVIDIA للتسريع للشركات الناشئة (Inception) إلى العرض النصفي.
وعلى خلاف معظم نماذج الفيديو التي تتنافس على «مدى تشابه الإطار التالي»، تسلك Scenes AI طريقاً آخر:
لا تتنبأ بالإطار التالي، بلتحافظ على حالة عالم مستمرة التشغيل— حيث تكون المشاهد والأشخاص والكاميرا والإضاءة والأجسام والفيزياء، كلٌّ منها مجموعة متغيرات يمكن قراءتها وكتابتها بشكل مستقل.
وعندما يحدث أي تغيير في العالم، فإن ما على النموذج فعله ليس إعادة رسم المشهد بأكمله، بل تحديث الجزء الذي تغيّر فقط من الحالة، ثم إعادة النتيجة إلى العالم، ليسير اللحظة التالية في التطور على هذا الأساس.
وبذلك يتغير السؤال الذي عليه أن يجيب عنه أيضاً: ليس «كيف سيبدو الإطار التالي»، بلإذا غيّرنا متغيراً واحداً في العالم، ماذا سيحدث للعالم بعد ذلك؟
والأهم من ذلك أن مدخلاته ليست محرك ألعاب أو مشاهد وسيطة، بلمساحة حقيقية التُقطت بكاميرا عادية。
وبعبارة داوا نفسها:الفيديو مُخرَج. أما العالم فعملية. الفيديو نتيجة، أما العالم فعملية.
لنشاهد التأثير أولاً: تغيير عالم بأكمله، مع القدرة على تغيير جدار واحد فقط
لنبدأ بأحدث نسخة من العرض التجريبي (Demo).
في الزاوية العلوية اليسرى تظهر الغرفة الحقيقية التي تلتقطها الكاميرا في هذه اللحظة: جدار أبيض، وستارة خضراء، وكرسي من الحديد المشغول، ودُبدُب في زاوية الجدار، وشخص يقف في المنتصف ممسكاً بحافة قبّعته.
والشاشة الكبيرة تعرض مخرجات النموذج في اللحظة نفسها: تحوّلت الغرفة إلى سهب صيفي بأسلوب الرسم اليدوي، وتحوّل الشخص إلى فتاة رسوم متحركة ترتدي قبعة بيسبول صفراء، مع تزامن الحركات.
وبالتدقيق يتضح أن ما تغيّر هو المظهر فقط. فالكرسي ما زال خلف الفتاة، والدبدوب ما زال جالساً في «زاوية الجدار» نفسها، وموقع الخزانة الداكنة على اليمين ومنظورها لم يتغيرا، بل إن خط التقاء الجدارين ما زال يلوح ضمنياً على العشب.
الاختبار الأول: إعادة التصيير الكلية دون أن يختل الهيكل.
في هذا المشهد، المتغير الوحيد الذي أعيدت كتابته هو «الأسلوب الفني».
فحركات الشخص ومواقع الأثاث وعلاقات الحجب والمنظور المكاني، كلها قُيدت كشروط للحفاظ عليها. وعلى النموذج أن يتعرف أولاً على ما هوية الشخص والكرسي والدبدوب والخزانة، ثم يثبّتها في أماكنها أثناء تغيير أسلوب الغرفة بأكملها، وأن يظل ذلك صحيحاً في كل إطار.
الاختبار الثاني: التعديل الموضعي مع الاحتفاظ بالذاكرة.
في المشهد نفسه، يكتب طفل صغير على الجدار عبارة "DW未来"، ثم يلتقط دمية محشوة ويخرج من الإطار؛ يقف الشاب، فتنبت الأشجار في الغرفة، ويشتعلت نار مخيم على الأرض؛ ثم يرفع يده متحكماً بالطقس، فيتساقط الثلج في الغرفة أولاً، ثم تمطر.
على مدى سلسلة من الأحداث، جاء الناس وذهبوا، ونبتت أشياء جديدة في المشهد، وتغير الطقس عدة مرات، لكن الأحرف الأربعة على الجدار بقيت دائماً، دون تغيير في موضعها أو في ضربات الخط.
المُختبر هنا هو ما إذا كانت حالة العالم تُكتب بشكل صحيح وتُحافظ عليها باستمرار.
بالنسبة للنماذج التي تولّد إطاراً بإطار، كلما زادت التغييرات في الصورة، كانت التفاصيل المتبقية من قبل أسهل في أن تُ«محى»، وقد يتغير كل إعادة رسم تلك التفاصيل بصمت؛ أما في Scenes AI، فإن «الوجود على الجدار» يصبح جزءاً من حالة العالم منذ لحظة كتابته. وبغض النظر عما يحدث بعد ذلك، ما لم يَأْتِ حدثٌ يغيّره، يبقى في مكانه.
في العرض التوضيحي الأول الذي أُطلق في شهر 9، كانت المنطقية نفسها: بعد أن خرج وحيد الثلج من الأرض، بقيت الحفرة في مكانها؛ وأُعيدت كتابة الكرسي الحديدي مرتين متتاليتين ليصبح عرشاً حديدياً برأس ذئب، وتمكن المذيع من الجلوس في مكانه الأصلي؛ وعندما اشتعل أسفل الستارة، لم تتأثر الدمية المحشوة وأصيص الزهرة المجاوران.
تعمل عملية التوليد بأكملها على كرت رسومات RTX محلي واحد، مع عرض معدل الإطارات في الوقت الفعلي في الزاوية العلوية اليمنى من الصورة.
مسار مختلف: من «إعادة رسم الإطار التالي» إلى «تحديث حالة العالم»
خلف هذا العرض التوضيحي يقف حكم أساسي من دافا (Dawa) على نماذج العالم:
توليد الفيديو أصبح قوياً بما يكفي، لكن العالم لم يبدأ العمل بعد.
المخرج الرئيسي لتوليد الفيديو هو "نتيجة واحدة": تُعطى مطالبة، فيتم توليد مقطع فيديو جميل، ثم ينتهي الأمر.
حتى إذا تم تنفيذ التوليد التتابعي إطارًا بإطار، يظل الاهتمام منصبًّا على "كيف سيبدو الإطار التالي"، فتتراكم الأخطاء المتعلقة بالهوية والهندسة والإضاءة والفيزياء شيئًا فشيئًا مع مرور الوقت.
لكن تعريف دافا لنموذج العالم مختلف:بعد تغيير متغير حالة واحد، لماذا يتغير العالم وكيف سيتطور.
لنأخذ أبسط مثال: إدخال جملة "حوّل الإضاءة إلى غروب الشمس":
- نماذج الفيديو التقليدية: تعيد توليد الفيديو من جديد، وقد ينحرف المشهد والشخصيات والكاميرا والأجسام جميعها؛
- Scenes AI: يتم تثبيت المشهد والشخصيات والكاميرا والأجسام كشروط للحفاظ عليها، ويتغير متغير "الإضاءة" وحده، ثم تُولَّد اللقطة الجديدة من حالة العالم الجديدة.
يختصر دافا هذا النهج في جملة واحدة: عدّل متغيرًا واحدًا، واحفظ العالم بأكمله.
وعلى مستوى الحوسبة، يعني ذلك الانتقال من "إعادة رسم الإطار التالي" إلى"تحديث زيادة الحالة ΔS"— أي تحديث الأجزاء المتغيرة فقط، مع بقاء بقية حالة العالم مستقرة وقابلة للاستعلام وقابلة للتنبؤ.
وفقًا لهذا التعريف، يُقسَّم العالم المستمر التشغيل إلى خمسة أجزاء:
العالم المستمر = ذاكرة العالم + الفيزياء العصبية + الانتشار المتناثر + العرض العصبي + إضاءة الذكاء الاصطناعي
أي ذاكرة العالم، والفيزياء العصبية، والانتشار المتناثر، والعرض العصبي، وإضاءة الذكاء الاصطناعي.
في نظر دافا، للانتقال من توليد مقطع فيديو إلى تشغيل عالم تفاعلي، هناك خمس عقبات يجب اجتيازها في آن واحد:
الذاكرة عبر الإطارات، والتحكم المحلي، والفيزياء والسببية، وكفاءة الحوسبة في الوقت الفعلي، والبيانات القادرة على تفسير "لماذا يتغير العالم بهذه الطريقة".
بقولهم:الصعوبة ليست في بناء نموذج أكبر، بل في أن الحالة والتحكم والفيزياء وقدرة الحوسبة يجب أن تنطبق جميعها في آن واحد.
التحكم الدقيق والعرض في الوقت الفعلي اللذان سيُشرحان لاحقًا هما بالضبط الإجابة التي قدمها هذا المسار على عقبتَي "التحكم" و"قدرة الحوسبة".
البنية التقنية: جعل طبقة التحكم ثقيلة وطبقة التوليد خفيفة
عند تحويل هذا المسار إلى نظام هندسي، يمكن تلخيص نهج دافا في جملة واحدة:جعل طبقة التحكم ثقيلة وطبقة التوليد خفيفة.
لم تضع Scenes AI كل المسائل في نموذج واحد كبير يعيد الرسم إطارًا بإطار، بل أضافت بين "نية الإبداع" و"توليد الصورة" طبقة تحكم تتخذ حالة العالم نواة لها، ويسميها دافاطبقة التحكم لتوليد الفيديو。
- طبقة التحكم: تفكك الفيديو المتواصل إلى عوامل حالة قابلة للاستعلام والتحديث والتقييد — المشهد والفضاء، والشخصيات والحركة، والكاميرا والعدسة، والإضاءة والخامات، والأصول والأزياء والتحضير والدعائم، والفيزياء والزمن؛ وهي المسؤولة عن تخطيط الأفعال والحفاظ على الحالة واستنتاج النتائج.
- طبقة العرض: تستقبل الشروط التي تصدرها طبقة التحكم، وتولّد الأجزاء التي تحتاج إلى التغيير فقط، ثم تدمجها مجددًا في الصورة.
سلسلة التشغيل النموذجية هي:
حالة العالم ← فعل أو حدث تلامس ← تحديث الحالة ← التوليد والدمج المحلي ← كتابة النتيجة مرة أخرى.
ولنأخذ مجددًا ذلك العرض التوضيحي "DW Future":
- عندما يكتب الطفل على الحائط، تحدد طبقة الأحداث حركة الكتابة وموضع التلامس، أي سطح الحائط؛
- بناءً على ذلك، يُحدِّث طبقة التحكم حالة العالم، مسجِّلًا «وجود كتابة على الحائط» كخاصية لكائن الجدار؛
- بعد ذلك، تنمو الأشجار في المشهد، ويشتعلت نار المخيّم، ويتساقط الثلج ثم المطر، فلا يُحدِّث طبقة التحكم سوى عناصر المشهد ومتغيّرات الطقس المقابلة، ولا تُولِّد طبقة العرض سوى الأشجار واللهب وندف الثلج وقطرات المطر وتغيّرات الظل والضوء التي تسبّبها، بينما يُعاد استخدام التمثيل الحالي للجدار والكتابة مباشرةً;
- أما عمليات الطقس كالمطر والثلج فتأتي وتذهب، وهي تغيّرات قصيرة الأمد؛ بينما تبقى الكتابة على الجدار كحالة دائمة محفوظة في العالم، ليتابع التصوير والتفاعل لاحقًا قراءتها.
هناك تمييز جوهري هنا:أي التغيّرات «عابرة» وأيها «دائمة»。
الأولى تُسلىم لطبقة العرض وتُعالج وانتهى الأمر، أما الثانية فيجب أن تدخل في حالة العالم. وفي العرض التوضيحي، كون «الحفرة ما تزال موجودة» و«الكتابة ما تزال موجودة» هو المظهر الخارجي لهذه الآلية.
وبالنظر إلى هذا على مستوى الصناعة، أصبح «فصل صيانة الحالة عن العرض المرئي» تدريجيًا إجماعًا في نماذج العالم الزمنية الحقيقية، ويكمن الخلاف فيمن أين تأتي الحالة。
أحد الأساليب يقوم على أن تُكتب القواعد والحالة صراحةً من محرك upstream أو من البرمجة، ويعمل النموذج على العرض المرئي مع اتخاذ الصورة المرجعية كواجهة، وهو ما يناسب الألعاب والنماذج الأولية ذات القواعد الواضحة؛
أما Scenes AI فتستهدف الفضاءات المصوَّرة فعليًا والبث المباشر، حيث يجب أن يستخرج النموذج حالة العالم من صور الكاميرا، ثم يواصل صيانتها واستنتاجها وإعادة كتابتها.
التحكم الدقيق: تغيير متغير واحد مع إبقاء كل شيء آخر ثابتًا
يقع التحكم الدقيق في طبقة التحكم، والوحدة الأساسية فيها هيLatent Stage。
أولاً: فصل المتغيرات.
يقسّم Latent Stage في الفضاء الكامن المشهد والأشخاص والكاميرا والإضاءة والملابس والأدوات والفيزياء إلى "مسرحات" مستقلة، يمكن تطويرها منفردة أو قيدها بشكل مشترك.
لكل عملية تحرير "مجموعة تغيير" و"مجموعة إبقاء" واضحتين: عند تعديل الإضاءة، يُقفل المشهد والأشخاص وموضع الكاميرا؛ وعند تغيير الملابس، تستمر هوية الشخص وحركات جسده في تقييد التوليد.
لقطة الشاشة التي فيها "تغيّر كامل الأسلوب الفني مع بقاء الأثاث كما هو" هي نتيجة فصل مجموعة التغيير ومجموعة الإبقاء بدرجة كافية من النقاء.
ثانياً: مصفوفة الفيديو غير الخطية.
طريقة دمج مصفوفة المنظور غير الخطية التي اقترحتها دافا تحوّل الصورة من "زمن خطي" إلى "مصفوفة قابلة للتحرير": تُفكك الشخصيات والبيئة والكاميرا والإضاءة والأجسام والحركة إلى عناصر بصرية قابلة لإعادة التركيب، ما يسهّل على طبقة التحكم فهم حركة الكاميرا ودمج المحتوى الحقيقي مع المولّد.
الورقة التجريبية ذات الصلة بعنوان 《NVD： Non-Linear View Matrix Fusion for 2D Video Using Multimodal Foundation Models》قد قُبلت في ACM UbiComp / ISWC 2026، وعُرضت ميدانيًا في 10月13 في مركز شنغهاي للمؤتمرات الدولية. وقد أُنجز هذا البحث بالتعاون بين معهد دافا للأجيال الاصطناعية (AIGC) وجامعة هونغ كونغ البوليتكنكية وجامعة إلينوي في أوربانا-شامبين وجامعة نيوكاسل.
ثالثاً: ذاكرة العالم.
تحتفظ World Memory بتخزين دائم لشرائح الحالات التاريخية، وتوفر سياقًا قابلًا للاستعلام والتحديث للتوليد اللاحق.
عندما تغادر الكاميرا ثم تعود، يقرأ النموذج سجل حالة تلك المنطقة بدلاً من تخيّل جدار من جديد.
ترى دافا أن الذاكرة طويلة الزمن هي التحدي الأكثر أهمية حاليًا، أي أن الهوية والمساحة والفيزياء وحالة القصة يجب أن تبقى جميعها متسقة عبر الزمن.
بدون ذاكرة سببية، لن يحل تراكم أي عدد من وحدات معالجة الرسوميات (GPU) المشكلة.
رابعاً: القيود الفيزيائية.
تغطي Neural Physics الأجسام الصلبة والأقمشة والسوائل والجسيمات، وتنظّم شروط التوليد حول التصادم والجاذبية، وتحدد إلى أين يجب أن يصل الحريق وكيف يُدفع القماش؛ ثم يحوّل Neural Renderer الهندسة والخامات والإضاءة إلى صورة.
وبذلك تصبح الحالة الفيزيائية مرجعًا مشتركًا للتوليد والتدريب والتقييم، بدلاً من اعتبار الفيديو نفسه هو الإجابة.
في اختبارات التحرير المتتالية، حقق Scenes AIمعدل نجاح في التحرير المستهدف بلغ 98.2%，معدل الحفاظ على هوية الشخصيات بلغ 93.3%。
العرض في الزمن الحقيقي: تخصيص القدرة الحاسوبية للعالم المتغيّر
تتولى طبقة العرض مهمة النموذج التوليدي في الزمن الحقيقيLiveStageوالمشكلة التي يجب أن تحلها محددة جدًا:
أن تواكب الصورة الشخص الحقيقي باستمرار وبزمن استجابة منخفض ضمن ميزانية القدرة الحاسوبية والذاكرة لبطاقة رسومية استهلاكية واحدة.
أولاً: الانتشار التلقائي التراجعي المتناثر.
يتولى النموذج التلقائي التراجعي التطور المستمر عبر الزمن، بينما يقيّد الحساب المتناثر نطاق التحديث في كل خطوة، ما يعني أن النموذج يتنبأ بزيادة الحالة وليس بصورة جديدة كاملة.
استنادًا إلى تحليل بيانات أكثر من 300 مشروع تصوير تجاري حقيقي، اكتشفت دافا أن المناطق المتغيرة فعليًا في كل إطار في المشاهد النموذجية لا تشكل سوى نسبة صغيرة من الصورة.10%—20%。
وبالتالي، تُعاد المناطق المستقرة كالجدران والأرضيات مباشرة عبر التخزين المؤقت في الفضاء الكامن (Latent Cache)، وتُركّز القدرة الحاسوبية على الأشخاص والوجوه والأيدي والأقمشة والدخان والظلال والمناطق التفاعلية.
ثانياً: الانتشار الدقيق المتناثر السببي.
تستقبل طبقة العرض مجموعة شروط تُرسلها طبقة التحكم، تشمل نوع الحدث والموقع والسرعة والشدة وهوية الكائن والخامة والتاريخ المحلي، وتجري أخذ عينات بعدد خطوات قليل على المناطق المتغيرة فقط، ثم تدمج النتائج المحلية مجددًا في صورة العالم الدائمة.
يعني مفهوم "التعليل السببي" أن كل خطوة تعتمد فقط على التاريخ الذي حدث بالفعل، وهو ما يناسب الإخراج التدفقي؛
ويعني "المحيط الصغير" أن كل مرة تتم معالجة منطقة صغيرة محلية فقط، بدلاً من الصورة بأكملها.
ثالثاً، التنشيط المتناثر.
إجمالي معاملات النموذج 34B، وفي كل خطوة لا يُنشَّط سوى حوالي 4B، بنسبة تنشيط تقارب 11.8%.
تقلل التحديثات المحلية في الفضاء من "كم يُحسب"، بينما يتحكم التنشيط المتناثر داخل النموذج في "كم عدد المعاملات المستخدمة في كل حساب"، وكل ذلك يشكّل مجتمعاً ميزة "سعة النموذج الكبيرة مع مسار حسابي في الوقت الفعلي".
النتيجة الجمع بين الثلاثة: مقارنةً بحلول انتشار الفيديو التقليدية،انخفض استهلاك الـGPU بنسبة 40%—60%، وارتفعت سرعة الاستدلال بمعدل 3—5 مرات。
عندما تتطلب الصورة تبديلاً كاملاً، كما في لقطة الشاشة حيث يتحول المنزل بأكمله إلى سهب، يتجاوز نطاق التغيير 20% بكثير، فيقوم النظام بتوزيع الحساب ديناميكياً وفق نطاق التغيير، وتتشارك التحرير المحلي والتحويل الكامل للمشهد نفس المسار.
وفي النهاية، حقق Scenes AI إخراجاً في الوقت الفعلي بدقة 720P وبمعدل 25 إطاراً على بطاقة رسومية استهلاكية واحدة من طراز NVIDIA GeForce RTX.
القوة الحسابية الأساسية: مبني أصلاً على حزمة تقنيات NVIDIA.
بدأ التعاون التقني بين داوا وNVIDIA عام 2018، وفي تلك السنة اشترت داوا أول نظام NVIDIA DGX-1.
اليوم، يستخدم Scenes AI الـCUDA لتسريع التدريب والاستدلال، وTensorRT لتحسين الاستدلال، وNVENC لدعم إخراج ترميز الفيديو في الوقت الفعلي.
التحديث المتناثر يقلل الحساب غير الفعال، وذاكرة Latent Cache تفضّل إعادة استخدام ذاكرة الفيديو، كما أن البنية الطبقية تناسب بطبيعتها النشر الطبقي، فهذه الآلية مصممة أصلاً حول الحساب المتوازي وإعادة استخدام الحساب في الـGPU.
الحاجز الأساسي: ليس Video Dataset، بل State Dataset
بعد وضوح المسار، يبقى الصعب فعلاً هو تدريبه. يمكن تفكيك خبرات داوا المتراكمة إلى ثلاث طبقات.
الطبقة الأولى: بيانات الحالة
لتعلم "كيف يتغير العالم"، لا تكفي مقاطع الفيديو وحدها.
معظم فيديوهات الإنترنت هي منتجات نهائية بعد المونتاج، وكيفية تحرك الكاميرا، وكيفية الإضاءة، ومتى يتم التقاط الأدوات، كل هذه المعلومات العملية تم اقتصها تقريباً، والبكسلات بذاتها لا تفسّر لماذا يتغير العالم بهذه الطريقة.
يقول داوا:ليس Video Dataset، بل State Dataset.
تدير داوا في يونغ تشوان بمدينة تشونغتشينغ استوديو سينمائي رقمي متكامل بمساحة 8.4万 متر مربع، أي استوديو تقني رقمي كامل العمليات.
خلال السنوات الـ5 الماضية، جمع الفريق البيانات وسماها ورتبها باستمرار من أكثر من 300 مشروع تجاري حقيقي، وراكم نحو180 تيرابايت من بيانات حالة العالم المهيكلة، تغطي ستة أبعاد جوهرية: مسارات الكاميرا، مسارات الحركة، حالة الكائنات، حالة الإضاءة، الحالة الفيزيائية، وحالة السرد.
يتم إجراء أكثر من 300 بُعد من الوسم الهيكلي لمشهد واحد، لمواءمة الكاميرا والبصريات والفضاء والأداء والحركة على المحور الزمني نفسه.
كما يتركز في الاستوديو بطبيعته العينات الطويلة الذيل الأصعب في التوليد في الوقت الفعلي: تشوه الأكمام الواسعة وتدفّق الفساتين مع الحركة، التلامس المتكرر بين اليد والأدوات، التراكب المتبادل بين شخصيات متعددة، الحركة المستمرة للكاميرا أثناء الأداء، وتغيّر الإضاءة المؤثر على الشخصيات والبيئة معاً.
إلى جانب البيانات الحقيقية، تبني داوا مشاهد محاكاة باستخدام NVIDIA Omniverse وPhysX لتوليد بيانات موسومة بحالات فيزيائية دقيقة على نطاق واسع؛ ويستخدم NVIDIA Cosmos على H200 لتوليد بيانات "عملية الطبيعة" مثل ذوبان الآيس كريم، ونمو الأشجار، وذوبان الثلوج.
الأدوار واضحة للبيانات الثلاثة:التصوير الحقيقي يوفر التوزيع، والمحاكاة توفر الحالات الدقيقة، وبيانات التوليد تكمّل التغطية.
الطبقة الثانية: مسار التدريب
داوا لا تدرب "مولّد فيديو"، بل نظاماً عالمياً في تطور مستمر، ينقسم إجمالاً إلى خمس مراحل:
- التدريب المسبق على الإدراك العالمي: تعلم ذاتي الإشراف على 180 تيرابايت من البيانات السينمائية، لبناء فضاء كامن موحد؛
- تدريب التنبؤ الزماني المكاني: التنبؤ بالمستقبل، وإكمال الفيديو، وإعادة بناء الحالة، لتعلم التطور الزمني بدلاً من تجميع مقاطع الفيديو المتتالية؛
- تدريب القدرات المتخصصة: تخصص كل وحدة على حدة مثل الانتشار الدقيق المتناثر محلياً، ومصفوفة الفيديو غير الخطية، والتصيير العصبي والفيزياء العصبية؛
- التحسين المشترك: تدريب مشترك متعدد المهام والتعلم المنهجي، مع تحسين من الطرف إلى الطرف في الفضاء الكامن المشترك؛
- التعلم المعزز المدفوع بالوكلاء (Agent): تعاون متعدد الوكلاء بين الإخراج والتصوير والإضاءة والرسوم المتحركة، مع تحسين مستمر لجودة الكاميرا واتساق المشهد.
الطبقة الثالثة: حلقة الإنتاج المغلقة
تقوم دافا (Dawa) بالفعل بإنتاج أفلام ومسلسلات قصيرة حقيقية. تعديلات العملاء، والملاحظات الواردة من التفاعل، وحالات أخطاء النموذج، سوف تُعاد لتشكّل مدخلات الجولة التالية من فرز البيانات والجمع التكميلي والتدريب، أي أن النموذج يتم اختباره في موقع التصوير، وموقع التصوير بدوره يُغذّي النموذج.
قال تشن ليانغ (Chen Liang)، الشريك المؤسس في شركة دافا للتكنولوجيا: "نحن نصوّر كل يوم أفلامًا ومسلسلات قصيرة حقيقية، وكل عملية إضاءة، وكل حركة كاميرا، تخبر النموذج كيف يعمل هذا العالم. الجولة القادمة من المنافسة على نماذج العالم تعود للفرق التي تمتلك عمليات من العالم الحقيقي".
من "توليد نتيجة واحدة" إلى "تشغيل عالم كامل"
لا ينبغي أن تكون نماذج العالم مفهومًا معلقًا في الفراغ؛ فعند تطبيقها عمليًا، يقابل هذا المسار عدة أنواع من السيناريوهات الواضحة:
- الأفلام والمسلسلات القصيرة: يمكن للمخرجين تعديل أفكار إبداعية أكثر وتحويلها في مشاهد قابلة للتحكم، وتحويل كل إلهام فوريًا إلى خطط معلَمية للطقس والإضاءة والأزياء والبيئة؛
- البث المباشر والتجارة الإلكترونية: تحويل «غرف البث الصغيرة» إلى «غرف بث بمشاهد حقيقية»، حيث تتغير مساحة وجود المذيع في الوقت الفعلي حسب المنتج والموضوع: يبيع أحذية الثلج في الثلوج، ويبيع أحذية المشي على قمم الجبال؛
- السياحة الثقافية والألعاب والعروض التفاعلية: لم يعد المحتوى شيئًا يُشاهد باتجاه واحد فقط، بل يمكن للمستخدمين الدخول مباشرة إلى المساحة الحقيقية والتفاعل معها وتعديلها ومواصلتها.
إنها تشترك جميعها في مجموعة المتطلبات نفسها: يجب أن تكون التغييرات قابلة للتحكم، وأن تكون المخرجات فورية، وأن تكون التكاليف قابلة للتقدير.
تعمل ببطاقة رسومات استهلاكية واحدة وجهاز محلي واحد فقط، دون الاعتماد على قدرات الحوسبة السحابية — وهذا هو ما ينقلها من عرض مختبري إلى بيئة حقيقية أقرب إلى النشر الفعلي.
«توليد الفيديو أصبح قويًا بما يكفي، لكن العالم لم يبدأ العمل بعد. يمكن لفيديو واحد أن ينتهي، أما العالم فيجب أن يستمر في العمل.» هكذا لخّص لي زونغشينغ، كبير مسؤولي المنتجات في شركة دافا للتقنية، نقطة انطلاق Scenes AI في عرض منتصف المسار.
قال: «وفّرت NVIDIA أساسًا حوسبيًا متينًا لنماذج العالم في الوقت الفعلي»، مضيفًا: «نأمل أن نعمل مع منظومة NVIDIA لنقل نماذج العالم من المختبر إلى الإنتاج الحقيقي، ليجد كل مبدع أنه قادر، ببطاقة رسومات واحدة، على بناء عالم مستمر في العمل وتعديله والدخول إليه في الوقت الفعلي».
△ صورة لي زونغشينغ، كبير مسؤولي المنتجات في دافا للتقنية، في عرض منتصف المسار
وبالنظر إلى مسار دافا خلال السنوات الأخيرة، تجد القطع الأساسية من الصورة قد استقرت في مواضعها.
وصلت البيانات: مجمع تصوير بمساحة 8.4（أي 84,000 متر مربع، وأكثر من 300 مشروع حقيقي، و180 تيرابايت من بيانات حالة العالم، مع استمرار تراكم المزيد؛
النموذج أصبح يعمل: نموذج العالم بحجم 34B يعمل في الوقت الفعلي على بطاقة رسومات استهلاكية واحدة، مع تحقق التحكم الدقيق والتصيير الفوري معًا؛
والاعتراف حاضر أيضًا: شركة متميزة في محطة شنتشن في أغسطس، وورقة بحثية في مؤتمر UbiComp في أكتوبر، وفي الشهر نفسه فازت بجائزة NVIDIA للشركات المتميزة في عرض منتصف المسار.
ومع بدء انتباه الصناعة في التحول من «توليد مقطع فيديو» إلى «تشغيل عالم كامل»، أصبح هذا المسار الذي نمّى من داخل مجمع التصوير يشاهده المزيد من الناس.
الفيديو ينتهي، أما العالم فلا. وبالنسبة إلى Scenes AI، فإن هذا العالم لم يبدأ العمل للتو.
* هذه المقالة منشورة بإذن من QbitAI، وتمثل الآراء الملكية الفكرية للمؤلف الأصلي وحده.