مدل‌های جهان چیستند و چرا آینده هوش مصنوعی را شکل می‌دهند؟

مدل‌های بزرگ زبانی (LLM) و مدل‌های چندوجهی در پردازش و تولید اطلاعات دیجیتال به بلوغ کم‌نظیری دست یافته‌اند. اما زمانی که نوبت به تعامل با دنیای فیزیکی، کنترل ربات‌ها یا پیش‌بینی پیامدهای یک عمل در جهان واقعی می‌رسد، معماری‌های مبتنی بر پیش‌بینی توکن بعدی با محدودیت‌های بنيادین روبرو می‌شوند. سیستم‌های فعلی توانایی درک عمیق از قوانین فیزیک، جرم، حرکت و روابط علّی و معلولی را به صورت ساختاریافته ندارند.

در این میان، «مدل‌های جهان» (World Models) به عنوان یکی از کلیدی‌ترین لایه‌های معماری برای عبور هوش مصنوعی از «پاسخ‌دهی متنی» به سمت «پیش‌بینی، برنامه‌ریزی و عمل» مطرح شده‌اند. سوال اصلی این است که مدل جهان دقیقاً چه سازوکاری دارد، چه تفاوتی با مدل‌های تولید ویدیو یا ایجنت‌های سنتی دارد و چرا در سال ۲۰۲۶ به محور اصلی تحقیقات شرکت‌هایی چون انویدیا و گوگل دیپ‌مایند تبدیل شده است؟

تعریف مدل جهان: چرا پیش‌بینی بر بردار عمل همه‌چیز را تغییر می‌دهد؟

بر خلاف مدل‌های پیش‌بینی متنی یا مدل‌های تولید تصویر که صرفاً بر روی توزیع داده‌های ورودی آموزش می‌بینند، یک مدل جهان (World Model) واقعی بر پایه جفت‌های «حالت-عمل» (State-Action) کار می‌کند. به عبارت دقیق‌تر، مدل جهان تابعی ریاضی به صورت $f(s, a) \to s'$ را یاد می‌گیرد؛ جایی که $s$ نشان‌دهنده حالت فعلی محیط، $a$ بردار عمل اعمال‌شده توسط عامل (Agent) و $s'$ حالت بعدی محیط است. طبق گزارش‌های فنی انویدیا در ژوئن ۲۰۲۶، تفاوت بنیادی مدل جهان با مدل‌های ادراکی در همین شرطی‌سازی بر اساس عمل (Action-Conditioning) نهفته است.

ریشه تاریخی این مفهوم به «یادگیری تقویتی مبتنی بر مدل» (Model-Based Reinforcement Learning یا MBRL) بازمی‌گردد. در MBRL، عامل هوشمند به جای آزمون و خطای مستقیم در محیط واقعی که می‌تواند خطرناک یا بسیار پرهزینه باشد، یک شبیه‌ساز درونی از محیط می‌سازد. مدل جهان به هوش مصنوعی اجازه می‌دهد سناریوهای «چه می‌شد اگر» (Counterfactual Reasoning) را ارزیابی کند؛ یعنی قبل از اینکه یک بازوی رباتیک لیوانی را لمس کند، پیامد فیزیکی جابه‌جایی آن را در فضای حالت داخلی خود پیش‌بینی کند.

تفاوت اصلی مدل جهان با سیستم‌های غیرفعال (Passive) در این است که مدل جهان صرفاً بیننده یا بازسازی‌کننده فریم‌های بعدی نیست، بلکه متغیرهای کنترل را به عنوان ورودی می‌پذیرد. این ویژگی باعث می‌شود مدل جهان بتواند به عنوان یک موتور شبیه‌سازی فیزیکی عملکردی، امکان برنامه‌ریزی چندگامی (Long-horizon Planning) را برای هوش مصنوعی فراهم سازد.

مرزبندی دقیق: تفاوت مدل جهان با LLM، ایجنت‌ها و مدل‌های تولید ویدیو

یکی از رایج‌ترین سوءتفاهم‌ها در ادبیات فنی، یکسان فرضیه‌سازی مدل‌های تولید ویدیو (مانند Sora یا Wan) با مدل‌های جهان است. بر اساس بنچمارک جامع WorldModelBench (به‌روزرسانی آوریل ۲۰۲۶)، مدل‌های تولید ویدیو صرفاً برای واقع‌گرایی بصری و ظاهر متقاعدکننده بهینه‌سازی می‌شوند، اما مدل‌های جهان با معیارهای «پایبندی به فیزیک» و «قوانین بقا» سنجیده می‌شوند. پژوهش‌های منتشرشده در ICML 2025 نشان داد که مدل‌های تولید ویدیو شدیداً به حفظ کردن مثال‌های آموزشی وابسته‌اند و در سناریوهای خارج از توزیع (Out-of-Distribution) دچار شکست می‌شوند، در حالی که مدل جهان باید قدرت برون‌یابی فیزیکی داشته باشد.

همچنین، مدل‌های بزرگ زبانی (LLM) جهان را در قالب توکن‌های متنی و روابط آماری کلمات مدلسازی می‌کنند، در حالی که مدل جهان با وضعیت‌های سنسوریموتور (حس‌حرکتی) و روابط فضایی-زمانی سروکار دارد. مدل‌های VLA (بینایی-زبان-عمل) نیز اگرچه دستورات متنی و ورودی‌های تصویری را مستقیم به عمل حرکتی تبدیل می‌کنند، اما معمولاً فاقد لایه شبیه‌سازی درونی برای پیش‌بینی آینده هستند و مستقیم دست به اقدام می‌زنند.

جدول زیر تفاوت‌های ساختاری میان این مفاهیم را خلاصه می‌کند:

| معماری | ورودی اصلی | خروجی اصلی | مکانیزم پیش‌بینی آینده | حادترین چالش | | :--- | :--- | :--- | :--- | :--- | | LLM / VLM | توکن متنی / تصویر | توکن متنی / توصیف | پیش‌بینی توکن بعدی | توهم متنی و نبود درک فیزیکی | | Generative Video | متن / تصویر پایه | توالی فریم‌های ویدئویی | بازسازی پیکسل‌های بعدی | نقض قوانین بقای جرم و حرکت | | AI Agent سنتی | متن / ابزارها | فراخوانی API / متن | آزمون و خطا در محیط | ماندن در زنجیره خطای ابتدایی | | World Model | حالت محیط + بردار عمل | حالت بعدی محیط ($s'$) | شبیه‌سازی حالت داینامیک | خطای تجمعی و دریفت توزیع |

به این ترتیب، اگرچه یک مدل جهان می‌تواند خروجی خود را به صورت ویدیو نمایش دهد، اما هر مدل تولید ویدیویی الزاماً یک مدل جهان نیست؛ مگر آنکه بتواند بر اساس عمل کنترل‌شده، حالت بعدی فیزیکی را به درستی پیش‌بینی کند.

اکوسیستم ۲۰۲۶: از NVIDIA Cosmos 3 تا Gemini Robotics شرکت گوگل دیپ‌مایند

در سال ۲۰۲۶، شرکت‌های پیشرو هوش مصنوعی معماری‌های عملیاتی خود را بر پایه مدل‌های جهان رونمایی کرده‌اند. برجسته‌ترین نمونه، خانواده مدل‌های NVIDIA Cosmos 3 است که در مه ۲۰۲۶ در رویداد GTC Taipei معرفی شد. این مدل در سه مقیاس عرضه شده است: Cosmos 3 Super با ۶۴ میلیارد پارامتر (شامل ۳۲ میلیارد پارامتر استدلال‌گر و ۳۲ میلیارد پارامتر تولیدکننده)، Cosmos 3 Nano با ۱۶ میلیارد پارامتر برای ایستگاه‌های کاری، و Cosmos 3 Edge با ۴ میلیارد پارامتر که در ژوئیه ۲۰۲۶ برای پردازش بلادرنگ روی ربات‌ها منتشر شد.

بر اساس گزارش‌های رسمی انویدیا، Cosmos 3 روی ۲۰ تریلیون توکن چندوجهی شامل ۱ میلیارد تصویر، ۴۰۰ میلیون ویدیو (ترکیبی از داده‌های واقعی و سنتتیک)، مسیرهای حرکتی ربات‌ها و صداهای محیطی صنعتی آموزش دیده است. این مجموعه داده به مدل اجازه می‌دهد تا اثر اعمال مختلف حرکتی را در محیط‌های صنعتی پیش‌بینی کند و داده‌های سنتتیک فوق‌العاده دقیقی برای آموزش ربات‌ها بسازد.

در جبهه مقابل، گوگل دیپ‌مایند پروژه Gemini Robotics ER 2 را در ۳۰ جولای ۲۰۲۶ برای کنترل کامل بدن ربات‌ها و دست‌ورزی دقیق معرفی کرد. طبق گزارش‌های منتشرشده، مدل Gemini Robotics ER 2 در تست‌های دنیای واقعی به نرخ موفقیت ۸۹.۶٪ در «جایگذاری دقیق» با بازوی Franka Duo، نرخ ۷۸.۹٪ در «کیت‌سازی ابزار» و ۷۴.۲٪ در «برداشتن و گذاشتن عمومی» دست یافته است. همچنین دقت این مدل در یافتن لحظه دقیق توقف عملیات فیزیکی (مانند ریختن مایعات) ۹۱.۳٪ ثبت شده است. این آمار نشان می‌دهد که مدل‌های جهان در حال عبور از آزمایشگاه به محیط‌های صنعتی واقعی هستند.

چالش‌های بنیان‌افکن: خطای تجمعی، عدم تداوم حالت و شکاف شبیه‌سازی تا واقعیت

با وجود جهش‌های اخیر، مدل‌های جهان با محدودیت‌های فنی و علمی عمیقی دست‌وپنجه نرم می‌کنند. مهم‌ترین مطالعه انتقادی سال ۲۰۲۶ با عنوان WRBench (ژوئن ۲۰۲۶) نشان داد که مدل‌های فعلی فاقد یک «هسته حالت پایدار» (Persistent State Core) هستند. در این ارزیابی که روی ۹۶۰۰ ویدیو از ۲۳ مدل مختلف انجام شد، مشخص گردید که وقتی یک جسم از کادر دوربین خارج می‌شود، مدل زمان را برای آن متوقف می‌کند و هنگام بازگشت جسم به کادر، آن را در همان حالت قبلی بازمی‌گرداند؛ پدیده‌ای که به «نمای تعقیبی» (Tracking Shot) معروف است. جالب اینکه افزایش پارامترهای مدل Wan از ۱.۳ میلیارد به ۱۴ میلیارد، نه تنها این مشکل را حل نکرد، بلکه دقت بازگشت حالت را از ۶۶٪ به ۶۲٪ کاهش داد.

چالش فنی دوم، «دریفت آنلاین» و خطای تجمعی (Cumulative Error) است. از آنجا که مدل‌های جهان به صورت خودبازگشتی (Autoregressive) حالت‌های بعدی را پیش‌بینی می‌کنند، خطای کوچک در پیش‌بینی گام اول، در گام‌های بعدی ضرب شده و پس از چند ثانیه، فرضیات مدل به کلی از واقعیت منحرف می‌شود. دانشمندانی چون یان لکان (ژانویه ۲۰۲۶) و گزارش بین‌المللی ایمنی AI به رهبری یوشوا بنجیو (فوریه ۲۰۲۶) تأکید کرده‌اند که مدل‌های مبتنی بر پیش‌بینی پیکسل، فاقد درک واقعی از جرم، تکانه و روابط فضایی هستند و صرفاً همبستگی‌های آماری را بازتولید می‌کنند.

علاوه بر این، شکاف شبیه‌سازی به واقعیت (Sim-to-Real Gap) همچنان یک چالش پرهزینه است. بر اساس گزارش تحلیلی Creedtec (می ۲۰۲۶) به نقل از پژوهش‌های دانشگاهی، افت عملکرد مدل‌ها هنگام انتقال مستقیم از محیط شبیه‌سازی به دنیای واقعی بین ۲۴٪ تا ۳۰٪ است. این شکاف نشان می‌دهد که حتی پیشرفته‌ترین مدل‌های جهان هنوز نمی‌توانند پیچیدگی‌های غیرقابل‌پیش‌بینی اصطکاک، نورپردازی و نویز حسگرها را کاملاً پوشش دهند.

معماری و بهینه‌سازی محاسباتی: تکنیک‌های عبور از هزینه‌های سنگین استنتاج

اجرای مدل‌های جهان بسیار پرهزینه است. به عنوان نمونه، گزارش فنی Spheron در ژوئن ۲۰۲۶ نشان داد که اجرای مدل Cosmos-Predict 7B روی پردازنده‌های پیشرفته H200 SXM5 برای پیش‌بینی تنها یک دقیقه ویدیو (با کیفیت 720p و ۲۴ فریم در ثانیه)، به ۴۰ دقیقه زمان خالص GPU نیاز دارد. این حجم از محاسبات، استفاده بلادرنگ در رباتیک را بدون بهینه‌سازی‌های عمیق غیرممکن می‌سازد.

برای حل این مشکل، در شش ماه منتهی به آگوست ۲۰۲۶ چند نوآوری کلیدی در معماری رخ داده است. الگوریتم ChunkKV که در می ۲۰۲۶ توسط پژوهشگران دانشگاه علم و صنعت هنگ‌کنگ معرفی شد، به جای حذف توکن‌های منفرد از حافظه (KV Cache)، بخش‌های معنایی (Semantic Chunks) را حذف می‌کند که این امر نرخ عبور (Throughput) را تا ۲۶.۵٪ افزایش داده است. هم‌زمان، معرفی FlashAttention-4 در می ۲۰۲۶ با بهینه‌سازی نحوه خواندن و نوشتن حافظه، سرعت محاسبات توجه را ۲۰٪ بهبود بخشید.

تکنیک فشرده‌سازی KVTC نیز با ترکیب کوانتیزاسیون تطبیقی و کدگذاری آنتروپی، توانسته است حجم حافظه مورد نیاز را تا ۲۰ برابر کاهش دهد. علاوه بر این، در سیستم‌های عملیاتی اوت ۲۰۲۶، معماری «مسیریابی مدل» (Model Routing) به استاندارد صنعت تبدیل شده است؛ به طوری که مدل‌های سبک و سریع وظایف اولیه را تریاژ می‌کنند و مدل‌های سنگین ۶۴ میلیاردی تنها برای لحظات حساس که نیاز به استدلال فیزیکی پیچیده دارند فراخوانی می‌شوند.

جایگاه مدل‌های جهان در مسیر هوش عمومی مصنوعی و هوش تجسدیافته

ارزیابی مدل‌های جهان در بنچ‌مارک‌های برنامه‌ریزی بلندمدت نشان‌دهنده فاصله واقعی این فناوری با ادعاهای رسانه‌ای است. در بنچ‌مارک WorldPrediction (ژوئن ۲۰۲۵)، در حالی که انسان‌ها به دقت ۱۰۰٪ دست می‌یابند، پیشرفته‌ترین مدل‌های پیشرو مانند Qwen2.5-VL 72B حداکثر به دقت ۵۷٪ در مدل‌سازی جهان و ۳۸٪ در برنامه‌ریزی رویه‌ای بلندمدت رسیده‌اند. با این حال، استفاده از حافظه ساختاریافته در مدل‌هایی مانند MemWM (اوت ۲۰۲۶) نشان داده است که با افزودن بانک حافظه قوانین انتقال، نرخ موفقیت ایجنت‌ها در محیط‌های پیچیده تا ۶۵.۴٪ نسبت به مدل‌های معمولی بهبود می‌یابد.

آیا مدل‌های جهان همان حلقه گمشده دستیابی به هوش عمومی مصنوعی (AGI) هستند؟ پاسخ دقیق علمی «خیر» است، اما آن‌ها قطعاً یک زیرساخت ضروری برای «هوش تجسدیافته» (Embodied AI) به شمار می‌روند. مدل جهان به تنهایی کل هوش مصنوعی نیست، بلکه لایه شبیه‌ساز و پیش‌بینی‌کننده در یک معماری بزرگ‌تر است که باید با لایه‌های تصمیم‌گیری، استدلال نمادین و سیستم‌های کنترل حرکتی ترکیب شود.

در نهایت، وضعیت فناوری در آگوست ۲۰۲۶ نشان می‌دهد که مدل‌های جهان از فاز نظریه‌پردازی خارج شده و به ابزاری کاربردی در شبیه‌سازی‌های صنعتی و رباتیک تبدیل شده‌اند. با این حال، تا زمانی که چالش‌های بنيادین مانند خطای تجمعی، ناتوانی در حفظ پایداری حالت و هزینه‌های سنگین استنتاج برطرف نشوند، ادعای خلق یک «مدل کاملاً درک‌کننده جهان» بیشتر یک ساده‌سازی رسانه‌ای است تا یک واقعیت اثبات‌شده مهندسی.