‏مرز بعدیِ هوش مصنوعی بصری، تولید کُد است نه پیکسل

نویسنده (یوکو لی از a16z) می‌گه چند سالِ گذشته هوش مصنوعی بصری رو با پیکسل‌هاش قضاوت می‌کردیم: هرچی تصویر یا ویدیوی نهایی بهتر بود، مدل بهتر به‌نظر می‌رسید. ولی برای خیلی از کارها مثل طراحی گرافیک، طراحی رابط کاربری یا مدل‌سازی سه‌بعدی، چیزی که کاربر واقعاً می‌خواد فقط پیکسلِ خروجی نیست؛ یه اثره که بشه روش بازخورد گرفت و دائم تکرار و اصلاحش کرد. طراح به لایه و کامپوننت نیاز داره، انیماتور به کی‌فریم و منحنی زمان‌بندی، و هنرمند سه‌بعدی به هندسه، متریال و نورپردازی.

به گفتهٔ نویسنده دو شیوهٔ تولید بصری وجود داره. اولی تولید «پیکسل‌محور» (pixel-native) ـه؛ همون مدل‌های دیفیوژن که مستقیم تصویر یا ویدیو می‌سازن و برای بافت، اتمسفر و واقع‌گرایی عالی‌ان. دومی تولید «کُدمحور» (code-native) ـه: مدل خودِ پیکسل رو تولید نمی‌کنه، بلکه برنامه‌ای رو می‌نویسه که پیکسل رو می‌سازه؛ مثلاً یه فایل SVG، چیدمان HTML/CSS، کامپوننت React، فایل JSON مربوط به Lottie، اسکریپت Blender یا یه صحنهٔ موتور بازی.

این تمایز مهمه چون گردش‌کارِ تولید واقعی به اون چیزی که بعد از تولید اتفاق می‌افته اهمیت می‌ده. تصویرِ تولیدشده فقط یه خروجیه، ولی برنامهٔ بصریِ تولیدشده یه «اثر» ـه: می‌شه ویرایشش کرد، دوباره استفاده‌ش کرد، نسخه‌بندی‌ش کرد و تو بقیهٔ پشتهٔ نرم‌افزار جاش داد. مثال نویسنده ساده‌ست: اگه خروجی یه تصویر رستری باشه و یه منحنیِ لوگو غلط دربیاد، باید ماسک و بازتولیدش کنی؛ ولی اگه SVG باشه، کافیه همون مسیر یا گرادیان رو ویرایش کنی.

مهم‌ترین برگ برندهٔ این رویکرد، حلقهٔ بازخوردِ بسته‌ست: کُد ← رندر ← بازرسی ← اصلاح. مدل اثر رو تولید می‌کنه، رندرش می‌کنه، می‌بینه چی خراب شده و سورس رو وصله می‌کنه. به گفتهٔ نویسنده اینجاست که تولید کُدمحور برخلاف مدل‌های پیکسلی از «محاسبهٔ زمانِ اجرا» (test-time compute) واقعاً سود می‌بره؛ چون تو حالت پیکسلی هر تلاش فقط یه نمونهٔ تازهٔ شانسیه، ولی اینجا هر تکرار خودِ اثرِ زیربنایی رو بهتر می‌کنه. پشتهٔ این کار سه‌تا تکه داره: مدلِ کدنویس (نویسنده و ویرایشگر اثر)، نمایشِ نمادینِ منبعِ حقیقت (همون چیزی که اثر رو قابل‌ویرایش می‌کنه)، و رندرر یا موتوری که اون ساختار رو به پیکسل تبدیل می‌کنه.

نویسنده معتقده حوزهٔ سه‌بعدی بیشترین بهره رو از این تغییر می‌بره. یه طراحی دوبعدی گاهی فقط کافیه «درست به‌نظر برسه»، ولی یه دارایی سه‌بعدی باید واقعاً منسجم باشه: تصویرِ رندرشدهٔ یه صندلی، صندلی نیست؛ عکسِ یه صندلیه. برای اینکه تو بازی یا شبیه‌سازی به‌درد بخوره، باید هندسه، متریال، سلسله‌مراتب اجزا و حتی محدودیت‌های کارکردی درست داشته باشه؛ درها باز بشن، چرخ‌ها بچرخن. پروژه‌هایی مثل VIGA (که Blender رو محیط رندر و بازخورد می‌کنه) و Articraft3D دارن همین مسیر رو می‌رن.

به گفتهٔ نویسنده آینده احتمالاً ترکیبیه: مدل‌های پیکسلی برای واقع‌گرایی و بافت بهترن و سیستم‌های کُدمحور برای ساختار، تکرار و تولید. هنوز سؤال‌های باز زیادی هست، مثل اینکه برای هر حوزه کدوم نمایش برنده می‌شه؛ ولی جهت کلی روشنه: هوش مصنوعی بصری داره از «خروجی» به سمت «اثرِ کُدی» حرکت می‌کنه.

نکات کلیدی:

• نسل بعدیِ AI بصری به‌جای پیکسل نهایی، سورسِ قابل‌ویرایش (SVG, HTML/CSS, React, Lottie, Blender) رو تولید می‌کنه
• خروجیِ کُدی قابلِ ویرایش، نسخه‌بندی و ادغام تو پشتهٔ نرم‌افزاره
• حلقهٔ کُد ← رندر ← بازرسی ← اصلاح، باعث می‌شه این رویکرد از محاسبهٔ زمان‌اجرا واقعاً سود ببره
• سه‌بعدی بیشترین بهره رو می‌بره چون به انسجامِ ساختاری نیاز داره نه فقط ظاهرِ درست
• آینده ترکیبیه: پیکسلی برای واقع‌گرایی، کُدمحور برای ساختار و تولید