🤖 AI

ForgeWM: Progressive Causal Training for Few-Step Action-Conditioned Video World Models

يقدم ForgeWM إطار تدريب تدريجي يحول مولدات الفيديو ثنائية الاتجاه إلى نماذج عالم فعالة ومنخفضة زمن الاستجابة وقليلة الخطوات، قادرة على محاذاة عناصر التحكم في الألعاب المنفصلة والمستمرة بدقة مع توليد الفيديو، محققاً أداءً هو الأفضل في فئته من حيث الجودة ودقة التحكم من خلال تقنيات مثل تقطير الاتساق السببي وبروتوكول النشر ثنائي المسار مع تحسين وقت إعادة التشغيل.

المؤلفون الأصليون: Xinye Li, Lingshuai Lin, Lei Wang, Liuzhou Zhang, Jialin Cui, Qingshan Li, Guanchu Wang, Qingbin Liu, Xi Chen, Jiang Bian, Wai Lam

نُشر 2026-08-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xinye Li, Lingshuai Lin, Lei Wang, Liuzhou Zhang, Jialin Cui, Qingshan Li, Guanchu Wang, Qingbin Liu, Xi Chen, Jiang Bian, Wai Lam

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 عالماً لا يكتفي فيه حاسوبك بمشاهدة فيلم، بل يلعب اللعبة الموجودة بداخله بالفعل، متوقعاً بدقة ما سيحدث تالياً بناءً على الأزرار التي تضغطها. هذا هو مجال نماذج عوالم الفيديو (video world models)، وهو فرع من فروع الذكاء الاصطناعي يحاول محاكاة الواقع. فكر في الأمر كأنه قاصّ ذكي جداً قرأ كل كتاب في المكتبة ويمكنه تخيل الفصل التالي فوراً. عادةً ما يكون هؤلاء القاصّون بارعين في كتابة قصص طويلة ومفصلة، لكنهم بطيئون. إذا كنت تريد لعب لعبة فيديو في الوقت الفعلي، فأنت بحاجة إلى قاصّ يمكنه همس الجملة التالية فوراً، وإلا ستتوقف اللعبة وتتعرض للتأخر (lag). التحدي يكمن في أن جعل هذه النماذج سريعة غالباً ما يجعلها خرقاء؛ فقد تنسى ما أخبرتها به للتو أو تخطئ في اتجاه شخصيتك. تعالج هذه الورقة البحثية المشكلة المعقدة المتمثلة في تعليم الذكاء الاصطناعي كيف يكون سريعاً كالبرق ومطيعاً تماماً لضوابطك في آن واحد، مع الحفاظ على مظهر الفيديو حاداً وواقعياً.

إليك ForgeWM، وهو إطار عمل جديد يعمل مثل رئيس طهاة يدرب فريقاً من مساعدي الطهاة لطهي نفس الوجبة اللذيذة في أوقات مختلفة. بدأ الباحثون بنموذج ذكاء اصطناعي قوي وبطيء الحركة يمكنه توليد الفيديو في أي اتجاه (بالنظر للأمام أو للخلف عبر الزمن). كان هدفهم هو تحويله إلى نموذج "بضع خطوات" (few-step model) — وهو نموذج يمكنه توليد الثواني القليلة القادمة من الفيديو في خطوة واحدة أو اثنتين أو أربع خطوات سريعة بدلاً من عملية طويلة وبطيئة. وقد وجدوا أن مجرد تسريع النموذج لم ينجح لأن الذكاء الاصطناعي كان يرتبك بسبب أخطائه أثناء محاولته التنبؤ بالمستقبل.

ولحل هذه المشكلة، طور الفريق وصفة تدريب مكونة من أربع مراحل. أولاً، علموا النموذج أساسيات عالم اللعبة. ثم أجبروه على تعلم كيفية التحرك للأمام عبر الزمن باستخدام أمثلة نظيفة ومثالية فقط (مثل طالب ينسخ خط معلم مثالي). بعد ذلك، جعلوا النموذج يتدرب بمفرده، ولكن مع وجود شبكة أمان تصحح أخطاءه فوراً. وأخيراً، تركوا النموذج ينطلق بحرية في لعبة محاكية، ليعلمه مطابقة التوزيع الحقيقي لكيفية سير اللعبة فعلياً. والنتيجة هي مجموعة من "الطلاب" المتخصصين: نموذج الخطوة الواحدة لاستجابات فورية وزمن انتقال منخفض، ونموذج الخطوتين لتحقيق توازن بين السرعة والجودة، ونموذج الأربع خطوات للحصول على دقة بصرية أعلى.

تظهر الورقة أن هذه النماذج تعمل بشكل رائع للغاية. في الاختبارات باستخدام لعبة ماين كرافت (Minecraft)، استطاع نموذج الخطوة الواحدة توليد فيديو بسرعة 72.10 إطاراً في الثانية (FPS)، وهي سرعة كافية للعب سلس في الوقت الفعلي، مع فهم أوامر لوحة المفاتح والماوس بدقة عالية. أما نموذج الأربع خطوات فقد أنتج جودة بصرية أفضل، متفوقاً على الأنظمة الرائدة الأخرى في مدى مطابقته للحركة المقصودة وعناصر التحكم. ومن المثير للاهتمام أن الباحثين اكتشفوا أنك لست بحاجة دائماً لإعادة تدريب النموذج للحصول على جودة أفضل. فقد قدموا حيلة "تحسين وقت إعادة التشغيل" (Replay-Time Refinement): إذا سجلت جلسة لعب سريعة بخطوة واحدة، يمكنك لاحقاً أخذ ذلك الفيديو المسجل و"إعادة تشويشه" (re-noise)، أي الطلب من نفس النموذج تنظيفه وإضافة تفاصيل إليه دون تغيير المسار الذي سلكته. هذا الفيديو المحسّن بدا جيداً تقريباً كما لو أن النموذج قد اتخذ أربع خطوات لتوليده من الصفر، لكنه حافظ على نفس وجهة النظر وتخطيط المشهد الذي عشته تماماً.

كما أظهر الفريق أن طريقة التدريب هذه ليست مقتصرة على ماين كرافت فقط. فقد طبقوا نفس الوصفة على ألعاب التصويب من منظور الشخص الأول (FPS) التي يتم التحكم فيها عبر وحدة تحكم الألعاب (gamepad)، مما أدى لإنشاء نموذج يسمى ForgeWM-CrossFPS نجح في توليد فيديو لألعاب مثل Halo Infinite و Modern Warfare. وبينما تشير الورقة إلى أن هذه النماذج لا تزال تظهر بعض التراجع عبر فترات طويلة جداً (مثل فقدان هيكل الكتل بعد 22 ثانية)، فإن النتائج تشير إلى أن ForgeWM يوفر طريقة قوية ومرنة لبناء نماذج عوالم فيديو تكون قابلة للتحكم وسريعة في آن واحد. ويقترح المؤلفون أنه من خلال فصل الحاجة إلى الاستجابة الفورية عن الحاجة إلى المرئيات عالية الجودة، يمكننا الحصول على أفضل ما في العالمين في الذكاء الاصطناعي التفاعلي.

أبحاث مشابهة