در دنیای پرشتاب هوش مصنوعی، گاهی اوقات شرکتهای کوچکتر با تمرکز و نوآوری میتوانند غولهای صنعت را به چالش بکشند. استارتاپ Runway که در سال 2018 تأسیس شده، این روزها با معرفی مدل ویدیوساز Gen-4.5، نشان داده که حجم تیم یا بودجه تنها عامل موفقیت نیست. این مدل جدید که با نامهای رمز "Whisper Thunder" و داخلی "David" شناخته میشد، نه تنها توانسته رقبای سنگینوزن خود را کنار بزند، بلکه استانداردهای جدیدی در کیفیت تولید ویدیو توسط هوش مصنوعی تعریف کرده است.
مدل Gen-4.5 در درک پرامپتهای پیچیده، شبیهسازی فیزیک واقعی و تولید جزئیات بصری عملکرد استثنایی از خود نشان میدهد. به نظر میرسد این مدل توانایی منحصربهفردی در اجرای دستورالعملهای پیچیده و توالیدار دارد. بهعبارتدیگر، کاربران میتوانند حرکات دوربین پیچیده، ترکیببندیهای دقیق صحنه و زمانبندی دقیق رویدادها را در پرامپتهای خود تعریف کنند و انتظار داشته باشند که مدل این جزئیات را بهدرستی اجرا کند. در واقع، این سطح از کنترل و دقت، چیزی است که تا همین اواخر فقط در اختیار متخصصان تدوین ویدیو و استودیوهای بزرگ بود.
مجله تخصصی هوش مصنوعی آرتین در بررسی این مدل متوجه شد که یکی از نقاط قوت Gen-4.5 توانایی آن در فهم قوانین فیزیک است. اشیا با وزن و مومنتوم واقعگرایانه حرکت میکنند و سطوح دقیقاً مانند دنیای واقعی رفتار میکنند. اما جالبتر اینجاست که مدل همچنین میتواند بهصورت عمدی قوانین فیزیک را نادیده بگیرد، که این ویژگی برای تولید محتوای خلاقانه و سورئال بسیار ارزشمند است. با این حال، آیا این یعنی مدل کامل است؟ پاسخ منفی است.
Runway بهصراحت اعلام کرده که مدل هنوز با مشکلاتی نظیر استمرار اشیا و استدلال علّی دستوپنجه نرم میکند. بهعنوان مثال، گاهی اوقات ممکن است درها قبل از اینکه کسی دستگیره را فشار دهد باز شوند، یا اشیا بهطور غیرمنتظرهای از فریمها ناپدید یا ظاهر شوند. این محدودیتها بهویژه در زمینه مدلهای جهان (world models) اهمیت دارند، جایی که سیستم باید بتواند نتایج اقدامات انجامشده در محیط را بهدقت نمایش دهد.
از نظر فنی، Gen-4.5 بهطور کامل بر روی پردازندههای گرافیکی NVIDIA از سری Hopper و Blackwell توسعه یافته است. این همکاری نزدیک با NVIDIA به Runway اجازه داده تا مدلهای difuzion ویدیو را از نظر کارایی آموزش تا سرعت استنتاج بهینهسازی کند. ارزش این شرکت طبق برآورد PitchBook به 3.55 میلیارد دلار رسیده است. سرمایهگذاران Runway شامل General Atlantic، Baillie Gifford، Nvidia و Salesforce Ventures هستند.
رقابت در حوزه تولید ویدیو با هوش مصنوعی شدت گرفته است. گوگل تا همین اواخر با مدل Veo 3 در صدر جدول رتبهبندی قرار داشت، اما حالا توسط این استارتاپ نیویورکی پیشی گرفته شده است. OpenAI نیز با Sora 2 در این عرصه حضور دارد، اما در رتبهبندیهای فعلی جایگاه پایینتری نسبت به Gen-4.5 دارد. والنزوئلا در مصاحبه با CNBC تأکید کرد: «موفقیت شبانهای که هفت سال طول کشید. این لحظه بسیار جالبی است که عصر کارایی و تحقیق فرا رسیده است.»
Gen-4.5 بهصورت تدریجی در حال عرضه است و تا پایان هفته برای همه مشتریان Runway در دسترس خواهد بود. این مدل از طریق پلتفرم Runway، API آن و برخی شرکای شرکت قابل دسترسی است. والنزوئلا همچنین اشاره کرد که این تنها اولین انتشار بزرگ از چندین انتشار مهم است که این شرکت در برنامه دارد. هدف Runway اطمینان از این است که هوش مصنوعی توسط دو یا سه شرکت انحصاری نشود، و این شرکت همچنان به ساختن ابزارهایی خاص برای فیلمسازان و افراد خلاق ادامه میدهد.
استفاده از این مدل در تولیدات واقعی نیز چشمگیر است. پایگاه مشتریان Runway شامل آژانسهای تبلیغاتی، فیلمسازان و برندهای بزرگی مانند New Balance و Under Armour است، و ابزارهای این شرکت در برنامههایی مانند The Late Show With Stephen Colbert و پروژههای نامزد اسکار استفاده شده است. این نشان میدهد که فناوری تولید ویدیو با هوش مصنوعی از مرحله آزمایشی فراتر رفته و وارد جریان اصلی تولید محتوا شده است.
نکته جالب دیگر این است که مدل بهرغم پیشرفتهای چشمگیر، همچنان با محدودیتهایی روبهروست که برای توسعهدهندگان مدلهای جهان بسیار حائز اهمیت است. بهعنوان مثال، اقدامات در مدل بهطور نامتناسبی موفق میشوند - مثلاً یک ضربه پا با هدفگیری ضعیف همچنان به گل منجر میشود. این نوع «تعصب موفقیت» میتواند در کاربردهای شبیهسازی واقعی مشکلساز باشد.
مجله تخصصی هوش مصنوعی آرتین
🔗 وبسایت مجله آرتین
🔗 اینستاگرام: @ArtinMag
🔗 لینکدین: Artin Magazine
📌 اگر این مطلب برای شما مفید بود، آن را با دوستان خود به اشتراک بگذارید. نظرات و پیشنهادات خود را در بخش دیدگاهها با ما در میان بگذارید و با لایک کردن از ما حمایت کنید!
🔔 برای دریافت آخرین اخبار و مقالات تخصصی هوش مصنوعی، عضو کانال مجله آرتین شوید.
