🤖 AI

Infinite-World: Scaling Interactive World Models to 1000-Frame Horizons via Pose-Free Hierarchical Memory

تقدم الورقة البحثية "Infinite-World"، وهو نموذج عالم تفاعلي قوي يحقق توليدًا بصريًا متماسكًا يتجاوز 1000 إطار في بيئات العالم الحقيقي من خلال توظيف ضاغط ذاكرة هرمي خالي من تحديد الوضعية، ووحدة تسمية إجراءات مدركة لعدم اليقين، واستراتيجية ضبط دقيق كثيفة لإعادة الزيارة للتغلب على التحديات التي تفرضها تقديرات الوضعية الضوضائية ونقص زيارات وجهات النظر.

المؤلفون الأصليون: Ruiqi Wu, Xuanhua He, Meng Cheng, Tianyu Yang, Yong Zhang, Zhuoliang Kang, Xunliang Cai, Xiaoming Wei, Chunle Guo, Chongyi Li, Ming-Ming Cheng

نُشر 2026-02-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ruiqi Wu, Xuanhua He, Meng Cheng, Tianyu Yang, Yong Zhang, Zhuoliang Kang, Xunliang Cai, Xiaoming Wei, Chunle Guo, Chongyi Li, Ming-Ming Cheng

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تلعب لعبة فيديو حيث يمكنك التجول في غرفة، والنظر من النافذة، والدوران حول الزوايا. معظم "نماذج العالم" (وهي أنظمة ذكاء اصطناعي تحاول فهم أو التنبؤ بكيفية ظهور العالم أثناء حركتك) تشبه أجهزة الذاكرة قصيرة المدى. يمكنها أن تريك ما يحدث لبضع ثوانٍ، ولكن إذا حاولت التجول لفترة طويلة — لنقل 1,000 خطوة — ستبدأ في الارتباك. قد تنسى كيف كان شكل الباب، أو قد تجعل الجدران تختفي فجأة.

تقدم ورقة بحثية بعنوان "Infinite-World" نظام ذكاء اصطناعي جديداً صُمم لحل هذه المشكلة. يمكن لهذا النظام محاكاة عالم لمدة تزيد عن 1,000 إطار (حوالي 30-40 ثانية من الفيديو المستمر) دون أن يفقد صوابه أو ينسى تخطيط الغرفة.

إليك كيف فعلوا ذلك، مشروحاً عبر تشبيهات بسيطة:

1. المشكلة: "الخريطة الضبابية" و"الكاميرا المهتزة"

مقاطع الفيديو في العالم الحقيقي فوضوية.

الاهتزاز: عندما تصور فيديو بكاميرا محمولة باليد، تهتز يدك. الذكاء الاصطناعي لا يعرف ما إذا كنت أنت من حرك الكاميرا أم أن الكاميرا اهتزت فحسب. هذا يجعل من الصعب تعليم الذكاء الاصطناعي كيفية تحريك العالم بدقة.
حد الذاكرة: تحاول معظم أنظمة الذكاء الاصطناعي تذكر كل إطار رأته على الإطلاق. إذا طلبت منها تذكر 1,000 إطار، فإن "دماغها" سيصبح ممتلئاً جداً، مما يؤدي إلى تعطلها أو بدئها في الهلوسة (اختلاق أشياء ليست موجودة).

2. الحل: ثلاث حيل ذكية

الحيلة (أ): "المكتبة الذي يلخص" (الضاغط الهرمي للذاكرة الخالية من الوضعية)

تخيل أنك تقرأ كتاباً طويلاً جداً. إذا حاولت تذكر كل كلمة، فستنسى البداية بحلول الوقت الذي تصل فيه إلى النهاية.

ما تفعله أنظمة الذكاء الاصطناعي الأخرى: تحاول إبقاء الكتاب بأكمله مفتوحاً على الطاولة. يصبح الأمر فوضوياً وثقيلاً.
ما يفعله Infinite-World: يستخدم "مكتبياً يلخص":
- المدى القصير: بالنسبة للصفحات القليلة الأخيرة، يحافظ المكتبي على التفاصيل حادة ودقيقة.
- المدى الطويل: كلما عدت إلى الوراء في الكتاب، يتوقف المكتبي عن تذكر كل كلمة. بدلاً من ذلك، يكتب ملخصاً للفصول السابقة.
- السحر: يتم ضغط هذا الملخص في حجم ثابت. مهما قرأت من 10 صفحات أو 1,000 صفحة، يحتاج المكتبي فقط إلى الاحتفاظ ببطاقة ملخص صغيرة في جيبه. هذا يسمح للذكاء الاصطناعي بتذكر "جوهر" الغرفة (أين النافذة، أين المكتب) دون أن يشعر بالإرهاق من البيانات. يفعل ذلك دون الحاجة إلى نظام تحديد مواقع (GPS) أو خريطة كاميرا؛ فهو يتعلم فقط تلخيص ما هو مهم.

الحيلة (ب): "إشارة المرور" للحركة (تسمية الأفعال المدركة لعدم اليقين)

بيانات الفيديو في العالم الحقيقي مليئة بالضجيج. أحياناً تتحرك الكاميرا لأنك مشيت؛ وأحياناً أخرى تتحرك لأن يدك اهتزت.

المشكلة: إذا علمت ذكاءً اصطناعياً "التحرك يساراً" بناءً على فيديو مهتز، فقد يتعلم أن "التحرك يساراً" يعني في الواقع "هز الكاميرا".
الحل: ابتكر المؤلفون نظام إشارة مرور للحركة:
- الأخضر (انطلق): الحركة واضحة وقوية. يتعلم الذكاء الاصطناعي هذا كفعل حقيقي.
- الأحمر (توقف): الحركة ضئيلة أو مجرد ضجيج. يتجاهلها الذكاء الاصطناعي.
- الأصفر (غير مؤكد): الحركة ضبابية أو مربكة. بدلاً من إجبار الذكاء الاصطناعي على التخمين، يصنف النظام هذه اللحظة على أنها "غير مؤكدة" ويخبر الذكاء الاصطناعي: "لا تتعلم من هذه اللحظة المحددة".
- النتيجة: يتعلم الذكاء الاصطناعي فقط من الحركات الواضحة والقوية، مما يجعله أفضل بكثير في الاستجابة لأواملك دون الارتباك بسبب هزات الكاميرا.

الحيلة (ج): "جولة تدريبية" (ضبط دقيق مكثف للزيارات المتكررة)

أدرك المؤلفون أنه لتعليم الذكاء الاصطناعي تذكر مسار طويل، لا تحتاج إلى ملايين الساعات من الفيديو العشوائي. بل تحتاج إلى نوع محدد من التدريب.

الرؤية: إذا مشيت في خط مستقيم لمسافة 10 أميال، فلن ترى أبداً المكان الذي بدأت منه. ولكن إذا مشيت في دائرة وعدت إلى البداية، فستتعلم شكل العالم.
الاستراتيجية: أخذوا مجموعة بيانات صغيرة جداً (مدتها 30 دقيقة فقط) حيث كانت الكاميرا تدور في دوائر وتزور نفس الأماكن مراراً وتكراراً. استخدموا هذا "لإيقاظ" الذاكرة طويلة المدى للذكاء الاصطناعي. الأمر يشبه إعطاء طالب اختباراً قصيراً ومركزاً على مفهوم معين للتأكد من أنه يفهمه حقاً، بدلاً من جعله يقرأ مكتبة كاملة من الكتب العشوائية.

النتيجة

عندما تجمع هذه الحيل الثلاث معاً، يصبح Infinite-World حكواتياً بارعاً.

يمكنه مشاهدتك وأنت تتجول في الغرفة لفترة طويلة.
يتذكر أن النافذة كانت على اليسار، حتى بعد أن تمشي بعيداً عنها ثم تعود إليها.
يستجيب لأوامر "تحرك يساراً" بدقة، حتى لو كان فيديو التدريب مهتزاً قليلاً.
يفعل كل هذا دون الحاجة إلى حاسوب خارق لاستيعاب كل البيانات في ذاكرته في وقت واحد.

باختصار، لقد بنوا ذكاءً اصطناعياً يمكنه لعب "استكشاف العالم" لفترة طويلة دون أن يضيع، أو ينسى، أو يتعطل، باستخدام التلخيص الذكي والفلترة الدقيقة للبيانات الفوضوية.

ملخص تقني: Infinite-World

بيان المشكلة

حققت نماذج العالم التفاعلية الحالية نجاحًا ملحوظًا في البيئات الاصطناعية (مثل Unreal Engine 5 وGTA5) حيث تتوفر وضعيات كاميرا دقيقة (ground-truth) وبيانات فيديو-حركة متطابقة. ومع ذلك، فإن انتقال هذه النماذج إلى السيناريوهات الواقعية يواجه ثلاثة عوائق حرجة:

عدم دقة الوضعية وعدم موثوقية التحكم: تتطلب فيديوهات العالم الحقيقي تقديرات خارجية للكاميرا (camera extristics)، مما يؤدي إلى إدخال الضجيج والأخطاء، وهو ما يقلل من دقة الربط بين الإجراء والاستجابة.
ندرة إعادة زيارة نقاط الرؤية: تتدفق مقاطع الفيديو الطبيعية في الغالب بشكل خطي، وتفتقر إلى "إغلاق الحلقة" (loop-closure) الكثيف (العودة إلى مواقع سابقة) الضروري لتعلم النماذج للهياكل الهندسية العالمية والذاكرة المكانية طويلة المدى.
الاختناقات الحسابية: تتوسع آليات الانتباه القياسية (attention mechanisms) بشكل تربيعي ( $O(L^2)$ ) مع طول التسلسل، مما يجعل توليد أكثر من 1000 إطار أمرًا مستحيلاً من الناحية الحسابية. تعتمد حلول الذاكرة الموجودة إما على بيانات وصفية للوضعية (pose metadata) عرضة للخطأ للاسترجاع أو تستخدم خفضًا بسيطًا للعينات (downsampling) يتسبب في فقدان شديد للمعلومات.

المنهجية

يقترح المؤلفون Infinite-World، وهو نموذج عالم تفاعلي قوي مصمم للحفاظ على ذاكرة بصرية متماسكة لأكثر من 1000 إطار باستخدام فيديوهات واقعية خام وغير منقحة. يتكون الإطار من ثلاثة مكونات أساسية:

1. ضاغط الذاكرة الهرمي الخالي من الوضعية (HPMC)

لمعالجة الاختناق الحسابي وإلغاء الحاجة إلى أولويات هندسية صريحة، قدم المؤلفون خط معالجة تقطير تكراري مكون من مرحلتين:

الضغط المحلي: بالنسبة للتسلسلات قصيرة المدى، يقوم مشفر زمني بضغط التمثيلات الكامنة الخام مباشرة، مما يقلل الدقة الزمنية بمعامل قدره $k=4$ .
الضغط العالمي: بالنسبة للتسلسلات طويلة الأمد التي تتجاوز سعة الذاكرة، يستخدم النموذج آلية نافذة منزلقة تكيفية؛ حيث يتم تقسيم التمثلات الكامية الخام إلى أجزاء متداخلة، وضغطها محليًا، ثم تقطيرها تكراريًا في تمثيل عالمي موحد.
التحسين المشترك: يتم تدريب الضاغط بشكل كامل (end-to-end) مع العمود الفقري لـ DiT (Diffusion Transformer). وهذا يسمح للنموذج بتعلم الإشارات التاريخية ذات الصلة تلقائيًا لعمليات التوليد المستقبلية وإغلاق الحلقة دون الحاجة إلى بيانات وصفية خارجية للوضعية، مع الحفاظ على بصمة ذاكرة محدودة بدقة ( $T_{max}$ ) بغض النظر عن إجمالي طول التسلسل.

2. تصنيف الإجراءات القائم على عدم اليقين

للتعامل مع تقديرات الوضعية المشوبة بالضجيج في بيانات العالم الحقيقي، يقترح المؤلفون استراتيجية تقوم بتجزئة الحركة المستمرة إلى منطق ثلاثي الحالات:

لا إجراء (No-operation): يتم تعيينه عندما يكون مقدار الحركة تحت عتبة أرضية للضجيج ( $\tau_1$ ).
إجراء منفصل (Discrete Action): يتم تعيينه عندما تتجاوز الحركة عتبة التفعيل ( $\tau_2$ )، وتُربط باتجاهات دلالية (مثل W/A/S/D للترجمة/التحرك).
غير مؤكد (Uncertain): يتم تعيينه للحركات الغامضة ذات نسبة الإشارة إلى الضجيج (SNR) المنخفضة بين العتبتين.
بدلاً من التخلص من هذه العينات الغامضة، يقوم النموذج بتصنيفها صراحةً كـ "غير مؤكدة". هذا يحمي فضاء الإجراءات الحتمي من التلوث بالاهتزاز أو الانجراف البطيء للوضعية، مع تعظيم الاستفادة من فيديوهات العالم الحقيقي الخام.

3. استراتيجية الضبط الدقيق كثيفة الزيارات (Revisit-Dense)

بناءً على دراسة استطلاعية كشفت أن تنشيط الذاكرة المكانية يعتمد على الكثافة الطوبولوجية للمسارات أكثر من حجم البيانات الإجمالي، يستخدم المؤلفون نهج تدريب مكون من مرحلتين:

التدريب المسبق: يتم تدريب النموذج على مجموعة بيانات واسعة النطاق ومفتوحة المجال (أكثر من 30 ساعة) لتعلم الأولويات البصرية والديناميكيات المحلية المتنوعة.
الضبط الدقيق: تُستخدم مجموعة بيانات كثيفة الزيارات (RDD) مدمجة (مدة 30 دقيقة) لتنشيط الاتساق طويل المدى. تتميز هذه المجموعة بتكرار زيارات نقاط الرؤية وإغلاق الحلقات، مما يمكن النموذج من تعلم الهياكل المكانية العالمية بكفاءة دون الحاجة إلى كميات هائلة من البيانات.

المساهمات الرئيسية

نمذجة طويلة الأمد خالية من الوضعية: مكنت مقدمة HPMC من توسيع نمذجة العالم التفاعلية لتصل إلى أكثر من 1000 إطار بتكلفة حسابية محدودة، مما ألغى الاعتماد على وضعيات الكاميرا الصريحة.
نموذج تدريب قوي: إطار عمل مبتكر للفيديوهات الواقعية الخام يتميز بتصنيف الإجراءات المدرك لعدم اليقين للتخفيف من ضجيج الوضعية، واستراتيجية ضبط دقيق كثيفة الزيارات لتنشيط الذاكرة طويلة المدى.
التحقق التجريبي: أظهرت التجارونات المكثفة أن النموذج يحقق أداءً متفوقًا في الجودة البصرية، والقدرة على التحكم في الإجراءات، والاتساق المكاني مقارنة بالنماذج المرجعية المتطورة.

النتائج

قيم المؤلفون Infinite-World مقابل عدة نماذج مرجعية، بما في ذلك HY-World 1.5، وHunyuan-GameCraft، وMatrix-Game 2.0، وYume 1.5، باستخدام اختبار معياري لـ 100 سيناريو متنوع من المسارات المكونة من 16 جزءًا (حوالي 1000 إطار).

المقاييس الكمية: حقق Infinite-World أعلى الدرجات أو درجات قريبة من الأعلى عبر مقاييس VBench (سلاسة الحركة، درجة الديناميكية، الجودة الجمالية).
دراسة المستخدم: في دراسة مستخدم واسعة النطاق باستخدام تصنيفات ELO، حقق Infinite-World درجة مهيمنة بلغت 1719، متفوقًا بشكل كبير على ثاني أفضل نموذج (HY-World 1.5 الذي سجل 1542).
- اتساق الذاكرة: احتل المركز الأول (1.92)، مما يثبت التخفيف الفعال لتراكم الأخطاء عبر الآفاق الطويلة.
- الدقة البصرية: احتل المركز الأول (1.67)، مع الحفاظ على المعالم العالمية والتفاصيل الهيكلية.
- الاستجابة للإجراءات: احتل المركز الأول (1.54)، مما يثبت قدرة النموذج على تعلم خرائط الاستجابة للإجراءات القوية حتى من مسارات العالم الحقيقي غير الكاملة والمشوبة بالضجيج.
التحليل النوعي: تظهر المقارنات البصرية أنه بينما تعاني النماذج المرجعية من ظهور الأشباح (ghosting)، أو التشوه الهيكلي، أو انحياز "الحركة للأمام"، ينجح Infinite-World في تنفيذ عمليات إغلاق حلقة طويلة المدى ويحافظ على تماسك المشهد بعد مئات الإطارات.
الكفاءة: يظهر تحليل استهلاك الذاكرة أنه بينما تفشل النماذج المرجعية غير المضغوطة عند حوالي 180 إطارًا بسبب أخطاء نفاذ الذاكرة (OOM)، يستقر Infinite-World عند حوالي 45 جيجابايت، مما يدعم الاستنتاج لما يتجاوز 1300 إطار.

الأهمية والادعاءات

يزعم البحث أن Infinite-World نجح في سد "فجوة الواقع" في نمذجة العالم. من خلال إزالة الاعتماد على الأولويات الهندسية المثالية وتطوير آلية للتعامل مع إشارات التحكم المشوبة بالضجيج، أثبت النموذج أن المحاكاة التفاعلية المستقرة وطويلة الأمد قابلة للتحقيق في بيئات العالم الحقيقي المعقدة.

يؤكد المؤلفون أن عملهم يوفر إطار عمل مفتوح وفعال للنمذجة التفاعلية طويلة الأمد في العالم الحقيقي، على عكس الأنظمة المتطورة مغلقة المصدر. ويخلصون إلى أن عنق الزجاجة في النمذجة طويلة الأمد لا يكمن في كمية البيانات، بل في الكثافة الطوبولوجية ومدة المسارات الفردية، وهو اكتشاف تم التحقق منه من خلال قدرتهم على تنشيط الاتساق لـ 1000 إطار باستخدام 30 دقيقة فقط من بيانات الضبط الدقيق. يهدف هذا العمل ليكون أساسًا لمحاكيات عصبية مستقبلية في مجالات مثل القيادة الذاتية والذكاء الاصط์ناعي المجسد (Embodied AI).