صورة واحدة، عالم قابل للتجول: InSpatio-World 1.5 يحوّل الصور إلى فضاءات

معظم نماذج الصور والفيديو تمنحك إطارًا ثابتًا أو مقطعًا ثابتًا. تنظر إلى ما قرر النموذج أن يعرضه لك. أصدرت شركة صينية تدعى InSpatio هذا الشهر نموذجًا يأخذ صورة واحدة، أو بانوراما، أو فيديو موجودًا، ويحوّلها إلى فضاء يمكنك التحرك فيه.

أُطلق InSpatio-World 1.5 في كرنفال شنغهاي الدولي للفنون السمعية والبصرية في أواخر سبتمبر، وفتحت الشركة شيفرتها المصدرية بموجب رخصة Apache 2.0. الفيديو التجريبي هو أوضح شرح لما هو مختلف. يبدأ داخل الممر المسقّف لقصر صيني. تندفع الكاميرا إلى الأمام، وتمرّ بدرابزين ومجموعة من الدرجات، ثم تنعطف إلى فناء. تأتي الأجنحة التي كانت مخفية خلف الأعمدة إلى المشهد مع تحرّك زاوية الرؤية. ما أنتجه النموذج هو فضاء يستمر في العرض أثناء استمرارك في استكشافه، بدلًا من مقطع بمسار كاميرا مختار.

ثلاثة أشياء تغيّرت في هذا الإصدار

الأول هو ما يقبله النموذج كمدخل. كانت نماذج العالم السابقة تريد في الغالب صورة واحدة. الإصدار 1.5 يأخذ صورة واحدة، أو مجموعة صور، أو بانوراما، أو فيديو. هذا مهم لأنه يحدد نقطة الدخول. الصورة الواحدة نقطة انطلاق بمستوى المستهلك. أما مجموعات الصور المتعددة والفيديو الموجود فهي ما يمتلكه فريق سينمائي أو إعلاني بالفعل، وقبولها يوسّع من يمكنه استخدام الأداة.

الثاني هو الاستكشاف في الوقت الفعلي. بمجرد دخولك الفضاء المولّد، يمكنك مواصلة تحريك زاوية الرؤية، والالتفاف حول الحواجز، والوصول إلى مناطق لم تكن في الإطار الأولي. في كل مرة تتغير زاوية الرؤية، على النموذج أن يملأ أجزاء المشهد التي كانت غير مرئية سابقًا، وأن يفعل ذلك بما يتسق مع ما رأيته بالفعل. هذه مشكلة أصعب من توليد مقطع ممتع، لأن النموذج يُطلب منه الحفاظ على نموذج ذهني لمكان بدلًا من سلسلة صور.

الثالث هو الاتساق الزمكاني، وهو الخط الفاصل الحقيقي بين نموذج العالم ومولّد الفيديو. إذا غادرت الكاميرا غرفة ثم عادت، فلا ينبغي أن تكون الغرفة قد أعادت ترتيب نفسها. تقول InSpatio إنها عزّزت هذا في الإصدار 1.5 لدعم مسارات استكشاف أطول ومشاهد أكثر تعقيدًا، ويعتمد العرض التجريبي على هذا الادعاء عبر إعادة زيارة مناطق من زوايا جديدة مرارًا وتكرارًا.

الأرقام وراء العرض التجريبي

تصف InSpatio النموذج بأنه مُدمج، بـ 1.3 مليار معامل، وتُبلغ عن نتيجة 68.72 على WorldScore-Dynamic، وتقول إنه يحتل المرتبة الأولى بين الأساليب التفاعلية في الوقت الفعلي التي جرى تقييمها، بسرعة تصل إلى 24 إطارًا في الثانية. هذه أرقام الشركة نفسها، وإعادة الإنتاج المستقلة لا تزال ضئيلة، لذا تعامل معها كنقطة بداية لا كنتيجة مستقرة.

يتضمن النهج التقني بضعة أجزاء متحركة تستحق التسمية. بالنسبة لمدخلات الفيديو، تستخدم خط الأنابيب Depth Anything 3 لتقدير العمق المفقود ومعاملات الكاميرا الداخلية والخارجية لكل إطار، وهذا ما يتيح إعادة بناء مشهد من لقطات لم تُصوَّر كالتقاط ثلاثي الأبعاد. وعملية انحدارية ذاتية زمكانية هي ما يحافظ على حالة عالم مستمرة مع تغيّر المنظر، بدلًا من إعادة توليد المشهد من الصفر في كل مرة.

أين يثبت المشهد القابل للتجول جدواه

الاستخدام الأكثر مباشرة هو الذي يشير إليه العرض التجريبي. في السينما والإعلان، عادةً ما يُثبَّت موضع الكاميرا لحظة التصوير. إذا أردت زاوية أخرى، تعيد التصوير، وإعادة التصوير مكلفة. يتيح نموذج العالم للفريق مواصلة البحث عن مواضع كاميرا بعد الحدث، واستخراج تغطية من لقطات موجودة بالفعل. وتشير InSpatio إلى تأثير الرصاصة (bullet-time) الإعلاني كمثال مباشر: فبدلًا من مزامنة منصة كاميرات حول هدف، تُدخل مجموعة صور وتصمم مسار كاميرا جديدًا حول الهدف نفسه.

الاستخدام الثاني هو بيانات التدريب للروبوتات. إحدى المشكلات في الذكاء الاصطناعي المُجسَّد هي أن معظم الفيديو الذي يوفره الإنترنت مصوَّر بمنظور الشخص الثالث، بينما يرى الروبوت العالم بمنظور الشخص الأول. تقول InSpatio إن النموذج يمكنه أخذ لقطات بمنظور الشخص الثالث لعملية ما والتنبؤ بمنظر بمنظور الشخص الأول أقرب إلى ما سيدركه الروبوت، ويمكنه إعادة ملاحظة العملية نفسها من اتجاهات مختلفة مع تغيّر علاقات الحجب. إذا نجح ذلك على نطاق واسع، فهو طريقة لتحويل الفيديو المتاح إلى مادة تدريبية للروبوتات دون تصوير لقطات جديدة لكل بيئة.

وإلى جانب ذلك، تشير الشركة إلى السياحة والتجارب الثقافية، والتوائم الرقمية والمحاكاة الصناعية، وهي المجالات التي يكون فيها فضاء يتصرف كفضاء أكثر فائدة من صورة تبدو كأنها كذلك.

سباق مزدحم، بتعريفات مختلفة للفوز

ليست InSpatio وحدها في السعي وراء هذا، والنهج المتنافسة تختلف حول الغرض من نموذج العالم أصلًا. بعض المختبرات تُحسّن المخرجات السينمائية، فتولّد دقيقة متسقة بشكل جميل من اللقطات بحركة كاميرا سردية واحدة. وآخرون يسعون وراء التفاعلية، فيعطون الأولوية للقدرة على التحرك بحرية وأن يستجيب المشهد دون مسار ثابت. وثمة معسكر ثالث، أقرب إلى الألعاب، يريد محركات فورية تحتفظ بعالم في الذاكرة كمكان قابل للتنقل.

هذه الأهداف تسحب في اتجاهات مختلفة. نموذج العالم المضبوط على الجودة السينمائية يمكنه أن ينفق الحوسبة على تسلسل محدد مسبقًا ويجعل كل إطار يبدو صحيحًا. أما المضبوط على التفاعل فعليه أن يعرض ما ينظر إليه المستخدم بعد ذلك، وهذا يدفع نحو السرعة ونحو ذاكرة للمشهد تصمد أمام الحركة العشوائية. من الواضح أن InSpatio-World 1.5 في المعسكر التفاعلي، واختياره نموذجًا صغيرًا بـ 1.3 مليار معامل رهان على أن البقاء في الوقت الفعلي أهم من الفوز في مسابقة جمال الإطار الثابت.

المقارنة المهمة للمشترين هي مع الأنظمة الأخرى القابلة للتنقل، وهنا المجال مبكر بما يكفي لأن معظم الادعاءات ذاتية الإبلاغ. يحاول معيار مثل WorldScore-Dynamic وضع رقم على الجزء الزلق، وهو ما إذا كان العالم يبقى متسقًا أثناء تحركك فيه، لكن المعيار لا يقيس إلا ما اختار مصمموه قياسه. الاتساق عبر استكشاف طويل، والأمانة للصورة الأصلية، ومعدل الإطارات، كلها تسحب ضد بعضها البعض، وكل نظام سيختار مقايضات مختلفة.

هذا هو السبب الحقيقي لمتابعة الإصدار المفتوح. عندما يختبر عشرات الباحثين النموذج تحت الضغط بمدخلاتهم الخاصة، ستكون صورة نقاط ثباته ونقاط انكساره أكثر فائدة بكثير من عرض الإطلاق، وستتيح لبقية المجال مقارنة النهج على أرضية مشتركة بدلًا من مقاطع أبرز اللحظات المتنافسة.

لماذا المصدر المفتوح هو الاستراتيجية، لا التنازل

أصدرت InSpatio الشيفرة إلى جانب النموذج، وتشوّق بإصدار جديد Topos-Pro 1.0 للاختبار بدعوة. والمنطق هو نفسه الذي يظهر في مجال الذكاء المكاني: التطبيقات المفيدة موزعة على السينما والسياحة والروبوتات والتوائم الرقمية، ولا يمكن لشركة واحدة تغطيتها جميعًا. نشر القدرة الأساسية يتيح للباحثين التحقق من الحدود، ويمكّن الشركاء من بناء الطبقة الرأسية فوقها. إنها طريقة لتكون الطابق الأرضي بدلًا من المبنى بأكمله.

الخطر هو المعتاد مع إصدار مفتوح مبكر. العرض التجريبي مثير للإعجاب والمعيار ذاتي الإبلاغ، والفجوة بين عرض تجريبي محكوم وأداة تصمد أمام مدخلات واقعية فوضوية غالبًا واسعة. ستظهر الأشهر القليلة المقبلة، مع حصول الباحثين والمبدعين المستقلين على الشيفرة، أي أجزاء من الوعد تنجو من التلامس مع بيانات الآخرين.