أخبار ar.wedoany.com، أطلقت شركة "موشين تكنولوجي"، بالتعاون مع الأكاديمي بان يونخه من جامعة تشجيانغ وشركة هواوي، نموذج العالم التفاعلي في الوقت الفعلي "MoWorld" القائم على معالجات NPU المحلية، حيث تتجاوز سرعة الاستدلال فيه 50 إطارًا في الثانية، وتبلغ تكلفة نشره 30% فقط من تكلفة حلول GPU ذات المقياس المماثل.
على مدار العام الماضي، أصبحت نماذج العالم محط اهتمام في مجال الذكاء الاصطناعي. يتطلب نموذج العالم الحقيقي فهم الفضاء والتنبؤ بالحالة التالية، وتعد خاصية العمل في الوقت الفعلي أمرًا بالغ الأهمية؛ إذ يُعتبر معدل الإطارات الذي يتجاوز 30 إطارًا في الثانية سلسًا، لكن معظم النماذج الحالية لا تستوفي هذا الشرط.
مؤخرًا، قامت شركة "موشين تكنولوجي"، المتخصصة في تطوير وتصنيع نماذج العالم رباعية الأبعاد (4D)، بالتعاون مع جامعة تشجيانغ وشركة هواوي، بإطلاق "MoWorld". يُعد هذا أول نموذج عالم تفاعلي في الوقت الفعلي يعتمد بالكامل على معالجات NPU المحلية، حيث تتجاوز سرعة الاستدلال فيه 50 إطارًا في الثانية، وتنخفض تكلفة نشره إلى 30% من تكلفة حلول GPU ذات المقياس المماثل. تم نشر التقرير الفني، ويمكن الوصول إلى صفحة المشروع عبر الرابط: https://moxin-tech.github.io/moworld/. ومن المقرر قريبًا إتاحة الأوزان والكود كمصدر مفتوح، وتقديم الخدمات استنادًا إلى العقد الفائقة المبنية على معالجات NPU المحلية.
بالمقارنة مع نماذج توليد الفيديو، يكمن الاختلاف الجوهري لنماذج العالم في التفاعل في الوقت الفعلي. في السابق، بقيت نماذج العالم في الغالب في مرحلة التجارب الأكاديمية. وتشمل القضايا الرئيسية للانتقال من البحث إلى التطبيق الصناعي ما إذا كان يمكن تحقيق التفاعل في الوقت الفعلي، والنشر المستقر، والتكلفة المنخفضة. تم إطلاق "MoWorld" في هذا السياق، حيث عمل فريق "موشين تكنولوجي" وفريق الشريك الاستراتيجي هواوي على مدى عام تقريبًا على حل العديد من المشكلات الرئيسية للتطبيق العملي. يستقبل "MoWorld" الإطار الأول والنص ومسار الكاميرا كشروط، ويولد حالة عالم مستقبلية تتوافق مع حالة المشهد ومدخلات التحكم، ويدعم التفاعل في الوقت الفعلي للمستخدمين في العالم المُولَّد من خلال التحكم المستمر، محققًا استدلالًا يتجاوز 50 إطارًا في الثانية على معالجات NPU المحلية، ويؤدي تصميم النظام إلى تكلفة استدلال منخفضة للغاية.
بالنسبة لنماذج العالم، فإن جودة التوليد هي الخطوة الأولى، بينما تحدد تكلفة التدريب وكفاءة الاستدلال وقدرة التفاعل في الوقت الفعلي جدوى التطبيق. قام "MoWorld" بتحسين السلسلة الكاملة بدءًا من بناء البيانات وتدريب النموذج وصولًا إلى نشر النظام. فيما يتعلق بالبيانات، يتطلب تدريب نماذج العالم معلومات ثلاثية الأبعاد مثل الفيديو والنص ومسار الكاميرا والعمق المكاني، ولا تلبي فيديوهات الإنترنت هذا المطلب. لذلك، استنادًا إلى سنوات من الأبحاث في النمذجة ثلاثية الأبعاد ورباعية الأبعاد، قام "MoWorld" ببناء نظام قابل للتوسع لإنتاج البيانات وإدارتها، مما يعزز جودة المواد اللغوية من خلال فحص متعدد الأبعاد للجودة.
لتحقيق قدرة النشر في الوقت الفعلي، قام "MoWorld" بتحسينات على مستوى النظام في ثلاث مراحل: التدريب، والتقطير، والاستدلال. في مرحلة التدريب، وبالاستفادة من خصائص أجهزة NPU المحلية، تم إدخال استراتيجيات التوازي فائق الكثافة للانتباه والتوازي لتسلسلات الرموز الطويلة، مما يتيح التدريب والاستدلال فائق الطول لما يصل إلى 2000 إطار. في مرحلة الاستدلال، ومن خلال وسائل مثل التنفيذ الخطي، والتوازي التسلسلي الهرمي، والقياس الكمي الديناميكي المختلط الدقة، تم تحقيق استدلال في الوقت الفعلي يصل إلى 50 إطارًا في الثانية لنموذج MoE ذي 14 مليار معامل على منصة NPU المحلية، مع تكلفة استدلال تبلغ 30% فقط من تكلفة حلول GPU ذات المقياس المماثل.
من بناء محرك البيانات إلى التدريب طويل الأمد والنشر الفعّال منخفض التكلفة، دفع "MoWorld" نماذج العالم من مرحلة "القدرة على التوليد" إلى مرحلة "القدرة على التفاعل والنشر". في المستقبل القريب، سيقدم "MoWorld" خدمات خارجية استنادًا إلى العقد الفائقة المبنية على معالجات NPU المحلية.
بناءً على قدرته على التفاعل في الوقت الفعلي، ينتقل "MoWorld" من التحقق التقني إلى كونه بنية تحتية للذكاء المكاني في العديد من الصناعات. بصفته "محرك محاكاة مكاني" قابل للتحكم، فإنه يوفر للصناعات قدرة على توليد مشاهد قابلة للتفاعل والمحاكاة وذات جدوى اقتصادية.
في مجال الألعاب والترفيه التفاعلي، يدعم "MoWorld" التحكم الكامل في الكاميرا بست درجات حرية، حيث يمكن للمستخدمين تحقيق تجوال غامر باستخدام مفاتيح W/A/S/D والفأرة، وتدعم المشاهد دقة 1080P وما فوق، وتشمل المناظر الطبيعية، وعوالم الأنمي ثنائية الأبعاد، وألعاب الأنمي.
في مجال الذكاء المجسّد والقيادة الذاتية، يوفر "MoWorld" ميدانًا رقميًا للتدريب منخفض التكلفة وعالي الدقة لأنظمة الروبوتات والقيادة الذاتية، خاصةً أنه يوفر لفرق القيادة الذكية عددًا كبيرًا من البيئات عالية الدقة، مما يمكّن الذكاء الاصطناعي من تعلم التفاعل مع البيئة المادية في عالم افتراضي.
في مجال الإبداع السينمائي والتلفزيوني، يدعم "MoWorld" المبدعين في تعديل زاوية الرؤية بحرية، ومعاينة تأثيرات الصورة في الوقت الفعلي، وتحرير اللقطات بدقة داخل العالم الافتراضي المُولَّد، مما يحقق تحريكًا للكاميرا على مستوى المخرجين.
في مجال التوأم الرقمي وإعادة البناء ثلاثي الأبعاد، تتمتع مقاطع الفيديو التي يولدها "MoWorld" باتساق هندسي يتجاوز المستوى الصناعي، ويمكن استخدامها مباشرة لإعادة البناء ثلاثي الأبعاد للمشاهد الداخلية، بدقة عالية، وبنية مستقرة، واتساق مكاني جيد، مما يوفر حلاً عالي الدقة وفعالاً من حيث التكلفة لسيناريوهات مثل التوأم الرقمي، والتصور المعماري، وصالات العرض الافتراضية، والألعاب الغامرة.
لقد استقرت الخريطة التنافسية لنماذج اللغة الكبيرة ونماذج توليد الفيديو، لكن مجال نماذج العالم لا يفتقر حتى الآن إلى قائد معترف به أو معايير صناعية. بالنسبة للفرق المحلية، تمثل هذه نافذة فرصة مهمة. يُعد "MoWorld" أول منتج يستخدم معالجات NPU محلية خالصة لتشغيل حلقة مغلقة كاملة من التدريب والاستدلال، ويتجاوز الاستدلال التفاعلي في الوقت الفعلي فيه 50 إطارًا في الثانية، وتكون تكلفة الاستدلال فيه 30% فقط من تكلفة حلول GPU ذات المقياس المماثل. كان رد فعل رأس المال سريعًا، حيث أكملت "موشين تكنولوجي" مؤخرًا تمويلًا بقيمة مئات الملايين من الدولارات، بمشاركة مؤسسات استثمارية دولارية رائدة، وصندوق احتياطي استراتيجي وطني، وأكثر من عشرة صناديق رأسمال صناعي. في السابق، تلقت "موشين" استثمارات من صناديق مثل "هابل للاستثمار" التابعة لهواوي، و"ليانرونغ تشيداو" التابعة لشركة لينوفو.
