مدل‌های زبانی بزرگ یاد گرفتند کلمه بعدی را پیش‌بینی کنند. مدل جهان (World Model) می‌کوشد لحظه بعدی را پیش‌بینی کند: صحنه چه شکلی خواهد داشت، اشیا چطور حرکت می‌کنند و جهان پس از یک عمل چه واکنشی نشان می‌دهد. سال‌ها این ایده بیشتر در مقاله‌ها و نمایش‌های شبیه بازی رایانه‌ای مانده بود. دو هفته از ۵ تا ۱۸ آبان ۱۴۰۵ (۲۷ اکتبر تا ۹ نوامبر ۲۰۲۶) این تصویر را تغییر داد. گوگل دیپ‌مایند پیش‌نمایش Genie 4 را معرفی کرد، انویدیا چهار چک‌پوینت شبیه‌سازی Cosmos 3 را با وزن‌های باز و مجوز استفاده تجاری منتشر کرد، World Labs استریم بلادرنگ مدل جهان Atlas را آغاز کرد، استارتاپ پکنی LiberAI یک «مدل جهان-عمل» را معرفی کرد که با بیش از ۲٫۲ میلیون ساعت تجربه انسانی آموزش دیده است، پژوهشگران اپل یک ربات انسان‌نمای Unitree G1 را که تقریباً به‌طور کامل در شبیه‌سازی آموزش دیده بود در خانه‌های واقعی آزمودند، و MIT و همکارانش یک ترنسفورمر واحد را نشان دادند که شن، سیال، پارچه و پروتئین را شبیه‌سازی می‌کند. برای هر کسی که ربات مستقر می‌کند یا ایجنت‌های هوش مصنوعی‌ای که در جهان فیزیکی عمل می‌کنند، پرسش دیگر این نیست که جهان‌های شبیه‌سازی‌شده اهمیت خواهند داشت یا نه؛ پرسش این است که امروز با اطمینان پشتوانه کدام تصمیم‌ها می‌توانند باشند.
مدل جهان به زبان ساده چیست
مدل جهان یک شبیه‌ساز آموخته‌شده است. با گرفتن وضعیت فعلی صحنه، یک عمل و گاهی یک متن راهنما (پرامپت)، مشاهده بعدی را تولید می‌کند: فریم ویدیو، عمق، داده لایدار یا موقعیت ذرات. به‌جای اینکه برنامه‌نویس قواعد فیزیک و رندر را بنویسد، مدل آن‌ها را از داده یاد می‌گیرد. این ویژگی آن را برای سه کار جذاب می‌کند: تولید داده آموزشی‌ای که جمع‌آوری‌اش گران است، آزمودن سیاست کنترلی یک ربات یا ایجنت در هزاران حالت مختلف پیش از تماس با تجهیزات واقعی، و کمک به برنامه‌ریزی سیستم از راه «تصور» اینکه بعد چه رخ می‌دهد.
محدودیت هم به همین سادگی است. شبیه‌ساز آموخته‌شده فقط به اندازه وفاداری‌اش به جهان واقعی مفید است و خطاها روی هم انباشته می‌شوند: فریمی که کمی اشتباه است، ورودی فریم بعدی می‌شود. این همان شکاف شبیه‌سازی تا واقعیت (Reality Gap) است که مهندسان رباتیک دهه‌ها با شبیه‌سازهای کلاسیک با آن جنگیده‌اند، این بار در شکلی تازه.
از اواخر اکتبر تا اوایل نوامبر ۲۰۲۶ چه اتفاقی افتاد
Genie 4: جهان‌های بلادرنگ که با زبان هدایت و با Gemini کنترل می‌شوند
گوگل دیپ‌مایند در ۵ آبان (۲۷ اکتبر) Genie 4 را معرفی کرد و آن را ذاتاً چندوجهی توصیف کرد: صدا، صدای محیط و گفت‌وگوی تعاملی را همراه با خود جهان تولید می‌کند. به گفته دیپ‌مایند، این مدل بر پایه Gemini Omni ساخته شده تا ظاهر و رفتار واقع‌گرایانه بماند و Gemini 3.8 Flash به‌عنوان ایجنت راهنما در حلقه کار می‌کند؛ صحنه را مشاهده می‌کند، هدف‌ها را به گام‌ها می‌شکند و فریم‌های ورودی را بررسی می‌کند تا موفقیت هر گام را تأیید کند. در یک آزمایش رباتیک، Gemini 4 Argon یک وظیفه را به گام‌هایی برای رندر در Genie 4 تقسیم کرد و ربات انسان‌نمای Apollo ساخت Apptronik را در حال بازی چکرز شبیه‌سازی کرد.
محدودیت‌ها صریح بیان شده‌اند. دیپ‌مایند می‌گوید جزئیات بصری و پایداری اشیا در جلسه‌های طولانی‌تر، پس از ویرایش‌های متعدد پرامپت یا هنگام حرکت در صحنه ممکن است جابه‌جا شوند و برهم‌کنش‌های فیزیکی پیچیده، دقت فضایی و سازگاری بلندمدت هنوز موضوع پژوهش‌اند. Genie 4 فعلاً پیش‌نمایشی پژوهشی برای آزمایش‌کنندگان مورد اعتماد است و دسترسی آن برای مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio برنامه‌ریزی شده است؛ همه ویدیوها و صداهای تولیدی واترمارک SynthID دارند. TechTarget یادآوری می‌کند که گوگل قیمت یا تاریخ عرضه‌ای اعلام نکرده و از تحلیلگرانی نقل می‌کند که هشدار می‌دهند جلسه‌ها دچار انحراف می‌شوند و فیزیک تقریبی است؛ بنابراین مدل امروز برای محیط‌های مهندسی که دقت می‌خواهند مناسب نیست.
Cosmos 3 انویدیا: چک‌پوینت‌های باز برای شبیه‌سازی ربات و رانندگی
انویدیا در ۱۴ آبان (۵ نوامبر) چهار چک‌پوینت با وزن‌های باز به خانواده Cosmos 3 افزود که هر کدام ۱۶ میلیارد پارامتر قابل‌آموزش دارند و با مجوز OpenMDW 1.1 منتشر شده‌اند که استفاده تجاری را طبق شرایطش مجاز می‌داند. Transfer-Auto ویدیوی هم‌زمان تا ۱۱ نمای دوربین را همراه با خروجی مشترک دوربین و لایدار برای داده رانندگی تولید می‌کند؛ Sim-Auto این مشاهده‌ها را برای شبیه‌سازی حلقه‌بسته رانندگی استریم می‌کند؛ Sim-Transfer کنترل‌های عمق، قطعه‌بندی یا لبه یک شبیه‌ساز فیزیکی را به ویدیوی واقع‌نما تبدیل می‌کند؛ و Sim-Bimanual ویدیو را از روی عمل‌های یک ربات دوبازو پیش‌بینی می‌کند و بدنه‌های YAM و AgiBot را پشتیبانی می‌کند.
دو نکته برای مدیران مهندسی برجسته است. نخست، انویدیا نقش‌ها را صریحاً جدا می‌کند: در Sim-Transfer «فیزیک و وضعیت واقعی در شبیه‌ساز می‌ماند» و مدل فقط ظاهر را می‌سازد. دوم، دستورالعمل آموزش آن با مرحله‌ای به نام «خودواداری» (Self-forcing) پایان می‌یابد، چون به توضیح شرکت، شیئی که کمی اشتباه پیش‌بینی شده زمینه فریم‌های بعدی می‌شود و خطاها انباشته می‌شوند. خود انویدیا می‌نویسد کار پیش رو سنجیدن این است که این مدل‌ها کجا به‌درستی از یادگیری و ارزیابی سیاست کنترلی پشتیبانی می‌کنند. وبلاگ فنی انویدیا جنبه عملی را هم اضافه می‌کند: کانتینرهای Cosmos NIM با رمزگشایی گمانه‌زنانه (Speculative Decoding) میانگین افزایش سرعتی حدود ۲ تا ۳ برابر روی GPUهای H200 گزارش می‌کنند و تولید با Cosmos3-Nano به ۵۸ گیگابایت حافظه GPU در BF16، ۴۴ گیگابایت در FP8 و ۳۱ گیگابایت با انتقال بخشی از حافظه (Offloading) نیاز دارد.
Atlas از World Labs: سرعت تعاملی شیوه استفاده از مدل را تغییر می‌دهد
World Labs هم در ۱۴ آبان (۵ نوامبر) Frameboy را منتشر کرد؛ پیش‌نمایشی پژوهشی که فریم‌های مدل جهان Atlas را با سرعت تا ۱۵ فریم در ثانیه به مرورگر استریم می‌کند، در حالی که کاربر دوربین را کنترل می‌کند. Atlas که دو ماه پیش‌تر معرفی شده بود، مدلی خودبازگشتی (Autoregressive) است که می‌تواند از یک تصویر یا چند نمای واقعی، صحنه‌ای قابل‌کاوش بسازد و World Labs ناوبری ربات را از کاربردهای آن می‌شمارد. شرکت صادقانه می‌گوید Frameboy باید روی یک سرور GPU قدرتمند ابری اجرا شود و «در مقایسه با روش‌های رندر محلی ارزان نیست».
Liber-0: مدل جهان-عمل که با تجربه انسانی آموزش دیده است
LiberAI در ۱۲ آبان (۳ نوامبر) Liber-0 را معرفی کرد؛ یک مدل جهان-عمل (World Action Model) که فریم‌های آینده ویدیو و عمل‌هایی را که آن‌ها را می‌سازند هم‌زمان پیش‌بینی می‌کند. این مدل با بیش از ۲٫۲ میلیون ساعت تجربه انسانی پیش‌آموزش دیده است: ترکیبی از ویدیوهای انسانی در مقیاس بزرگ، حرکت دست ثبت‌شده با دستکش LiberSense شرکت و مجموعه کوچک‌تری از داده ربات. LiberAI روی ۶۰ وظیفه پیشنهادی GPT-6 که در ۶۰۰ آزمایش و بدون نمایش‌های رباتیکِ جمع‌آوری‌شده برای همان وظایف آزموده شدند، موفقیت کلی ۳۶٫۰ درصد را گزارش می‌کند: ۶۳٫۵ درصد در برداشتن و گذاشتن، ۳۴٫۰ درصد در دیگر وظایف کوتاه دست‌کاری و ۱۰٫۵ درصد در دشوارترین وظایف چندمرحله‌ای. جالب‌ترین یافته درباره کیفیت داده است: در آزمایش‌های کنترل‌شده، ۱۰ هزار ساعت داده دستکش از ۲ میلیون ساعت ویدیوی وب بهتر عمل کرد. این نتایج را خود شرکت گزارش کرده است.
HALO اپل: شبیه‌سازی کلاسیک به‌عنوان موتور داده
مقاله HALO اپل که ۱۳ آبان (۴ نوامبر) منتشر شد، نقطه مقابل مفیدی است، چون به‌جای مدل جهان مولد بر تولید رویه‌ای (Procedural Generation) و شبیه‌سازی فیزیکی تکیه دارد. تیم ۳۰۰ ساعت داده بینایی-زبان-حرکت را در هزار خانه تولیدشده به‌صورت رویه‌ای ساخت؛ کاری که ۴۸ ساعت روی ۲۵۰ GPU مدل H100 و بدون دخالت انسان طول کشید. HALO که کاملاً روی خود ربات Unitree G1 اجرا می‌شود، در ۳۶۰ آزمایش در شش خانه واقعی که هرگز ندیده یا اسکن نکرده بود، به موفقیت ۹۱ درصد رسید. وظایف زنجیره‌ای دشوارتر بودند: میانگین ۷۰ درصد و ۵۰ درصد برای سخت‌ترین توالی سه‌مرحله‌ای. آزمایش‌های حذفی نشان می‌دهند چرا تنوع جهان‌ها مهم است: آموزش در یک صحنه برای وظیفه شبیه‌سازی‌شده نشستن ۴۳ درصد موفقیت داد، ۱۰۰ صحنه ۸۱ درصد و ۱۰۰۰ صحنه ۸۴ درصد. نویسندگان آنچه را شبیه‌سازی هنوز حذف نمی‌کند هم فهرست کرده‌اند: برای هر وظیفه تازه هنوز انسانی باید پرامپت و فریم‌های کلیدی حرکت را بنویسد و ربات حس لامسه ندارد.
WorldParticle: یک شبیه‌ساز آموخته‌شده برای انواع فیزیک
MIT News در ۱۸ آبان (۹ نوامبر) WorldParticle را معرفی کرد که پژوهشگران MIT، دانشگاه بریتیش کلمبیا و چند مؤسسه دیگر توسعه داده‌اند. این سیستم هر ماده را به‌صورت ذره نمایش می‌دهد و با یک معماری ترنسفورمر واحد شش دسته دینامیک را مدل می‌کند، از جمله پارچه، جامدات کشسان، سیالات، مواد دانه‌ای و دینامیک مولکولی. پژوهشگران در آزمایش‌های خود دقتی بالاتر از روش‌های شبیه‌سازی عددی و شبیه‌سازی دینامیک ساختار پروتئین با سرعتی حدود ۱۰۰ برابر شبیه‌سازهای عددی گزارش می‌کنند؛ این کار در کنفرانس SIGGRAPH Asia ارائه می‌شود. کاربرد اعلام‌شده در رباتیک، دست‌کاری با ربات‌های نرم و پیش‌بینی حرکت موادی مانند شن یا خاک هنگام تماس ربات است.
هشدار: ادراک یک سطح حمله است
مطالعه‌ای از Robocurve که در همین بازه منتشر شد یادآوری می‌کند جهان‌های شبیه‌سازی‌شده چه چیزی را باید بیازمایند. پنج مدل چندوجهی پیشرو یک ربات دوبازو را کنترل کردند و از آن‌ها خواسته شد پنج وظیفه ناایمن را انجام دهند. آن‌ها با تصویر شفاف دوربین در ۸۱ مورد از ۳۰۰ آزمایش، با تصویر تار در ۲۶۳ مورد از ۳۰۰ و با تصویر عمداً دست‌کاری‌شده در ۲۹۱ مورد از ۳۰۰ برای انجام وظیفه ناایمن اقدام کردند. به بیان دیگر، دوربین تار تقریباً به اندازه یک مهاجم خطرناک بود.
این خبرها به مدیر فناوری چه می‌گویند
من از این دو هفته پنج درس برداشت می‌کنم.
۱. مدل جهان در حال تبدیل شدن به زیرساخت است، نه نمایش. چک‌پوینت باز، مجوز تجاری، کانتینر استنتاج و جدول نیاز حافظه نشانه‌های زیرساخت‌اند. تیم‌ها اکنون می‌توانند مدل‌های جهان را روی داده خودشان ارزیابی کنند، نه اینکه فقط ویدیو تماشا کنند.
۲. الگوی برنده ترکیبی است. انویدیا فیزیک را در شبیه‌ساز نگه می‌دارد و مدل را برای ظاهر به کار می‌برد؛ دیپ‌مایند Genie را با Gemini جفت می‌کند تا علیت حفظ شود؛ و اپل نشان می‌دهد شبیه‌سازی رویه‌ای هنوز نتایج قوی در دنیای واقعی می‌دهد. انتظار من این است که برنامه‌های جدی رباتیک موتورهای فیزیک، مدل‌های مولد و داده واقعی را با هم ترکیب کنند، نه اینکه یکی را برگزینند.
۳. کیفیت داده بر حجم داده می‌چربد. نتیجه مقایسه دستکش و ویدیوی وب در LiberAI و آزمایش حذفی صحنه‌ها در اپل به یک سمت اشاره می‌کنند: داده اندازه‌گیری‌شده، متنوع و با برچسب درست از ساعت خام مهم‌تر است.
۴. وفاداری باید برای هر کاربرد جداگانه اثبات شود. همه عرضه‌کنندگان این دور، انحراف، انباشت خطا یا فیزیک محدود را مسئله باز می‌دانند. شبیه‌سازی که برای پیش‌تجسم کافی است، ممکن است برای اعتبارسنجی ایمنی بی‌فایده باشد.
۵. جهان‌های شبیه‌سازی‌شده باید شرایط بد را هم شامل شوند. اعداد RoboSpoof نشان می‌دهد ادراک ضعیف یا دست‌کاری‌شده رفتار را به‌شدت تغییر می‌دهد. مجموعه آزمونی که فقط صحنه‌های تمیز و پرنور دارد، چیز اشتباهی را می‌سنجد.
این درس‌ها به کل پشته هوش مصنوعی فیزیکی مربوط‌اند. در مقاله هوش مصنوعی فیزیکی در ۲۰۲۶ مدل‌های بینایی-زبان-عمل را شرح دادم که هوش انجام کار ربات‌اند؛ مدل‌های جهان روزبه‌روز بیشتر به جایی تبدیل می‌شوند که این مدل‌ها در آن آموزش می‌بینند و آزموده می‌شوند. و در ربات انسان‌نما در تولید در ۲۰۲۶ پایلوت‌های کارخانه‌ای را بررسی کردم که در آن‌ها مهارت‌های شبیه‌سازی‌شده سرانجام با برنامه یک شیفت واقعی روبه‌رو می‌شوند.
راهنمای عملی استفاده از مدل جهان از امروز
در سازمانی که ربات، سامانه خودران یا ایجنت هوش مصنوعیِ متصل به جهان فیزیکی دارد، من این‌طور به مدل‌های جهان نزدیک می‌شوم.
۱. سه کاربرد را جدا کنید و برای هر کدام معیار متفاوتی بگذارید. ایده‌پردازی و پیش‌تجسم به باورپذیری نیاز دارد. داده آموزشی مصنوعی به تنوع و برچسب‌های قابل‌اعتماد نیاز دارد. اعتبارسنجی ایمنی به تطابق اندازه‌گیری‌شده با واقعیت نیاز دارد. اجازه ندهید مدلی که برای کاربرد اول تأیید شده، بی‌صدا به کاربرد سوم برسد.
۲. شکاف شبیه‌سازی تا واقعیت را صریحاً اندازه بگیرید. برای هر سیاست کنترلی که در شبیه‌سازی آموزش یا ارزیابی می‌شود، مجموعه‌ای از آزمایش‌های واقعیِ کنار گذاشته‌شده نگه دارید و اختلاف نرخ موفقیت شبیه‌سازی و واقعیت را در طول زمان دنبال کنید. گزارش اپل که نتایج شبیه‌سازی و واقعی را کنار هم آورده، الگوی خوبی است.
۳. حقیقت مبنا را بیرون از مدل مولد نگه دارید. جایی که درستی فیزیکی مهم است، بگذارید موتور فیزیک یا داده اندازه‌گیری‌شده مالک وضعیت، تماس‌ها و هندسه باشد و از مدل مولد برای ظاهر و تنوع استفاده کنید؛ همان کاری که طراحی Sim-Transfer انویدیا انجام می‌دهد.
۴. روی داده مبتنی بر عمل سرمایه‌گذاری کنید. فقط برای محاسبات بودجه نگذارید؛ برای نمایش‌های ابزاردار، کنترل از راه دور و ثبت داده در سایت واقعی هم بودجه بگذارید. نتایج LiberAI نشان می‌دهد مقدار کمی داده عملِ اندازه‌گیری‌شده می‌تواند بسیار باارزش‌تر از حجم بزرگ ویدیوی بدون برچسب باشد.
۵. ادراک ضعیف را بخشی از هر آزمون کنید. تاری، خیرگی نور، انسداد دید، قطع حسگر و ورودی‌های دست‌کاری‌شده خصمانه را به مجموعه آزمون‌های شبیه‌سازی اضافه کنید و رفتار امنِ امتناع یا توقف را الزامی کنید، نه فقط موفقیت در وظیفه.
۶. مثل ارزیابی یک ایجنت ارزیابی کنید. موفقیت را در صدها آزمایش، همراه با دخالت‌های انسانی و حالت‌های شکست گزارش کنید، نه بهترین کلیپ. این همان انضباطی است که در بنچمارک ایجنت هوش مصنوعی در ۲۰۲۶ از آن دفاع کردم: عدد جدول رتبه‌بندی تا وقتی در محیط شما تأیید نشده، فقط یک فرضیه است.
۷. محاسبات و مجوز را برنامه‌ریزی کنید. مدل جهان بلادرنگ از GPUهای مرکز داده استریم می‌شود و نیاز حافظه ده‌ها گیگابایتی برای هر مدل عادی است. پیش از آنکه داده تولیدی وارد خطوط تولید شود، شرایط مجوز برای استفاده تجاری، منشأ مدل و واترمارک را بررسی کنید.
۸. شبیه‌سازی را مثل یک مدل حاکمیت کنید. در بانکداری با مدل‌های ریسک مثل دارایی رفتار می‌کنیم: مالک، اعتبارسنجی، پایش و کنترل تغییر دارند. شبیه‌سازهایی که تصمیم می‌گیرند یک ربات برای استقرار ایمن است یا نه، شایسته همین رفتارند: نسخه‌بندی‌شده، اعتبارسنجی‌شده در برابر واقعیت و بازبینی‌شده هر بار که محیط واقعی تغییر می‌کند.
سخن پایانی
مدل‌های جهان جای جهان واقعی را به‌عنوان امتحان نهایی ربات‌ها نخواهند گرفت. آنچه این پاییز تغییر کرد این است که آن‌ها به جایی عملی برای تمرین، شکست ارزان و کاوش شرایطی تبدیل می‌شوند که ساختنشان در کف کارخانه خطرناک یا گران است. سازمان‌هایی سود می‌برند که با جهان‌های شبیه‌سازی‌شده مثل ابزار مهندسی رفتار کنند، با وفاداری اندازه‌گیری‌شده، محدودیت‌های صادقانه و پیوند دائمی با داده واقعی، نه مثل ویدیوهای چشمگیر.
منابع
- Genie 4: A new generation of world simulation، Raia Hadsell، Diego Rivas و Hang Qi، گوگل دیپ‌مایند، ۵ آبان ۱۴۰۵
- Google Genie 4 brings world models closer to robot and AI testing، Kinza Yasar، TechTarget، ۱۱ آبان ۱۴۰۵
- New NVIDIA Cosmos 3 Open Models for Interactive World Simulation، انویدیا به نقل از Hugging Face، ۱۴ آبان ۱۴۰۵
- Build World Models for Interactive Simulation with NVIDIA Cosmos، وبلاگ فنی انویدیا، ۱۱ آبان ۱۴۰۵
- Frameboy: Atlas in Real-time، World Labs، ۱۴ آبان ۱۴۰۵
- Liber-0: Emergent Zero-Shot Capabilities in Multi-Step Manipulation from 2.2 Million-Hour Human Experience، LiberAI
- LiberAI Introduces Liber-0 for Zero-Shot Robot Manipulation، LiberAI به نقل از ACCESS Newswire، ۱۲ آبان ۱۴۰۵
- Perceptive Humanoid Motion from Simulation، Siyuan Hu و همکاران، اپل، arXiv:2611.06908
- This Week in Robotics: Nov 2-8, 2026، Cindy Dizon، Labelix.ai، ۱۷ آبان ۱۴۰۵
- A single AI model simulates the behavior of many substances, from sliding sand to folding proteins، Adam Zewe، MIT News، ۱۸ آبان ۱۴۰۵
- WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer، Caoliwen Wang، Minghao Guo، Siyuan Chen و همکاران، arXiv:2605.15305
- Perceptual Attacks on Embodied AI (RoboSpoof)، Christopher Leet و همکاران، Robocurve