🌍 Google DeepMind:
آیا Veo 3 واقعاً «دنیا را می‌فهمد»؟

❌گوگل مقاله‌ای منتشر کرده که در آن بررسی کرده آیا مدل Veo 3 فقط یک ابزار ساخت ویدیوست یا واقعاً درک فیزیکی و منطقی از جهان دارد. 🎥🤖

❌مدت‌هاست گوگل می‌گوید Veo چیزی فراتر از یک مدل ویدیوساز است — آن را به‌عنوان پایه‌ای برای آموزش نسل بعدی مدل‌ها، ایجنت‌ها و ربات‌ها می‌بیند.

---
🧠 چرا مهم است؟

✅دانشمندانی مانند Yann LeCun بارها گفته‌اند مشکل اصلی مدل‌های زبانی فعلی (LLMها) نداشتن درک از جهان مادی است.
به‌عبارتی، بدون فهم فیزیک و تعامل با واقعیت، رسیدن به AGI ممکن نیست.
---

🔬 در این پژوهش چه کردند؟

محققان Veo را در مجموعه‌ای بزرگ از وظایف آزمایش کردند:

♻️عبور از هزارتو (maze solving)
♻️مدل‌سازی فیزیکی (شناوری، اصطکاک، بازتاب، شکست نور و...)
♻️استدلال دیداری و تشخیص ویژگی‌های اشیا

📊 نتایج نشان می‌دهد:

✳️همچنین Veo 3 توانایی حل مسائل جدیدی را دارد که در آموزش خود ندیده است (مثلاً تشخیص اشیا بدون آموزش مستقیم).
✳️از نوعی «زنجیره تفکر دیداری» استفاده می‌کند که محققان آن را Chain-of-Frames (CoF) نامیده‌اند — مشابه Chain-of-Thought در LLMها.
✳️در حل هزارتوهای ۵×۵ به دقت ۷۸٪ در معیار pass@10 رسیده، که برای مدل ویدیویی بسیار قابل‌توجه است.

✳️درک قابل‌توجهی از قوانین فیزیکی جهان واقعی دارد.

---
⚡️ جمع‌بندی

⛔️همچنین Veo 3 تنها یک مدل تولید ویدیو نیست — بلکه نشانه‌ای از مدل‌های درک‌کننده جهان (World Models) است.
⛔️ممکن است همین مسیر، آینده یادگیری هوش مصنوعی را از متن به سمت درک و تعامل با واقعیت بصری و فیزیکی سوق دهد.

📄 مطالعه مقاله:
DeepMind Veo 3 Paper (2025)

#AI #DeepMind #Veo3 #WorldModel #AGI #Google #ChainOfFrames @rss_ai_ir