نماذج العالم مقابل توقع الفيديو: ما الذي أخطأت فيه

عندما ظهرت عروض Genie 4 كانت أول ردة فعل لي هي نفسها التي راودتني منذ Sora: هذا مولّد فيديو ممتاز، فلماذا نسميه نموذج عالم؟ يوم كامل من تجربة المقاطع وقراءة ردود فعل أشخاص أذكى مني غيّر رأيي في هذا التوصيف، وذكّرني بثلاثة أخطاء ارتكبتها أثناء بناء نماذج العالم وتقييمها في أعمال المحاكاة. هذا ليس مراجعة لإصدار DeepMind. إنه مجموعة دروس تعلمتها بالطريقة المكلفة حول الفرق بين توقع الفيديو ومحاكاة البيئة، لأن العروض تجعل الخلط بينهما سهلاً.

الدرس الأول: نموذج العالم دالة انتقال، وليس فيلماً

الخطأ الذي وقعت فيه لفترة طويلة، والذي أراه في معظم الآراء المتسرعة حول Genie 4، هو تقييم المحاكاة التفاعلية بالمعايير نفسها المستخدمة لتوليد الفيديو. تدخل مطالبة، فيخرج مقطع، ونحكم على الدقة وسلاسة الحركة والالتزام بالمطالبة. انتهى الأمر. هذا المعيار يغفل جوهر ما يُبنى.

مولّد الفيديو يتعلم p(frames | prompt). أما نموذج العالم فيتعلم شيئاً أقرب إلى p(next_state | current_state, action). هذا الفرق يبدو أكاديمياً حتى تضغط عليه. في توقع الفيديو لا يغيّر شيء تفعله أثناء التشغيل أي شيء؛ لا يوجد «أنت». في نموذج العالم، يحقن وكيل (أو مستخدم بلوحة مفاتيح) أفعالاً في كل خطوة، ويجب أن يستجيب النموذج لها. لحظة السماح بالتفاعل تنتقل بك من مشكلة توليد فني إلى مشكلة أقرب إلى نظرية التحكم: على النظام أن يستجيب لمدخلات لم يُعرض عليه مثلها، في حالات ينجرف إليها بنفسه، إلى ما لا نهاية.

لهذا فإن التنقل بلوحة المفاتيح والتوجيه النصي أثناء المشهد في Genie 4 أهم من واقعيته البصرية. الواقعية الفوتوغرافية شرط أساسي في هذا الجيل من النماذج؛ فـ Sora 2 وVeo 3 تجاوزا هذا الحد بالفعل. الإنجاز البحثي الحقيقي هو تكييف الفعل في الزمن الحقيقي: تضغط زراً فيستجيب العالم بشكل سببي ويواصل التجاوب بتماسك. عندما أرى من يقيّم العروض بجودة الصورة فقط، أشعر أنهم يحكمون على محاكي طيران بجمال النوافذ.

الحل العملي لهذا الالتباس: عند تقييم أي نموذج عالم معلن، اطرح ثلاثة أسئلة قبل النظر إلى أي بكسل. هل يأخذ أفعالاً وقت الاستدلال، أم مطالبة نصية فقط؟ وهل يؤدي الفعل نفسه في الحالة نفسها إلى النتيجة نفسها؟ وماذا يحدث إذا دفعته عشرة آلاف خطوة متتالية؟ هذه الأسئلة الثلاثة تفصل بين محاكيات البيئات وبين التلفزيونات المبهرة.

الدرس الثاني: الاتساق خارج الشاشة هو مكمن الكذبة

أدق الملاحظات في ردود الفعل العامة لم تكن عن جودة الصورة أبداً. لاحظ الناس أنه في عرض سباق التنين، عندما تدور الكاميرا نحو القلعة، يختفي جزء من جانبها الأيمن، بما في ذلك المنجنيق، وكأن قلعة ثانية ظهرت. المشاة الذين يبتعدون عن الكاميرا على رصيف القطار يتغير هويتهم عندما تعود الكاميرا. وراكب الدراجة النارية يكتسب خوذة بين اللقطات. النموذج يحافظ على الاتساق بشكل رائع لكل ما يبقى في الإطار، ويرتجل بهدوء كل ما يخرج منه.

لقد بنيت أنظمة تعاني من نمط الفشل نفسه، لذلك أتعرف عليه فوراً. هذا ما تحصل عليه عندما تكون حالة النموذج في جوهرها نافذة منزلقة من الإطارات الكامنة الأخيرة زائداً ما تستطيع آلية الانتباه حمله. لا توجد خريطة صريحة، ولا مخزن لدوام الأشياء، ولا رسم بياني للمشهد. النموذج لا يعرف أن هناك قلعة؛ هو يعرف أن آخر آلاف الرموز بدت شبيهة بالقلاع، وبمجرد أن تخرج تلك الرموز من السياق يصبح وجود القلعة رمية نرد مرجّحة بالتوقعات المسبقة. القلاع شائعة في مشاهد التنانين، فتظهر قلعة جديدة.

النموذج الذي ينسى ما غادر الإطار لم يتعلم عالماً. لقد تعلم حاضراً واثقاً جداً ومعقولاً جداً.

وهنا الجزء المزعج: قد يكون هذا مقبولاً للترفيه، وكارثياً تماماً لتدريب الوكلاء. إذا كنت تدرّب سياسة روبوت داخل محاكي، فستتعلم السياسة كل ما يكافئه المحاكي. في محاكٍ بلا دوام للأشياء، يستطيع الوكيل أن «يحل» المهام بانتظار أن يعيد العالم رمي النرد؛ يبتعد عن عائق فلا يكون موجوداً عندما تلتفت. السياسة الناتجة تنتقل إلى الواقع بقدر ما تنتقل سياسة مدربة في لعبة فيديو بكشف تصادم معطل. رأيت فرقاً تحرق شهوراً على فجوات المحاكاة إلى الواقع، وتبين لاحقاً أنها تعود إلى هذا النوع تحديداً من عدم الاتساق.

الحل، من الناحية المفاهيمية، هو أن تكون الذاكرة مكوناً معمارياً من الدرجة الأولى، لا خاصية ناشئة عن طول السياق. سواء كان ذلك تمثيلاً مكانياً صريحاً (حالة مشهد على طريقة NeRF، أو خرائط voxel، أو فتحات كائنات) أو ذاكرة كامنة أطول وأذكى، يجب أن يستطيع النموذج الإجابة عن: ما الذي خلفي الآن؟ دون أن يعيد حلمه. اعتماد DeepMind على نماذج الاستدلال في Gemini لـ«توجيه ومراقبة» اتساق المشهد يبدو لي اعترافاً بهذا: الاتساق يحتاج حالياً إلى نموذج آخر يراقبه لأن النواة التوليدية لا تحمله أصلاً. هذا ترقيع عملي، لا حل، وأقصد ذلك كوصف لا كإهانة. هكذا تُشحن الأنظمة الحقيقية.

الدرس الثالث: الفيزياء في الفضاء الكامن هي توقع مسبق، وليست حلّالاً

تؤكد مواد الإصدار على الديناميكا الهوائية والتصادمات والحركة البشرية الطبيعية، ومقاطع تحطيم البطيخ وسقوط البذور تبدو فيزيائياً متقنة فعلاً. خطئي الكبير الثاني، تاريخياً، كان افتراض أن الفيزياء التي تبدو متقنة في نموذج توليدي تعني أن النموذج استوعب الفيزياء بطريقة يمكن الاعتماد عليها. لم يحدث ذلك. لقد تعلم الإحصاءات البصرية للفيزياء من كميات هائلة من الفيديو، وهذا شيء مختلف تماماً عن نظام قيود.

العلامة الفارقة هي انزياح التوزيع. نماذج الفيزياء الكامنة تتقن الحالات الشائعة جداً: كرة ترتد، ماء يتموج، قماش يتطاير في الريح، لأن بيانات التدريب تحتوي ملايين منها. عندما تدفعها نحو الذيل، تتشقق التوقعات المسبقة. أحد عروض المطالبات قاوم النموذج بشدة لتجنب «مظهر لعبة الفيديو» رغم أنه طلب الواقعية الفوتوغرافية، لأن طاووساً يتحول إلى قط بعصا سحرية بعيد جداً عن التوزيع، فانزلق النموذج نحو أقرب نوع معقول في توقعاته، وهو على ما يبدو الرسوم المتحركة ثلاثية الأبعاد المنمّطة. الفيزياء التي تُتعلم كملمس تفشل تماماً في المكان الذي تحتاج فيه إلى المحاكي أكثر: المواقف الجديدة التي لا يمكنك تصويرها.

اختبار المتزلج، أي إنتاج خدعة تنطلي على متزلج حقيقي، هو الغريزة الصحيحة للسبب نفسه. المتزلجون يحملون محرك فيزياء مجسداً تم ضبطه عبر آلاف السقطات. انتقال الوزن، وتوقيت القفزة، والطريقة التي تتبادل بها الزخم مع الاحتكاك على الإسمنت: إذا أخطأت في أي منها بشكل طفيف، يبدو خاطئاً للخبير حتى لو بدا سليماً للجميع. نماذج العالم الكامنة الحالية لا تجتاز تدقيق الخبراء في الميكانيكا، وأراهن أن أي نموذج مدرب على الفيديو فقط لن يجتازه قريباً. الفيزياء موجودة في ظلال البيانات، لا في الأوزان كقانون قابل للتطبيق.

قاعدتي الآن: تعامل مع فيزياء النموذج الكامن كرسام قصص مصورة موهوب، لا كمهندس. سيرسم لك انفجاراً مقنعاً. لكنه لن يضمن أن الشظايا تحفظ الزخم. إذا كانت حالة استخدامك تحتاج ضمانات، كمعالجة الروبوتات كثيفة التلامس، أو تفاعل السوائل مع البنى، أو التحقق من السلامة، فما زلت بحاجة إلى محرك فيزياء حقيقي، والعمل المثير للاهتمام يكمن في الأنظمة الهجينة. هذا هو النمط نفسه الذي دافعت عنه في وكلاء الاستدلال الهجينين: دع النموذج المتعلم يتولى الأشياء الضبابية عالية الأبعاد، ودع مكوناً قابلاً للتحقق يتولى الثوابت.

الدرس الرابع: لا تدرّب الوكلاء حيث تكون الحقيقة الأساسية مزاجاً

كل إعلان لنموذج عالم يتضمن وعد الروبوتات، وGenie 4 ليس استثناءً: بيئات تدريب لا نهائية التنوع للروبوتات والوكلاء. وفي كل مرة يرد جزء من الممارسين بشك مبرر: لا يمكنك تدريب روبوت داخل حلم. الطرفان على صواب نصفي، والحل يكمن في التحديد: أي الوكلاء وأي المهارات.

بالنسبة للتحكم الحركي منخفض المستوى، المحاكيات الكامنة فخ حالياً. سياسة المعالجة تحتاج إلى تغذية راجعة للقوة، وديناميكيات التلامس، وفيزياء قابلة للتكرار؛ والنموذج الذي يعيد توليد الهندسة خارج الشاشة ويقرب التصادمات من إحصاءات الفيديو يعلّم سياسات هشة ومستغِلة للثغرات. من يشحن نقل المحاكاة إلى الواقع للقبض على الأشياء يجب أن يبقى على محاكيات مثل MuJoCo أو Isaac أو فئة Bullet، وأن يتعامل مع عروض نماذج العالم كاتجاه بحثي يُراقب.

أما لصنع القرار عالي المستوى، فالحسبة تنقلب. سياسات التنقل، واختبار سيناريوهات القيادة، ووكلاء الويب والواجهات، ووكلاء الألعاب، والمخططات متعددة الخطوات، كل هذه تحتاج في الغالب إلى عواقب معقولة للأفعال، لا ديناميكيات دقيقة بدقة نيوتن. رأينا هذا النمط ينجح بالفعل: أنظمة التعلم المعزز القائم على النماذج مثل Dreamer تتدرب داخل نموذج ديناميكي كامن متعلم، وتنتقل إلى مهام Atari والتحكم الحقيقية؛ وWaymo وغيرها تستخدم منذ زمن نماذج سلوكية متعلمة لمستخدمي الطريق الآخرين داخل محاكياتها. نموذج العالم التوليدي هو هذه الفكرة موسّعة إلى بيئات بصرية مفتوحة. الخطأ هو أن تطلب من نموذج واحد أن يخدم المخطط وحلقة المحرك معاً.

• استخدم نماذج العالم الكامنة في: تنويع السيناريوهات، وتوليد الأحداث النادرة، وتقييم السياسات عالية المستوى، والاختبار بمشاركة الإنسان، والبيانات الاصطناعية لإدراك الرؤية.
• استخدم محركات الفيزياء في: المعالجة كثيفة التلامس، والتحكم الحساس للديناميكيات، وأي حالة يفسد فيها تصادم غير متسق مرة واحدة من كل عشرة آلاف خطوة إشارة المكافأة.
• لا تعتمد على أي منهما بشكل أعمى: تحقق من السياسة مقابل الواقع مبكراً وباستمرار، لأن كل محاكٍ، متعلماً كان أو مبنياً يدوياً، لديه فجوة، وتريد أن تجدها في الأسبوع الثاني لا في الشهر التاسع.

الدرس الخامس: الصوت والحوار في الزمن الحقيقي يغيّران المنتج لا العلم

Genie 4 هو أول هذه النماذج التي تولّد الصوت المحيطي والحوار التفاعلي بشكل أصلي، وسرعان ما التقط الإنترنت أنه كان يعزف على الكلارينيت عندما طُلب منه السكسفون. طريف، ومفيد في الوقت نفسه. الاتساق عبر الوسائط هو مشكلة دوام الأشياء نفسها بثوب آخر: رأس الصوت له مفهومه الكامن الخاص للمشهد، و«آلة نفخ خشبية بقصبة واحدة» قريبة بما يكفي من النواحي التضمينية بحيث يمر الخلط. توقع ذيلاً طويلاً من هذه الأخطاء: خطوات على الثلج تبدو كأنها حصى، وحوار يجيب عن سؤال تجاوزه المشهد بالفعل.

لكن استراتيجياً، الصوت أكبر من هفوة السكسفون. العالم الصامت عرض توضيحي؛ العالم المسموع منتج. والتوجيه باللغة الطبيعية، كتغيير الطقس أو إضافة شخص أثناء البث، هو النصف الآخر. معاً يحولان نموذج العالم من أداة بحثية إلى وسيط تفاعلي، وهذا واضح أنه ما تريده Google: Project Genie واشتراكات AI Ultra وشركاء الـ API. التنبؤ بأن «الأفلام تتحول إلى ألعاب فيديو» هو النهاية التجارية الواضحة، ولمرة واحدة يتطابق الضجيج مع الإيقاع.

بالنسبة للممارسين، الدرس هو أن تفصل الخيطين في ذهنك. الخيط المنتجي (الزمن الحقيقي، والقابلية للتوجيه، والسمعي البصري، والقابلية للتحقيق المالي) يتحرك بسرعة وسينتج أدوات مفيدة حقاً للنمذجة الأولية والتصور المسبق والسرد التفاعلي خلال سنة أو سنتين. الخيط العلمي (الحالة الدائمة، والفيزياء السببية، والاتساق الموثوق لأفق طويل) يتحرك بوتيرة البحث، ولا ينبغي افتراض حله لأن العرض التوضيحي جميل. لقد ارتكبت من قبل خطأ قراءة إنجاز منتج كإنجاز علمي، وهكذا تنتهي بتصميم نظام حول قدرة لم تُوجد بعد.

ما الذي سأفعله فعلاً بهذا اليوم

إذا كنت تبني وكلاء، فالخطة العملية لم تتغير: أبقِ مكدس التحكم على فيزياء حقيقية، لكن ابدأ بتجربة المحاكيات المتعلمة للطبقات الأعلى منه: توليد السيناريوهات، والاختبار السريع للسياسات، وبيانات الإدراك الاصطناعية. منحنى التكلفة هنا ينخفض بالطريقة نفسها التي انخفض بها لاستدلال LLM، وكما كتبت في لماذا تفوّت معايير الذكاء الاصطناعي العمل الحقيقي، الفرق الرابحة هي التي تقيّم على توزيع مهامها الفعلي لا على العروض العامة. ابنِ حزاماً يشغّل نموذج العالم لآلاف الخطوات التفاعلية ويقيس إخفاقات الاتساق: عودة ظهور الأشياء، وانجراف الهندسة، وانتهاكات السببية. هذا الحزام سيخبرك بأكثر من أي فيديو إطلاق.

وانتبه أيضاً لجانب الأوزان المفتوحة؛ فقد نال HY-World 2.0 من Tencent جزءاً ضئيلاً من اهتمام Genie 4، وإذا كان التاريخ مع نماذج اللغة ونماذج الصور مؤشراً، فإن النظام المفتوح هو المكان الذي سيتعلم فيه الممارسون فعلاً كيف تعمل هذه الأنظمة. لا يمكنك فحص عرض بحثي خلف قائمة انتظار. يمكنك أن تضبط وتستكشف وتكسر شيئاً يمكنك تنزيله، والاستكشاف مهم: كما في أعمال التفسير الميكانيكي، النتائج المثيرة تأتي من نكش الشبكة لا من التأمل فيها.

الخلاصة الصريحة: Genie 4 خطوة حقيقية على المحور الصعب، أي التفاعلية، لا مجرد المحور السهل للبكسلات الأجمل. لكن الفجوة بين «يحافظ على مشهد بينما تنظر إليه» و«يحاكي عالماً» لا تزال واسعة، وهي بالضبط الفجوة التي تهم في تدريب الوكلاء. سمّه نموذج عالم إن شئت. فقط تذكّر أن العالم، على عكس الفيديو، يبقى موجوداً حين تدير ظهرك. وهذه النماذج، في معظمها، لا تفعل ذلك، بعد.