Wan 2.2 Animate يضع التقاط الحركة على وحدة معالجة رسومات استهلاكية واحدة

أطلق فريق Tongyi Wanxiang التابع لـ علي بابا نموذج Wan2.2-Animate-14B مفتوح المصدر، وهو نموذج فيديو يوحد تحريك الشخصيات واستبدالها في مجموعة واحدة من الأوزان. سير العمل مباشر: أدخل مقطع فيديو وصورة شخصية، واحصل على فيديو جديد تؤدي فيه تلك الشخصية الحركة الأصلية.

الادعاء العملي هو ما يهم. يعمل النموذج على أجهزة استهلاكية. تولّد بطاقة RTX 4090 رسومًا متحركة بدقة 720p مدتها خمس ثوانٍ في نحو تسع دقائق، والحد الأدنى لذاكرة VRAM هو 8 جيجابايت. ويُصدر بموجب ترخيص Apache 2.0، ما يعني السماح بالاستخدام التجاري.

المشكلة التي يعالجها

تخيل بائعًا صغيرًا في التجارة الإلكترونية لديه صورة واحدة معدّلة بالريتوش لعارضة أزياء ترتدي فستان هانفو، ويريد أن ترقص هذه الصورة أمام الكاميرا لصفحة منتج. البدائل محدودة. استئجار معدات التقاط الحركة خارج الميزانية. الدفع لمنصة فيديو تجارية يكلف أكثر من عشرة يوانات لكل توليد، لذا فإن دستة محاولات لضبط الحركة تصل إلى المئات. أما الخيارات مفتوحة المصدر فكانت تاريخيًا تقف عند حدود 480p، وتستغرق نصف ساعة لكل محاولة، وتتعطل على البطاقات الأضعف.

تلك الفجوة بين ما يمكن للتقنية فعله وما يستطيع منشئ فردي تحمّل تكلفة تشغيله هي الفجوة المحددة التي يستهدفها Wan 2.2 Animate. لا يتفوق النموذج على أفضل الأنظمة التجارية في الجودة. بل يتفوق عليها في المزيج من الجودة والتكلفة والوصول الذي يحتاجه فعليًا فرد يعمل بمفرده.

يستحق الأمر الدقة في تفسير صعوبة تحقيق ذلك المزيج. عادةً ما تتدرج الجودة مع عدد المعاملات، وتتدرج المعاملات مع ذاكرة VRAM، وتتدرج VRAM مع السعر. والوصول بنموذج إلى مستوى جودة قابل للاستخدام على ذاكرة سعتها 8 جيجابايت يتطلب عملًا لا علاقة له بالقدرة الخام، ولهذا تميل هذه الإصدارات إلى أن تأتي من فرق مستعدة للاستثمار في هندسة الاستدلال وليس في التدريب فقط.

مجموعة أوزان واحدة، مهمتان

يبدو التحريك والاستبدال كمهمة واحدة، وهما يتشاركان معظم آلياتهما. في التحريك، توفر المؤدي والحركة. في الاستبدال، توفر الشخصية، بينما يحتوي المشهد مسبقًا على مؤدٍّ تريد نقل حركته إليه. توحيدهما يعني تنزيلًا واحدًا وسير عمل واحدًا بدلًا من نموذجين متخصصين، ما يقلل عبء الإعداد ومساحة التخزين لأي شخص يجرب.

يتعامل النموذج مع نقل الحركة واستبدال الشخصيات عبر مجموعة الأوزان نفسها، وهذه هي النتيجة الهندسية الأكثر إثارة للاهتمام. كان تقسيمهما إلى نموذجين منفصلين هو المعمارية البديهية، وكون نموذج واحد يغطيهما معًا يشير إلى أن التمثيل الكامن للحركة مشترك وليس خاصًا بمهمة بعينها.

لهذا التمييز عواقب لاحقة على الطريقة التي سيستخدم بها الناس الأداة فعليًا. يتيح استبدال الشخصيات للعلامة التجارية وضع العارضة الافتراضية نفسها في مشاهد مختلفة كثيرة دون إعادة تصوير، وهو سير العمل الذي ظل بائعو التجارة الإلكترونية يطالبون به منذ أن بدأت نماذج الذكاء الاصطناعي تنتج وجوهًا مقنعة. ويتيح نقل الحركة لمنشئ لديه لقطة جيدة واحدة إعادة استخدامها عبر شخصيات مختلفة بدلًا من أداء الحركة مرة أخرى. كلاهما رهان على الكفاءة، وكلاهما يعتمد على ألا يتعامل النموذج مع الحركة كخاصية للشخصية المحددة التي طُبقت عليها.

ماذا يعني تغيير التسعير فعليًا

الرقم الذي يعيد تأطير الأمر هو رقم سيلاحظه البائع في المثال فورًا. مقطع مدته خمس ثوانٍ على منصة تجارية يكلف أكثر من عشرة يوانات. وعلى بطاقة 4090، يكلف المقطع نفسه الكهرباء وتسع دقائق من الوقت. تنخفض التكلفة الحدية لإعادة المحاولة إلى ما يقارب الصفر، وإعادة المحاولة هي وسيلتك للحصول على نتيجة قابلة للاستخدام من أي نموذج فيديو توليدي. فالتوليد الأول قلّما يكون هو ما تحتفظ به.

يغيّر هذا التحول سير العمل بقدر ما يغيّر الميزانية. عندما تكلف كل محاولة مالًا حقيقيًا، يقدّم المنشئون هندسة الأوامر النصية إلى المقدمة ويقبلون بما يقترب من المطلوب. وعندما تكون المحاولات مجانية، يكررون. غالبًا ما تكون جودة المخرجات النهائية مرتبطة بعدد المرات التي كان المرء مستعدًا للمحاولة فيها أكثر من ارتباطها بالنتيجة القياسية الرئيسية للنموذج.

القيود الصادقة

تأتي نماذج الفيديو مفتوحة الأوزان بقيود حقيقية. يحتاج Wan 2.2 Animate إلى بطاقة رسومات جيدة ليكون عمليًا. تسع دقائق لخمس ثوانٍ مقبولة لصفحة منتج ومؤلمة لأي شيء أطول. ومن يخطط لتسلسل أطول عليه أن يضع في ميزانيته إما بطاقة أقوى أو دفعة تشغيل ليلية.

الأدلة المتاحة هي في معظمها عروض توضيحية من الشركة المصنعة والمجتمع، ما يعني أن الجودة في الحركات غير المعتادة والانسدادات والإضاءة غير المعتادة أقل إثباتًا مما توحي به مقاطع العرض. تميل حالات فشل نقل الحركة إلى التمركز حول الأيدي والحركة السريعة وأي شيء له ظل معقد. فتنورة راقصة تتحرك أثناء الدوران أصعب مما تبدو، ونادرًا ما تبدأ مقاطع العرض باللقطات التي سارت خطأ. وعلى أي شخص يبني خط إنتاج أن يختبر على مقاطع الفيديو الخاصة به قبل الالتزام.

هناك أيضًا بُعد الموافقة الذي تميل النماذج المفتوحة إلى تركه للمستخدم. يسهّل استبدال الشخصيات وضع وجه على أداء لم يقدّمه ذلك الشخص، والأدوات لا تسأل عما إذا كانت لديك إذن. فالترخيص يسمح بالاستخدام التجاري، وهذا ليس مماثلًا للسماح باستخدام صورة شخص ما.

يقع هذا الإصدار أيضًا ضمن سوق تراخيص أصبح متغيرًا تنافسيًا. فترخيص Apache 2.0 دون استثناءات إقليمية يضع Wan 2.2 Animate في الطرف المتساهل، وهذا مهم للمطورين الذين تضرروا من إصدارات مفتوحة تستبعد مناطق بأكملها. فقد صدرت عدة نماذج فيديو مفتوحة حديثة بتراخيص تستبعد الولايات المتحدة أو الاتحاد الأوروبي أو المملكة المتحدة أو كوريا الجنوبية، ما يحوّل خيارًا تقنيًا إلى قرار تقسيم للسوق. والترخيص غير المقيّد حقًا أصبح الآن عامل تمييز يستحق الذكر.

هناك سؤال صيانة تميل إصدارات الأوزان المفتوحة إلى تجاهله. فالأوزان التي لا يقف خلفها فريق مستمر تشيخ سريعًا، خصوصًا في توليد الفيديو حيث تتقدم أحدث التقنيات شهريًا. المخرجات المبكرة على مستوى التجميع في المجتمع جيدة. أما ما إذا كانت ستبقى الخيار الأفضل بعد ستة أشهر فيعتمد على ما إذا كان فريق Tongyi Wanxiang سيستمر في إصدار التحديثات، وهذا شيء لا يمكن لمنشور إصدار أن يعد به.

إلى أين يتجه هذا

الشيء المثير للاهتمام في التقاط الحركة الرخيص هو ما يتيحه خارج نطاق الترفيه. فعلامة تجارية صغيرة لم تكن تستطيع أبدًا تحمّل تكلفة تصوير إنتاجي يمكنها الآن بناء مكتبة من عروض المنتجات. ويستطيع معلم تحريك رسم توضيحي. ويستطيع استوديو ألعاب عمل نموذج أولي لحركة شخصية دون منصة التقاط. كل حالة من هذه الحالات كانت التقنية متاحة فيها نظريًا منذ سنوات وغير متاحة عمليًا بسبب التكلفة وتعقيد الإعداد.

تحل الأداة محل حالة عدم وجود أي خيار على الإطلاق، وهي الحالة التي يوجد فيها معظم المنشئين الأفراد فعليًا، بدلًا من التقاط الحركة الاحترافي. الفجوة بين خط إنتاج احترافي ولا شيء هائلة، وسدّها بنموذج مفتوح يعمل على بطاقة ألعاب هو تغيير في اقتصاد المنشئين أكبر مما سيكون عليه تحسين آخر في النتائج القياسية.