بلاگ

برای نمایش NHL 26 نسخهٔ لوکس از ابزارهای هوش مصنوعی استفاده شد

AIEANHL ۲۶

نسخهٔ لوکس NHL 26 خانوادهٔ تاکچاک را بر روی جلد به نمایش می‌گذارد. متیو تاکچاک از تیم پانترز و برادی تاکچاک از تیم سناتورز در کنار پدرشان، پیشروی افسانه‌ای کیت تاکچاک، زیر نورهای روشن روی یک یخ‌پست مه‌آلود به تصویر کشیده شده‌اند. آنچه EA تا پیش از این فاش نکرده بود این است که برای ساخت اثر تبلیغاتی نسخهٔ صد دلاری، از ابزارهای هوش مصنوعی مولد بهره برده است.

شرکت این دستاورد را در یک ارائه داخلی اخیر به تیم تجربه بازیکنان خود، طبق مدارکی که Kotaku بررسی کرده، برجسته کرد. در بخشی که توسط سرپرست طولانی‌مدت بازاریابی ورزشی EA، پاول مار، رهبری می‌شد، به کارکنان توضیح داده شد که شرکت چگونه از ابزارهای هوش مصنوعی مانند GPT و Comfy UI در فرآیند تولید طرح جلد استفاده کرده است.

دو مانع اصلی برای این مفهوم وجود داشت: کیت تاکچاک دیگر پیر شده بود و هر دو پسرش در پلی‌آف‌ها مشغول بودند و برای عکاسی سنتی در دسترس نبودند. استفاده از تعویض سر به روش «کلاسیک» با فتوشاپ رد شد؛ بنابراین EA، با کسب اجازه از خانواده، روی هوش مصنوعی مولد برای جوان‌سازی کیت و بازآفرینی پسرانش تکیه کرد. در حالی که تمام این کارها تحت نظارت و بررسی خلاقان انسانی انجام شد، درصدی از نتایج نهایی که به‌صورت کامل توسط هوش مصنوعی تولید شده است نامشخص است.

«هوش مصنوعی برای تولید نمونه‌های استیلی‌شده در مرحلهٔ اکتشاف استفاده شد»، بخشی از یک اسلاید ارائه می‌خواند. این اسلاید توضیح می‌دهد که تیم مار از کتابخانه‌ای از تصاویر و حالات برای هر ورزشکار استفاده کرده تا هوش مصنوعی را با ظاهر آن‌ها آموزش دهد. همچنین از تصاویر مرجع «از حال و گذشته» برای آموزش مدلی به‌منظور جوان‌سازی کیت و تولید «کیت در اوج فرم» بهره گرفته شد. یک مرحلهٔ نهایی هوش مصنوعی برای یکسان‌سازی نورپردازی بین مدل‌های مختلف به کار رفت و سپس برای تکمیل نهایی به فتوشاپ بازگشت.

طرح جلد نسخهٔ لوکس NHL 26 جدیدترین نمونه‌ای است از اینکه چگونه شرکت‌های بازی‌ساز حتی در حالی که بازیکنانشان در برابر هرگونه حضور هوش مصنوعی معترض هستند، از این فناوری بهره می‌برند. به‌ویژه EA در حال دویدن برای پذیرش این فناوری است. بیش از یک سال پیش، آندرو ویلسون، مدیرعامل شرکت، به‌صراحت استفاده از هوش مصنوعی توسط EA را برای کمک به خلق هزاران چهره مورد نیاز برای بازگشت نسخهٔ پرفروش College Football تحسین کرد.

«اگر هوش مصنوعی را به خود رها کنید، کار شما استثنایی نخواهد شد»

اما برخی از کارمندان در خط مقدم با فناوری مخالف هستند؛ چند نفر به‌تازگی به Business Insider گفتند که هوش مصنوعی کدهای برنامه‌نویسی با خطا تولید می‌کند، پاسخ‌های توهمی و بی‌فایده می‌دهد یا روی رویه‌های کاری خودشان آموزشی می‌گیرد که می‌تواند امنیت شغلشان را به خطر بیندازد.

«ما هوش مصنوعی را به‌عنوان شتاب‌دهنده‌ای قدرتمند برای خلاقیت، نوآوری و ارتباط با بازیکن می‌بینیم»، ویلسون در گزارش نتایج مالی ماه مه به سرمایه‌گذاران گفت. «در تمام تیم‌های‌مان، ما در حال سرمایه‌گذاری در جریان‌ها و قابلیت‌های جدید برای ادغام هوش مصنوعی به‌منظور بهبود نحوه ساخت، مقیاس‌پذیری و شخصی‌سازی تجارب هستیم؛ از جهان‌های پویا داخل بازی تا ارائه شبیه‌سازی‌های اصیل از ورزشکاران و تیم‌ها در مقیاس‌های شگفت‌انگیز. توسعه‌دهندگان ما از هوش مصنوعی برای گسترش مرزهای ممکن در طراحی، انیمیشن و روایت‌گری استفاده می‌کنند که به ما کمک می‌کند بازی‌پذیری عمیق‌تر و جذاب‌تری ارائه دهیم.»

این به‌طور عملی چه معنایی دارد؟ ارائه مار سرنخی کوچک می‌دهد. در «یادگیری‌های کلیدی» از تجربهٔ پوشش جلد نسخهٔ لوکس NHL 26، او به سایر کارمندان توصیه می‌کند که مشاورهٔ حقوقی دریافت کنند اما استفاده از هوش مصنوعی را از همان ابتدا آغاز کنند، چون مدل‌ها ممکن است زمان‌بر برای آموزش باشند. همچنین سعی می‌کند تمایزی مبهم بین این که هوش مصنوعی تمام کارها را انجام می‌دهد و این که انسان‌ها هنوز در کنترل فرایند خلاقانه هستند، حفظ کند.

«از هوش مصنوعی برای گسترش جاه‌طلبی خود استفاده کنید»، یکی از اسلایدهای ارائه می‌خواند. «اگر هوش مصنوعی را به تنهایی رها کنید، کار شما استثنایی نخواهد شد». در زیر این جملهٔ پرمعنا، اسکرین‌شاتی از سرخطی که تخفیف هوش مصنوعی اخیر کوکاکولا را «چشم‌پوشی بی‌نظم» توصیف می‌کرد، نشان داده شده است. این حس به‌نظر می‌رسد که ابزارهای هوش مصنوعی بهترین کارایی را دارند زمانی که هیچ‌کس نتواند تشخیص دهد که اصلاً از آن‌ها استفاده شده است.

دنیای جدید شجاعانهٔ هوش مصنوعی برای فروش بسته‌های کارت

شرکت EA هم‌اکنون در فرآیند فروش به عربستان سعودی و دیگر کشورها به‌عنوان بخشی از خرید مالی ۵۵ میلیارد دلاری است. بر اساس گزارش The Financial Times، سرمایه‌گذاری‌های بزرگ بر هوش مصنوعی یکی از راه‌هایی است که انتظار می‌رود شرکت برای پرداخت بدهی‌های خود در آینده از آن استفاده کند. برخی از کارمندان نگران این هستند که این موضوع می‌تواند به کاهش نیروها و تجربهٔ ضعیف‌تری برای بازیکنان منجر شود.

بخش دیگری از ارائه داخلی به استفاده از ابزارهای هوش مصنوعی خدمات مشتری برای ارائهٔ کمک درون‌بازی به بازیکنان اشاره داشت. به‌عنوان مثال، اگر بازیکن در گذر جدید College Football دچار مشکل شود، یک چت‌بات می‌تواند لینک‌های راهنمای آنلاین یا ویدئوهای کوتاه آموزشی را نمایش دهد. اما یک نمونهٔ نظری برای کاربردهای ممکن این فناوری، گزینهٔ سوم را نیز نشان می‌دهد: خرید بسته‌های کارت.

«یا این بسته می‌تواند به‌سرعت‌تری به شما در پیشرفت کمک کند»، این پیشنهاد در یک اسلاید ارائه روی صفحه نمایان شد. روبات ادامه می‌دهد: «در آن کوارتر‑بک‌ها و گیرنده‌های با آمار دقت سطح بالایی وجود دارد – عالی برای تقویت مسیرها و پرتاب‌های کوتاه». شواهدی وجود ندارد که EA در حال حاضر در نظر داشته باشد چنین ویژگی‌ای را در بازی‌های واقعی خود پیاده‌سازی کند، اما این تصویر واضحاً توضیح می‌دهد چرا بسیاری از بازیکنان به‌صورت واکنشی با هوش مصنوعی مخالف هستند.

EA از بیان نظرات خودداری کرد.

به‌روزرسانی 11/26/25 12:08 p.m. ET: EA تأیید کرد که خانوادهٔ تاکچاک اجازهٔ استفاده از هوش مصنوعی را داده‌اند.

دوشنبه، شرکت Anthropic Opus 4.5، آخرین نسخه از مدل پرچم‌دار خود را اعلام کرد. این آخرین مدلی است که از سری مدل‌های 4.5 شرکت منتشر می‌شود؛ پس از عرضه Sonnet 4.5 در ماه سپتامبر و Haiku 4.5 در ماه اکتبر.

همان‌طور که انتظار می‌رفت، نسخه جدید Opus عملکرد پیشرفته‌ای در مجموعه‌ای از معیارهای ارزیابی دارد؛ از جمله معیارهای کدنویسی (SWE-Bench و Terminal-bench)، استفاده از ابزارها (tau2-bench و MCP Atlas) و حل مسایل عمومی (ARC-AGI 2، GPQA Diamond).

قابل‌توجه است که Opus 4.5 اولین مدلی است که در بنچمارک معتبر SWE-Bench (تأیید شده) بالای 80٪ نمره کسب کرده است.

شرکت Anthropic همچنین بر توانایی‌های استفاده از کامپیوتر و کار با صفحات‌گسترده توسط Opus تأکید کرد و برای نشان دادن عملکرد مدل در این زمینه‌ها، مجموعه‌ای از محصولات همزمان را راه‌اندازی کرد. به‌همراه Opus 4.5، Anthropic محصول «Claude برای کروم» و «Claude برای اکسل»—که پیش از این در مرحلهٔ آزمایشی بودند—را به‌صورت گسترده‌تر در دسترس قرار می‌دهد. افزونهٔ کروم برای تمام کاربران Max در دسترس خواهد شد؛ در حالی که مدل مخصوص اکسل برای کاربران Max، تیم و سازمان‌های بزرگ (Enterprise) فراهم خواهد شد.

Opus 4.5 همچنین شامل بهبودهای حافظه برای عملیات با زمینه طولانی است؛ که این امر نیازمند تغییرات اساسی در نحوه مدیریت حافظهٔ مدل بوده است.

Dianne Na Penn، سرپرست مدیریت محصول پژوهشی در Anthropic، به TechCrunch گفت: «بهبودهایی در کیفیت زمینه طولانی عمومی در حین آموزش Opus 4.5 اعمال کرده‌ایم، اما پنجره‌های زمینه به‌تنهایی کافی نخواهند بود. دانستن جزئیات درست برای به‌خاطره سپردن، به‌مقدار داشتن پنجرهٔ زمینهٔ طولانی، اهمیت بسیار دارد.»

این تغییرات همچنین امکان ویژگی «چت بی‌پایان» را که کاربران پرداختی Claude منتظر آن بودند، فراهم کرد. این قابلیت باعث می‌شود که گفت‌وگوها هنگام پر شدن پنجرهٔ زمینه، بدون وقفه ادامه یابند؛ در عوض، مدل حافظهٔ زمینه را فشرده‌سازی می‌کند بدون اینکه کاربر را از این موضوع مطلع کند.

بسیاری از این به‌روزرسانی‌ها با نگرشی به موارد استفادهٔ عامل‌محور انجام شده‌اند؛ به‌ویژه سناریوهایی که در آن Opus به‌عنوان عامل اصلی، گروهی از زیرعامل‌های مبتنی بر Haiku را هدایت می‌کند. مدیریت این وظایف نیازمند کنترل قوی بر حافظهٔ کاری است؛ جایی که بهبودهای حافظه‌ای که پن توصیف کرده، به‌خوبی ارزش خود را نشان می‌دهند.

پن می‌گوید: «در این مرحله، اصولی همچون حافظه واقعاً اهمیت می‌یابند، زیرا Claude باید قادر باشد تا کدهای بزرگ و مستندات گسترده را مرور کند و همچنین بدانند چه زمانی باید به‌عقب‌گرد رفته و موضوعی را دوباره بررسی کند.»

Opus 4.5 با رقابت شدیدی از سوی مدل‌های پیشرو که به‌تازگی عرضه شده‌اند، مواجه خواهد شد؛ به‌ویژه GPT 5.1 شرکت OpenAI (منتشر شده در 12 نوامبر) و Gemini 3 شرکت گوگل (منتشر شده در 18 نوامبر).

موضوعات: هوش مصنوعی، Anthropic، Claude، پنجره‌های زمینه، اکسل، TC

دارندهٔ Curiosity Stream بیشتر محتوا را برای شرکت‌های هوش مصنوعی در اختیار دارد تا برای مشترکین.

همه ما به روش‌های معمول سرویس‌های پخش برای کسب درآمد بیشتر آشنا هستیم: جذب مشترکین بیشتر، افزایش هزینهٔ الاشتراک‌ها و فروش تبلیغات. اما سرویس پخش علمی Curiosity Stream مسیر جدیدی را در پیش می‌گیرد که می‌تواند نحوه بقا و استراتژی شرکت‌های پخش، به‌ویژه گزینه‌های خاص، را بازنگری کند.

جان هندریکس، بنیان‌گذار کانال Discovery، Curiosity Stream را در سال ۲۰۱۵ راه‌اندازی کرد. هزینه این سرویس پخش سالانه ۴۰ دلار است و شامل تبلیغات نمی‌شود.

کسب‌وکار پخش به‌گونه‌ای گسترش یافته که شامل کانال تلویزیونی Curiosity Channel نیز می‌شود. CuriosityStream Inc. از طریق برنامه‌های اصیل و برنامه آموزشی Curiosity University نیز درآمد دارد. این شرکت پس از تقریباً یک دهه فعالیت، برای اولین بار در سه‌ماهه اول مالی سال ۲۰۲۵ سود خالص مثبت ثبت کرد.

با تمرکز بر علم، تاریخ، پژوهش و آموزش، Curiosity Stream همواره بازیکن کوچکی نسبت به سایر سرویس‌های پخش خواهد بود. تا مارس ۲۰۲۳، این سرویس ۲۳ میلیون مشترک داشت که در مقایسه با ۳۰۱٫۶ میلیون کاربر Netflix (تا ژانویه ۲۰۲۵) تعداد اندکی بود.

با این حال، در بازاری بسیار رقابتی، درآمد Curiosity Stream در گزارش مالی سه‌ماهه سوم ۲۰۲۵ که این ماه اعلام شد، ۴۱ درصد نسبت به سال گذشته افزایش یافت. این رشد عمدتاً به‌علت اعطای مجوز برنامه‌های اصیل Curiosity Stream برای آموزش مدل‌های زبان بزرگ (LLMها) بود.

«با نگاه به اعداد سال جاری، درآمد حاصل از مجوزدهی تا سپتامبر ۲۳٫۴ میلیون دلار بوده است، که … این رقم پیش از نصف درآمد کسب‌وکار اشتراکی ما در تمام سال ۲۰۲۴ است»، فیلیپ هیدن، مدیر مالی Curiosity Stream، در تماس تلفنی با سرمایه‌گذاران این ماه گفت.

تا به امروز، Curiosity Stream ۱۸ پروژه مرتبط با هوش مصنوعی را که شامل «دارایی‌های ویدئویی، صوتی و کدی» می‌شود، با نه شریک تکمیل کرده است؛ این موضوع در بیانیه‌ای در اکتبر اعلام شد.

شرکت پیش‌بینی می‌کند تا سال ۲۰۲۷، درآمد حاصل از قراردادهای مجوزدهی مالکیت فکری با شرکت‌های هوش مصنوعی، بیش از درآمد حاصل از اشتراک‌ها باشد؛ «احتمالاً زودتر»، مدیرعامل کلینت استینچ‌کامب در تماس مالی گفت.

به‌عبارت دیگر، Curiosity Stream که پیش از این به‌عنوان یک شرکت پخش شناخته می‌شد، اکنون به‌طور کامل وارد حوزهٔ مجوزدهی هوش مصنوعی شده است. این یک کار جانبی نیست؛ بلکه یکی از ستون‌های کلیدی این شرکت پخش (در کنار اشتراک‌های پخش و تبلیغات) است که امید دارد رشد چندسالهٔ خود را تقویت کند.

در سخنرانی خود در رویداد «آیندهٔ ویدئو» برگزار شده توسط Parks Associates در این هفته، تحلیل‌گر شرکت Needham، لورا مارتین، اشاره کرد که Curiosity Stream ۳۰۰٬۰۰۰ ساعت از محتوای خود و همچنین ۱٫۷ میلیون ساعت محتوای شخص ثالث را به‌صورت مجوز می‌دهد. او افزود که درآمد حاصل از مجوزدهی هوش مصنوعی با این اشخاص ثالث به‌اشتراک‌گذاشته می‌شود.

در واقع، Curiosity Stream محتوای بیشتری را به فراسازان (hyperscalers) و توسعه‌دهندگان هوش مصنوعی می‌فروشد تا به مخاطبان پخش. کتابخانهٔ این شرکت شامل ۲ میلیون ساعت محتواست، اما «بیشتر بخش عمدهٔ این محتوا برای مجوزدهی هوش مصنوعی است»، استینچ‌کامب گفت.

«ما حجم حقوق خود را در پلتفرم‌های سنتی افزایش می‌دهیم، اما بیشترین بخش آن برای مجوزدهی هوش مصنوعی است»، او افزود.

راهی نوین برای پیشرفت

موفقیت Curiosity Stream در مجوزدهی محتوا به شرکت‌های هوش مصنوعی می‌تواند توجه سایر شرکت‌های پخش را جلب کند که به‌دنبال منابع درآمدی جدید برای تأمین مالی محتوای جدید، فناوری، بازاریابی، نیروی کار و سایر ابتکارات هستند و قصد دارند رضایت سرمایه‌گذاران را جلب کنند. در رویداد این هفته، مارتین هشدار داد که سایر شرکت‌های متمرکز بر محتوا، همان‌گونه که Curiosity Stream عمل کرده، باید مسیرهای درآمدی جدیدی پیدا کنند، وگرنه «به‌دست رقبای خود از بازار خارج خواهند شد».

با ارائه برنامه‌های اصلی و ارتباطات با دارندگان مالکیت فکری، استینچ‌کامب بر این باور است که این فرصت در حال رشد است.

«در سال ۲۰۲۷، احتمالاً حتی زودتر، با دسترسی بیشتر به مدل‌های منبع باز، ممکن است صدها و حتی هزاران شرکت نیاز به ویدئو برای تنظیم دقیق مدل‌های خاص برای اهداف مصرف‌کننده و سازمانی داشته باشند»، او گفت.

با این حال، فرض کردن اینکه مجوزدهی محتوا به شرکت‌های هوش مصنوعی یک کسب‌وکار بلندمدت است، ریسک‌پذیری محسوب می‌شود. در این مرحلهٔ اولیهٔ هوش مصنوعی مولد، هنوز مشخص نیست که فراسازان تا چه میزان و برای چه مدت زمانی مایل به پرداخت به شرکت‌های محتوا هستند. دعاوی جاری نیز می‌توانند روی نحوهٔ برخورد شرکت‌ها با مالکیت فکری که توسط مدل‌های زبان بزرگ استفاده می‌شود تأثیر بگذارند. همانند سازمان‌های دیگر که به‌تازگی به مجوزدهی محتوا به شرکت‌های هوش مصنوعی روی آورده‌اند، از جمله مالک Ars Technica، Conde Nast، مجوزدهی مالکیت فکری می‌تواند همانند یک نجات‌بخش باشد که همزمان آنچه که به زودی ممکن است به رقبای ما تبدیل شود، تغذیه می‌کند.

اما در وضعیت فعلی، هر سرویس پخش احتمالاً نمی‌تواند سال‌های آینده را بگذارد. مشتریان سرویس‌های پخش به‌طور فزاینده‌ای از دشواری یافتن محتوا برای تماشا شکایت می‌کنند. مردم از داشتن چندین اشتراک پخش خسته شده‌اند و تقاضا برای کاهش تکه‌تکه شدن محتوا بسیار قوی است.

به همین دلیل، انتظار می‌رود ادغام‌ها و خریدهای بیشتری میان شرکت‌های پخش صورت گیرد. بنابراین، از جهات مختلف، به‌نظر می‌رسد این زمان حساس برای شرکت‌های پخش است تا به‌سرعت ارزش‌اندازی کنند. مجوزدهی مالکیت فکری به شرکت‌های هوش مصنوعی که به‌دنبال داده‌اند و سرمایه‌دار هستند می‌تواند بلافاصله کمک‌کننده باشد. اما پیامدهای بلندمدت هنوز دشوار به‌دست آوردن هستند.

از سمت خود، Curiosity Stream همچنان به‌دنبال گسترش کسب‌وکار اشتراک و تبلیغات خود است. و مدیران می‌خواهند نشان دهند که دربارهٔ قراردادهای هوش مصنوعی به‌صورت بلندمدت فکر می‌کنند. به گفتهٔ استینچ‌کامب:

«ما همچنین فرصت واقعی برای مجوزدهی فراتر از صرفاً حق آموزش می‌بینیم. اعطای حقوق افزایشی مانند حق نمایش، حق تحول، حق اقتباس، یا حتی برخی حقوق مشتق که ممکن است هنوز نام‌گذاری نشده باشند، می‌تواند مورد توجه باشد. منظور من این است که ما در حال ایجاد روابط بلندمدت هستیم و متعهدیم اطمینان حاصل کنیم که در تمام این توافق‌نامه‌ها، فقط یک بار کار نکنیم.»

اگر در شبکه‌های اجتماعی گزارش‌های پراکنده‌ای درباره‌ی تمرکز جدید جیمیل بر آموزش مدل‌های هوش مصنوعی گوگل با استفاده از ایمیل‌های شما مشاهده کرده‌اید، می‌توانید نفس عمیقی بکشید؛ زیرا این شرکت می‌گوید این گزارش‌ها «گمراه‌کننده» هستند.

هفته گذشته، پست‌های متعددی در شبکه‌های اجتماعی مانند این مورد به سرعت درگیر شدند و گوگل را متهم کردند که کاربران جیمیل را به‌صورت خودکار به‌سوی آموزش مدل‌های هوش مصنوعی از طریق «ویژگی‌های هوشمند» مبتنی بر Workspace هدایت می‌کند. هنگامی که نشریاتی مثل Malwarebytes—که پس از آن اصلاحیه‌ای به گزارش خود اضافه کرد—به این ادعاها پردازیدند، گوگل واضحاً در موقعیتی قرار گرفت که مجبور به ارائهٔ پاسخی شد. در اواخر جمعه، این شرکت از طریق حساب توییتر جیمیل موضع خود را اعلام کرد و نسبت به این گزارش‌ها ردّی داد و اشاره کرد که این «ویژگی‌های هوشمند» در واقع جدید نیستند.

این بیانیه‌ای نسبتاً صریح است، حتی اگر واژه «گمراه‌کننده» فضایی برای نگرانی‌های دیگر باز بگذارد. با این حال، اگر این نکته را به‌صورت رسا در نظر بگیریم، گوگل می‌گوید پیام‌های جیمیل برای آموزش جیمینی استفاده نمی‌شوند، تنظیمات هیچ کاربری در جیمیل برای اجازه‌دادن به آموزش مدل‌های هوش مصنوعی تغییر نیافته است، و در صورت حدوث تغییر در شرایط و سیاست‌های شرکت، اعلامیه‌ای واضح و مستقیم ارائه خواهد شد.

درک این موضوع که مصرف‌کنندگان نگران استفاده از داده‌های خود برای تغذیه مدل‌های هوش مصنوعی هستند، به ویژه چون گاهی واقعاً این‌طور است، طبیعی است. اما همزمان، این‌گونه پست‌ها فاصلهٔ زیادی با میم‌های «این پست را به‌اشتراک بگذارید تا فیس‌بوک از (تغییر بدی) جلوگیری کند» ندارند؛ میم‌هایی که در طول دههٔ ۲۰۱۰ به‌طور گسترده در وب پخش می‌شدند. با توجه به اینکه پلتفرم‌هایی مانند توییتر به کاربران اجازه می‌دهند پست‌های خود را پول‌سازی کنند، این نوع تقلب اکنون انگیزهٔ مالی دارد، حتی اگر نگرانی واقعی نیز پشت‌سرشان باشد.

در حالی که اقدام‌های بزرگ‌تک در دههٔ اخیر به طور قابل‌فه‌می باعث بی‌اعتمادی مصرف‌کنندگان به این شرکت‌ها شده است، شایان ذکر است که یک غریب در شبکه‌های اجتماعی احتمالاً — و شاید حتی بیشتر — می‌تواند به شما دروغ بگوید. بررسی دقیق و دقیق اطلاعات کار خوبی است، اما حفظ شکاکی سالم نسبت به پست‌های متمرکز بر شبکه‌های اجتماعی مانند این، به همان اندازه حیاتی است.

شرکت اعلام کرد که ربات‌هایش به ساخت بیش از ۳۰٬۰۰۰ خودروی BMW X3 کمک کرده‌اند و بیش از ۹۰٬۰۰۰ قطعه فلزی را بارگیری کرده‌اند.

شرکت Figure AI مستقر در کالیفرنیا روز چهارشنبه اعلام کرد که به‌طور رسمی ربات‌های انسان‌ساخت Figure 02 (F.02) خود را بازنشسته می‌کند.

این تصمیم پس از دورهٔ ۱۱‑ماهه استقرار در کارخانهٔ BMW Manufacturing در اسپارتنبرگ، کارولینای جنوبی اتخاذ شد. این پروژهٔ پایلوت بخشی از همکاری برای آزمایش ربات‌های انسان‌ساخت در خط مونتاژ واقعی بود.

شرکت بر این نکته تأکید کرد که واحدهای F.02 در طول این دوره به ساخت بیش از ۳۰٬۰۰۰ خودروی BMW X3 کمک کرده و بیش از ۹۰٬۰۰۰ قطعه فلزی را بارگیری کرده‌اند.

بریت ادکاک، مدیرعامل Figure، تصاویری از ربات‌هایی که پوشیده از خراش‌ها، خط‌وخراش‌ها و آلودگی بودند، به اشتراک گذاشت؛ این نشان‌دهندهٔ واقعیت‌های کار در محیط صنعتی است.

خراش‌ها به‌عنوان گواه کار واقعی

شرکت ویدئویی از ربات‌های F.02 به اشتراک گذاشت که به وضوح سایش و فرسودگی ناشی از ماه‌ها کار بر روی خط مونتاژ را نشان می‌دهد. ادکاک این را «استقرار واقعی» توصیف کرد.

این تصاویر به عنوان مدرکی در برابر تردیدهای اولیه که کار Figure در BMW فقط یک مطالعه قابلیت‌سنجی در مقیاس کوچک بود، عمل می‌کنند. با نشان دادن ظاهر فرسوده ربات‌ها، شرکت ثابت می‌کند که این دستگاه‌ها ماه‌ها بر روی خط مونتاژ فعال کار کرده‌اند.

آلوده‌گی و خراش‌ها به‌صورت ناخواسته نشان افتخاری برای ربات‌ها تبدیل شدند. این موارد نشان می‌دهند که ربات‌ها تحمل کار تکراری و پرتقاضای کارخانه را داشته‌اند. شرکت اعلام کرد که ترکیب این تصاویر و شاخص‌های عملکرد ادعاهایشان درباره استقرار طولانی‌مدت را تأیید می‌کند.

داده‌های عملکرد از دوره آزمایشی

شرکت آمریکایی گزارشی مفصل از دستاوردهای ربات‌ها در این کارخانه منتشر کرد. گفته شد که پس از دورهٔ اولیهٔ راه‌اندازی، استقرار به سرعت گسترش یافت. در شش ماه نخست، ربات‌ها به اسپارتنبرگ منتقل شد و در طبقهٔ کارخانه فعالیت می‌کردند. تا ماه دهم، آن‌ها به‌صورت کامل شیفت‌های کاری را در خط مونتاژ اجرا می‌کردند.

وظیفهٔ اصلی آن‌ها شامل برداشتن قطعات ورق‌فلزی از سبدها و قرار دادن آن‌ها روی ابزارهای جوش با تحمل ۵ میلی‌متر بود. پس از قراردهی، بازوهای رباتیک سنتی عملیات جوش را انجام می‌دادند. ربات‌های انسان‌ساخت بارگیری فلز را با زمان چرخه ۸۴ ثانیه، شامل ۳۷ ثانیه برای بارگیری، انجام می‌دادند. دقت این عملیات بالای ۹۹٪ نگه داشته شد، شرکت در بیانیهٔ مطبوعاتی خود اعلام کرد.

ربات‌ها بیش از ۱٬۲۵۰ ساعت زمان کار را تکمیل کردند. شرکت تخمین زد که این دستگاه‌ها حدود ۲۰۰ مایل (۳۲۰ کیلومتر) در داخل کارخانه طی کرده‌اند. این استقرار بر پایهٔ شیفت‌های ۱۰ ساعته، از دوشنبه تا جمعه، برنامه‌ریزی شده بود. این معیارها به‌عنوان تأییدی بر این که ربات‌های انسان‌ساخت می‌توانند بارهای کاری صنعتی را برای دوره‌های طولانی در داخل کارخانه‌های فعال تحمل کنند، ارائه شد.

درس‌ها و آینده ربات‌های انسان‌ساخت

شرکت رباتیک همچنین در طول استقرار، دربارهٔ چالش‌های سخت‌افزاری به‌صورت شفاف صحبت کرد. بازوی زیرین به‌عنوان نقطهٔ شکست اصلی ظاهر شد؛ زیرا پیچیدگی ترکیب سه درجه آزادی، مدیریت حرارتی و کابل‌کشی در یک اندام به‌اندازهٔ انسانی، بالاست. حرکت مداوم فشار بر میکروکنترلرها و سیم‌کشی را افزایش می‌داد؛ مشکلی که به ندرت در حوزهٔ ربات‌های انسان‌ساخت به‌صورت برجسته مطرح می‌شود.

این درس‌ها باعث شکل‌گیری طراحی Figure 03 شد. مدل جدید برد توزیع و کابل‌کشی دینامیک در مچ دست را حذف می‌کند؛ به‌طوری که کنترل‌کننده‌های موتور اکنون به‌صورت مستقیم با کامپیوتر اصلی ارتباط برقرار می‌کنند.

بازنشستگی F.02 نشانه‌ای از گذار از آزمایش‌های پایلوت به تولید در مقیاس بزرگ‌تر است. شرکت گفت: «Figure 02 به ما درس‌های اولیه دربارهٔ نیازهای ارسال محصول را آموخت».

بازنشستگی ناوگان مسیر را برای Figure 03 هموار می‌کند؛ که شرکت ادعا می‌کند آمادهٔ استقرار در مقیاس بزرگ است.

نوشته پاتریشیا دلسی، کالج مهندسی دانشگاه میشیگان

ویرایش شده توسط سیدی هارلی، بازبینی شده توسط رابرت ایگان

یادداشت‌های ویراستاران

این مقاله بر اساس فرایند و سیاست‌های ویرایشی Science X بازبینی شده است. ویراستاران ویژگی‌های زیر را با هدف تضمین اعتبار محتوا برجسته کرده‌اند:

تأیید صحت

انتشار با بازبینی همتا

منبع معتبر

بازخوانی

در حالی که توربولانس جوی مقصر شناخته‌شده پروازهای ناهموار است، حرکت آشوب‌انگیز جریان‌های توربولانسی همچنان یک مسأله حل‌نشده در فیزیک به حساب می‌آید. برای درک بهتر این سامانه، تیمی از پژوهشگران با بهره‌گیری از هوش مصنوعی قابل توضیح، مهم‌ترین نواحی یک جریان توربولانسی را شناسایی کردند؛ این یافته‌ها در یک مطالعه Nature Communications که توسط دانشگاه میشیگان و دانشگاه فنی والنسیا هدایت شد، گزارش شده است.

درک واضح‌تری از توربولانس می‌تواند پیش‌بینی را بهبود بخشد و به خلبانان در اجتناب از مناطق توربولانسی برای جلوگیری از جراحات مسافران یا آسیب‌های ساختاری کمک کند. همچنین مهندسان می‌توانند توربولانس را کنترل کنند؛ با افزایش آن برای بهبود مخلوط‌سازی صنعتی، مانند تصفیه آب، یا با کاهش آن برای افزایش بهره‌وری سوخت در وسایل نقلیه.

«به‌مدت بیش از یک قرن، تحقیقات توربولانس با معادلاتی بیش از حد پیچیده که حل‌شان دشوار است، آزمایش‌هایی که اجرا کردنشان سخت است و رایانه‌هایی که توان شبیه‌سازی واقعیت را ندارند، دست و پنجه نرم می‌کردند. هوش مصنوعی هم‌اکنون ابزار جدیدی به‌ما ارائه داده است تا با این چالش مقابله کنیم و به پیشرفتی منجر شود که پیامدهای عملی عمیقی دارد»، گفت سرجیو هویا، استاد مهندسی هوافضا در دانشگاه فنی والنسیا و یکی از هم‌نویسندگان این مطالعه.

در زمان مدل‌سازی توربولانس، روش‌های کلاسیک سعی می‌کنند مؤلفه‌های مؤثر را با استفاده از معادلات فیزیکی یا با مشاهده ساختارهایی که در آزمایش‌ها به‌راحتی قابل رؤیت هستند، مانند گردابه‌ها یا ادی‌ها، شناسایی کنند.

روش جدید تمرکز را از صرفاً پیش‌بینی توربولانس به درک بهتر این سامانه تغییر می‌دهد. این روش تمام جریان را بدون هیچ‌گونه فرض پیش‌فرضی بررسی می‌کند و هر نقطه داده را یکی‌یکی حذف می‌کند تا اهمیت آن را محاسبه کند.

بر خلاف فرضیات کلاسیک، گردابه‌ها در فاصله‌ای دور از دیوار که مرز بین هوای توربولانی و هوای صاف است، اهمیت کمی داشتند. در عوض، تنش‌های رینولدز (اصطکاکی که هنگام برخورد سرعت‌های مختلف سیالات ایجاد می‌شود) در فاصله‌های بسیار نزدیک و بسیار دور از دیوار بیشترین اثر را داشتند، در حالی که نوارهای جریان (نوارهای کشیده شونده هوای سریع و آهسته که به‌طور موازی با جریان حرکت می‌کنند) در فواصل متوسط حاکم بودند.

«اگر تمام دیدگاه‌های کلاسیک را با هم ترکیب کنید، به بازسازی کامل داستان نزدیک‌تر می‌شوید. اما اگر هر دیدگاه کلاسیک را به‌تنهایی در نظر بگیرید، فقط بخشی از داستان را می‌بینید»، گفت ریکاردو وینوسا، استادیار مهندسی هوافضا در دانشگاه میشیگان و یکی از نویسندگان هم‌نویسنده این مطالعه.

مسئله ریاضی حل‌نشده

تا کنون پژوهشگران نتوانسته‌اند به‌طور کامل نحوه حرکت یا تبدیل انرژی جریان‌های توربولانسی را درک کنند. ریاضیات توصیف حرکت سیالات از معادلاتی به نام معادلات ناویر‑استوکس نشأت می‌گیرد که برای جریان‌های صاف، پیش‌بینی‌پذیر و توربولانس خفیف به‌خوبی عمل می‌کند.

در توربولانس شدید، یعنی تقریباً هر جریان مورد علاقه‌ی عملی، این معادلات همچنان معتبر هستند؛ اما حل آن‌ها به مقدار عظیمی از توان محاسباتی نیاز دارد.

توربولانس به‌صورت ذاتی آشوبی است؛ گرادیان‌های سرعت می‌توانند به‌طور بسیار بزرگ شوند و به‌رفتاری نزدیک به تکینگی برسند. در چنین شرایطی، میدان جریان ساختاری شبیه به فراکتال نشان می‌دهد که ترکیب‌های فضایی پیچیده و دقیق دارد.

این رفتار پیچیده از تعامل دقیق بین اجزای خطی و غیرخطی معادلات ناویر‑استوکس ناشی می‌شود. به‌درجة‌ای که مؤسسه ریاضی کِلی آن را به‌عنوان یکی از هفت مسأله‌ی جایزه‌ی هزارساله شناخته و یک میلیون دلار جایزه برای اثبات وجود و یکتایی یک راه‌حل صاف برای این معادلات عرضه کرده است.

راه‌حل جایگزین برای مدل‌سازی

اگرچه تکنیک محاسباتی‌ای به نام شبیه‌سازی عددی مستقیم می‌تواند بخش‌های کوچک از جریان‌های توربولانسی را با دقت بالا مدل‌سازی کند، اما اجرای آن در مقیاس بزرگ هزینه‌بر و بسیار سنگین است.

شبیه‌سازی یک ثانیه پرواز یک ایرباس ۳۲۰ در شرایط کروز، حدود پنج ماه بر روی سریع‌ترین ابرکامپیوتر جهان (با توان دو اگزافلوب) زمان می‌برد. حافظه مورد نیاز تقاضا تقریباً برابر با حجم داده‌ای است که در یک ماه کل اینترنت منتقل می‌کند.

به‌عنوان راه‌حل جایگزین، تیم تحقیقاتی شبیه‌سازی عددی مستقیم را با هوش مصنوعی قابل توضیح ترکیب کرد تا بینش‌های جدیدی درباره جریان‌های توربولانسی به‌دست آورد. ابتدا، تیم از داده‌های شبیه‌سازی عددی مستقیم برای آموزش یک مدل هوش مصنوعی پیش‌بینی‌کننده‌ی جریان توربولانسی استفاده کرد. سپس، از توضیحات جمعی شاپلی (SHAP) برای محاسبه اهمیت هر ورودی مدل پیش‌بینی‌کننده بهره برد. این روش هر ورودی را حذف می‌کند و میزان تأثیر آن بر دقت پیش‌بینی را می‌سنجد.

«SHAP شبیه این است که هر بازیکن تیم فوتبال را یکی‌یکی حذف کنید تا بفهمید هر فرد چگونه به عملکرد کلی تیم کمک می‌کند؛ این کار به شناسایی ارزشمندترین بازیکنان کمک می‌کند»، گفت وینوسا.

هنگامی که مورد آزمایش قرار گرفت، روش SHAP همراه با یادگیری تقویتی عمیق از روش‌های کلاسیک پیشی گرفت و اصطکاک بال هواپیما را ۳۰٪ کاهش داد. برای اولین بار می‌دانیم دقیقاً کدام ساختارها در یک جریان توربولانسی بیشترین اهمیت را دارند.

«این به این معناست که می‌توانیم این نواحی را هدف بگیریم تا استراتژی‌های کنترلی را توسعه دهیم که مقاومت را کاهش داده، احتراق را بهبود بخشیده و آلودگی شهری را به‌صورت مؤثرتر کاهش دهد، زیرا اکنون می‌توانیم دینامیک سامانه را پیش‌بینی کنیم»، گفت آندرس کریمادس، استارشیپار در دانشگاه فنی والنسیا و هم‌نویسنده هم‌نویسنده این مطالعه.

پژوهشگران اشاره می‌کنند که این تکنیک می‌تواند برای مسائلی فراتر از توربولانس نیز مورد استفاده قرار گیرد.

«برای هر مسأله فیزیکی، می‌توانید ویژگی‌های مهم و نامهم را شناسایی کنید و از آن برای بهینه‌سازی، کنترل یا کاربردهای دیگر در آینده بهره ببرید»، ویینوسا افزود.

اطلاعات بیشتر: آندرس کریمادس و همکاران، «ساختارهای همپیوند مورد مطالعه به‌صورت کلاسیک تنها تصویر جزئی‌ای از توربولانس محدود به دیوار ارائه می‌دهند»، Nature Communications (2025). DOI: 10.1038/s41467-025-65199-9

اطلاعات نشریه: Nature Communications

ارائه‌شده توسط کالج مهندسی دانشگاه میشیگان

نقل‌قول: هوش مصنوعی قابل توضیح و توربولانس: نگاهی نو به یک مسأله حل‌نشده فیزیکی (2025، 20 نوامبر) دریافت‌شده در 25 نوامبر 2025 از https://phys.org/news/2025-11-ai-turbulence-fresh-unsolved-physics.html

این سند تحت حق تکثیر محفوظ است. به‌جز موارد استفاده منصفانه برای مطالعه یا پژوهش خصوصی، هیچ بخشی بدون اجازهٔ کتبی قابل تکثیر نیست. این محتوا صرفاً جهت اطلاع‌رسانی ارائه می‌شود.