غواصی عمیق در تحقیقات مرزی هوش مصنوعی ۲۰۲۶: از شبیه‌سازی هزاران کارت تا مدل‌های جهان

تاریخ: ۲۰۲۶-۰۵-۱۹ | منبع: AI News Daily | زمان مطالعه: ~۱۵ دقیقه

AI Research Banner

۱. PrismLLM: شبیه‌سازی یک کلاستر ۱۰K-GPU با چند کارت

۱.۱ زمینه تحقیق و مسئله

آموزش مدل‌های زبانی بزرگ (LLM) به ده‌ها هزار GPU/TPU نیاز دارد که هماهنگ کار کنند—یک زیرساخت عظیم با هزینه‌های ساخت و عملیاتی گزاف. برای بیشتر مؤسسات تحقیقاتی و شرکت‌های کوچک-متوسط، «کمبود کارت» بزرگترین تنگنا در تحقیقات آموزش مدل‌های بزرگ است.

چارچوب PrismLLM یک فناوری شبیه‌سازی با وفاداری بالا ارائه می‌دهد که هدف اصلی آن را می‌توان با مسئله بهینه‌سازی زیر توصیف کرد:

$\min_{\theta} \mathcal{L}\left( f_{\text{sim}}(x; \theta), f_{\text{real}}(x) \right) + \lambda \cdot \Omega(\theta)$

که $f_{\text{sim}}$ مدل شبیه‌سازی، $f_{\text{real}}$ رفتار یک کلاستر واقعی ۱۰K-GPU و $\Omega(\theta)$ عبارت منظم‌سازی است.

۱.۲ اصول فنی اصلی

نوآوری اصلی PrismLLM توانایی شبیه‌سازی رفتار آموزشی یک کلاستر عظیم با تنها چند GPU است، با خطای بسیار کم (زیر ۱٪).

۱.۳ ویژگی‌های فنی کلیدی

ویژگی	توضیحات	مزیت
خطای شبیه‌سازی < ۱٪	انحراف از نتایج آموزش کلاستر واقعی ۱۰K-GPU در ۱٪ نگه داشته می‌شود	دقت پیش‌بینی بسیار بالا
شبیه‌سازی توپولوژی ارتباط	الگوهای ارتباط جمعی مثل all-reduce، all-gather را دقیقاً شبیه‌سازی می‌کند	بدون نیاز به محیط شبکه واقعی
استراتژی موازی ترکیبی	شبیه‌سازی ترکیبی از داده‌موازی، مدل‌موازی و خط‌لوله‌موازی را پشتیبانی می‌کند	پوشش طرح‌های آموزشی主流
مدل‌سازی بار پویا	عوامل پویا مثل نوسان استفاده GPU، فشار حافظه را در نظر می‌گیرد	نزدیک‌تر به سناریوهای واقعی

۱.۴ سناریوهای کاربرد

$\text{کاهش هزینه تحقیقاتی} = \frac{C_{\text{real}} - C_{\text{sim}}}{C_{\text{real}}} \times 100% \approx 95%$

جستجوی فراپارامتر: پیش‌غربال‌گری پیکربندی‌های بهینه روی سخت‌افزار مقیاس کوچک
پیش‌بینی خطا: شناسایی زودهنگام مشکلات بالقوه در آموزش توزیع‌شده
تخمین هزینه: برآورد دقیق نیازمندی‌های منابع برای مقیاس‌های مختلف آموزش

۲. PhysBrain: یادگیری فیزیک از ویدئو

۲.۱ مفهوم اصلی

PhysBrain یک مدل پایه عقل سلیم فیزیکی است که قوانین جهان فیزیکی (مثل گرانش، برخورد، اصطکاک و…) را با تماشای ویدئو یاد می‌گیرد و به این ترتیب قابلیت‌های کنترل ربات را به طور قابل توجهی بهبود می‌بخشد.

$\hat{a}$

که $\mathcal{K}_{\text{physics}}$ پایگاه دانش عقل سلیم فیزیکی است که مدل از ویدئو یاد گرفته.

۲.۲ معماری مدل

۲.۳ ماتریس قابلیت‌های کلیدی

$\mathbf{قابلیت} = \begin{bmatrix} \text{ادراک گرانش} & \text{پیش‌بینی برخورد} & \text{مدل‌سازی اصطکاک} \ \text{دینامیک سیالات} & \text{حرکت جسم صلب} & \text{ویژگی مواد} \ \text{روابط علّی} & \text{انتقال وضعیت} & \text{تعامل با محیط} \end{bmatrix}$

۲.۴ عملکرد در معیارهای هوش تجسم‌یافته

محیط‌های تست:

پلتفرم	نوع وظیفه	رتبه PhysBrain
SAPIEN	دستکاری اشیاء مفصلی	#۱
MuJoCo	کنترل پیوسته	#۱
Habitat	ناوبری بصری	#۱
Isaac Sim	مونتاژ صنعتی	#۱

Robotics Vision

۳. Elastic DiT: پیشرفت جدید در تولید تصویر real-time روی موبایل

۳.۱ تعریف مسئله

مدل‌های Diffusion سنتی (مثل Flux، Stable Diffusion) با یک trade-off شدید کیفیت در مقابل تأخیر روی دستگاه‌های موبایل مواجه‌اند:

$\text{کیفیت} \propto \frac{1}{\text{تأخیر} \times \text{محاسبات}}$

Elastic DiT (Elastic Diffusion Transformer) این محدودیت را از طریق تنظیم پویای پارامتر می‌شکند.

۳.۲ مکانیزم زمان‌بندی پویای پارامتر

۳.۳ فرمول‌بندی ریاضی

عبور رو به جلوی Elastic DiT به صورت زیر بیان می‌شود:

$\mathbf{x}_{t-1} = \alpha_t \mathbf{x}_t + \sigma_t \cdot \mathcal{E}(\mathbf{x}_t, t, c; \theta(d, w))$

که پارامترهای زمان‌بندی $(d, w)$ به صورت پویا توسط شرایط دستگاه و نیازمندی‌های کیفیت تعیین می‌شوند:

$(d^$

۳.۴ مقایسه عملکرد

مدل	دستگاه	تأخیر	FID	وضوح
Flux-dev	RTX 4090	۲.۱s	۵.۲	۱۰۲۴x۱۰۲۴
SDXL	RTX 4090	۳.۵s	۶.۱	۱۰۲۴x۱۰۲۴
Elastic DiT (سرعت)	iPhone 16	< ۵۰ms	۶.۸	۵۱۲x۵۱۲
Elastic DiT (متعادل)	iPhone 16	۳۰۰ms	۵.۰	۱۰۲۴x۱۰۲۴
Elastic DiT (کیفیت)	iPhone 16	۱.۲s	۴.۳	۱۰۲۴x۱۰۲۴

حالت سرعت به کیفیت تصویر فراتر از مدل‌های Flux روی موبایل می‌رسد!

Mobile AI

۴. IVGT: چارچوب بازسازی سه‌بعدی ضمنی

۴.۱ نمای کلی فنی

IVGT (Implicit Volume Geometry Transformer) یک چارچوب نوآورانه بازسازی سه‌بعدی ضمنی است که می‌تواند به طور خودکار هندسه سه‌بعدی پیوسته را از تصاویر معمولی ۲D بسازد و به رندرینگ با دقت بالا دست یابد.

۴.۲ خط لوله فنی

۴.۳ نمایش ضمنی

IVGT از یک تابع فاصله علامت‌دار ضمنی (SDF) برای نمایش هندسه سه‌بعدی استفاده می‌کند:

$f(\mathbf{x}; \theta): \mathbb{R}^3 \rightarrow \mathbb{R}$

که:

$f(\mathbf{x}) = 0$ سطح جسم را نشان می‌دهد
$f(\mathbf{x}) > 0$ خارج از جسم را نشان می‌دهد
$f(\mathbf{x}) < 0$ داخل جسم را نشان می‌دهد

میدان ضمنی از طریق معادله رندر حجمی به تصویر تبدیل می‌شود:

$\hat{C}(\mathbf{r}) = \int_{t_n}^{t_f} T(t) \cdot \sigma(\mathbf{r}(t)) \cdot \mathbf{c}(\mathbf{r}(t), \mathbf{d}) , dt$

که transmittance:

$T(t) = \exp\left( -\int_{t_n}^{t} \sigma(\mathbf{r}(s)) , ds \right)$

۴.۴ عملکرد در وظایف بازسازی مش

روش	Chamfer-L1 ↓	F-Score ↑	زمان آموزش	نیازمندی ورودی
NeRF	۰.۰۸۵	۰.۷۲	۱۲h	چندنمایی
NeuS	۰.۰۶۲	۰.۸۱	۸h	چندنمایی
VolSDF	۰.۰۵۸	۰.۸۴	۱۰h	چندنمایی
IVGT	۰.۰۳۱	۰.۹۳	۲h	تک/چندنمایی

۵. مقایسه جامع و چشم‌انداز آینده

۵.۱ نمای کلی مقایسه چهار فناوری

۵.۲ تحلیل کمی روندها

۵.۳ خلاصه فرمول‌های کلیدی

تکنیک	فرمول اصلی	هدف
PrismLLM	$\min \mathcal{L}(f_{\text{sim}}, f_{\text{real}}) + \lambda\Omega$	شبیه‌سازی رفتار آموزش
PhysBrain	$\hat{a}_t = \arg\max P(a \| s_t, \mathcal{K})$	تصمیم‌گیری آگاه از فیزیک
Elastic DiT	$\mathbf{x}_{t-1} = \alpha_t \mathbf{x}_t + \sigma_t \mathcal{E}(\cdot; \theta(d,w))$	استنتاج پویا
IVGT	$\hat{C}(\mathbf{r}) = \int T(t)\sigma(\mathbf{r}(t))\mathbf{c}(\cdot)\,dt$	رندر حجمی

۵.۴ چشم‌انداز آینده

PrismLLM هزینه تحقیق آموزش مدل‌های بزرگ را ۹۵٪ یا بیشتر کاهش می‌دهد و academia را قادر به مشارکت در تحقیقات مدل‌های پیشرفته می‌کند.

PhysBrain راه را برای ربات‌های همه‌منظوره هموار می‌کند—ربات‌های خانگی واقعاً «بامعرفت» ظرف ۳-۵ سال انتظار می‌روند.

Elastic DiT نشان‌دهنده رسیدن تولید تصویر هوش مصنوعی عملی روی موبایل است—ایجاد real-time با هوش مصنوعی روی گوشی به استاندارد تبدیل می‌شود.

قابلیت بازسازی سه‌بعدی تک‌تصویری IVGT workflowهای توسعه بازی و AR/VR را متحول خواهد کرد.

References

مقالات

PrismLLM: arXiv preprint
PhysBrain: arXiv preprint
Elastic DiT: Paper page
IVGT: Project page

منابع ویدئویی

پروژه‌های متن‌باز

این سند توسط AI News Daily در ۲۰۲۶/۵/۱۹ گردآوری شده و به طور مداوم تحولات تحقیقات مرزی هوش مصنوعی را دنبال می‌کند.