چین با کمک هوش مصنوعی، جهان‌های سه‌بعدی بی‌انتها می‌سازد؛ تنها با یک دستور متنی
پیشرفتی تازه در حوزه هوش مصنوعی، امکان ساخت جهان‌های سه‌بعدی بی‌انتها را تنها با استفاده از متن فراهم کرده است. این دستاورد می‌تواند به حل مشکل کمبود حجم عظیم داده‌های موردنیاز برای آموزش هوش مصنوعی کمک کند و راه را برای ورود دستگاه‌های هوشمند به مرحله‌ای تازه هموار سازد.
توسعه هوش مصنوعی در سال‌های گذشته عمدتاً بر افزایش تعداد پارامترهای مدل‌ها، حجم متون، تصاویر و قالب‌های مختلف رسانه‌ای متمرکز بوده است. اما تولید و درک فضا در مقیاس جهانی همچنان حوزه‌ای کمتر کاوش‌شده باقی مانده بود.
اکنون پژوهش تازه‌ای از گروه علمی پروفسور شی ژن‌وی و پروفسور زو ژنگ‌شیا در دانشگاه هوانوردی و فضانوردی پکن، این مانع را پشت سر گذاشته است.
این پژوهش با عنوان MetaEarth3D در مخزن علمی arXiv منتشر شده و پذیرش رسمی مجله معتبر National Science Review را نیز دریافت کرده است. بر اساس گزارش پژوهش، این نخستین بار است که هوش مصنوعی می‌تواند صرفاً با اتکا به داده‌های سنجش از دور، صحنه‌های سه‌بعدی کامل در مقیاس جهانی تولید کند.
ویژگی چشمگیر این مدل آن است که کاربر تنها باید یک جمله توصیفی کوتاه وارد کند یا تصویری ماهواره‌ای در اختیار آن بگذارد. سامانه می‌تواند بلافاصله جهانی سه‌بعدی، پیوسته و با قابلیت گسترش نامحدود ایجاد کند؛ جهانی که از عوارض طبیعی گسترده مانند کوهستان‌ها، بیابان‌ها و خطوط ساحلی تا شهرهای متوسط و بلوک‌های شهری پیچیده را در بر می‌گیرد.
این محیط مصنوعی صرفاً بازنمایی بصری نیست، بلکه ویژگی‌های مکانی و فیزیکی، از جمله ارتفاع واقعی و فاصله‌ها، را نیز در خود جای می‌دهد.
هنگامی که از این داده‌های شبیه‌سازی‌شده برای آموزش آزمایشی سامانه‌های هوش مصنوعی کنترل‌کننده پهپادهای پرواز در ارتفاع پایین استفاده شد، توانایی درک فضایی این سامانه‌ها به‌طور میانگین ۲۲٫۸۵ درصد افزایش یافت.
ممکن است بسیاری این فناوری را با پلتفرم شناخته‌شده Google Earth اشتباه بگیرند، اما پژوهشگران تأکید می‌کنند که این دو سامانه از نظر فنی مسیرهایی کاملاً متفاوت را دنبال می‌کنند.
Google Earth در اصل مخزنی عظیم از داده‌هاست. در این سامانه، جهان واقعی از پیش و با استفاده از عکس‌برداری هوایی و ماهواره‌های سنجش از دور گردآوری می‌شود و سپس به شکل شبکه‌ای از مثلث‌ها یا ابرنقاط بازسازی و ذخیره می‌شود.
هنگامی که کاربر محتوایی را مشاهده می‌کند، سامانه داده‌های موجود را بازیابی و نمایش می‌دهد. این فرایند به آماده‌سازی بسیار پیچیده و هزینه‌های هنگفت نیاز دارد.
در مقابل، MetaEarth3D به‌طور کامل بر شبکه‌های عصبی مصنوعی متکی است. این مدل جهان‌های موجود را بازتولید نمی‌کند، بلکه محیط‌هایی کاملاً جدید می‌سازد؛ فضاهایی که پیش‌تر وجود نداشته‌اند، اما از نظر آماری با الگوهای واقعی زمین در زمینه‌هایی مانند شکل عوارض طبیعی، ارتفاع و توزیع ویژگی‌های بصری مطابقت دارند.
برای دستیابی به این نتیجه، گروه پژوهشی ناچار بود مشکل دشوار کمبود داده‌های سه‌بعدی از جهان واقعی را حل کند.
پژوهشگران به‌جای استفاده از روش پرهزینه گردآوری مجموعه‌داده‌های حاصل از اسکن سه‌بعدی فضاها، روشی را به کار گرفتند که صحنه‌های سه‌بعدی را به سیگنال‌های نظارتی استخراج‌شده از تصاویر دوبعدی تبدیل می‌کند. این روش از پایگاه داده‌ای جهانی شامل حدود ۱۰ میلیون تصویر، همراه با چارچوبی برای جابه‌جایی احتمالاتی با توزیع مجانبی، بهره می‌برد.
MetaEarth3D با وجود برخورداری از ۴٫۶ میلیارد پارامتر، از توان محاسباتی به‌شکلی قابل‌توجه بهره می‌گیرد. این سامانه تنها با یک کارت گرافیک معمولی NVIDIA RTX 3090 می‌تواند در حدود دو ساعت، یک منطقه شهری به مساحت حداکثر ۱۷ کیلومتر مربع تولید کند.
خروجی مدل در قالبی سه‌بعدی و مشخص ارائه می‌شود و به همین دلیل می‌توان آن را مستقیماً در نرم‌افزارهای گرافیکی مانند UE یا Unity به کار گرفت. این ویژگی از بروز ناهماهنگی‌های مکانی دوربردی جلوگیری می‌کند که اغلب در مدل‌های متداول تولید ویدئو دیده می‌شود.
توانایی تولید و دست‌کاری محیط‌های مکانی، فرصت‌های ارزشمندی برای استفاده در پهپادها، خودروهای خودران و ربات‌های هوشمند فراهم می‌کند.
یکی از مهم‌ترین کاربردهای این فناوری، امکان تولید سناریوهای موسوم به «قوی سیاه» است؛ رویدادهایی که در دنیای واقعی بسیار نادرند، اما ممکن است پیامدهای ویرانگری داشته باشند. این قابلیت به ماشین‌های خودکار اجازه می‌دهد چنین موقعیت‌هایی را در محیط شبیه‌سازی‌شده تمرین کنند و برای مواجهه با رویدادهای بحرانی آمادگی بیشتری به دست آورند.
با این حال، MetaEarth3D همچنان با محدودیت‌هایی روبه‌روست. تصاویر فعلی فقط وضعیت محیط را در یک مقطع زمانی مشخص ثبت می‌کنند و تغییرات آن در طول زمان و فصل‌های مختلف را نشان نمی‌دهند. افزون بر این، سامانه تنها طیف نور مرئی را شبیه‌سازی می‌کند و هنوز داده‌های لیدار یا فروسرخ حرارتی را در فرایند خود ادغام نکرده است. با وجود این کاستی‌ها، این مدل گامی مهم در تاریخ توسعه این فناوری به شمار می‌رود.
هوش مصنوعی دیگر صرفاً ابزاری برای تولید محتوای متعارف نیست، بلکه در حال تبدیل شدن به زیرساختی بنیادی برای تولید داده است؛ زیرساختی که جهانی دیجیتال و بی‌انتها را برای پشتیبانی از تکامل فناوری‌های آینده در دسترس قرار می‌دهد.