اجرای کنسول نینتندو در دل مدل زبانی Qwen؛ وقتی هوش مصنوعی سخت‌افزار می‌شود
اجرای کنسول نینتندو در مدل زبانی Qwen: این مدل با پیش‌بینی وضعیت بعدی پردازنده در قالب توکن، امکان اجرای بازی‌های کلاسیک را فراهم می‌کند.
خلاصه
پروژه جدید nesformer که در ۳۰ اکتبر ۲۰۲۶ منتشر شد، نشان داد که می‌توان یک کنسول کامل نینتندو (NES) را تنها با استفاده از وزن‌های مدل زبانی Qwen۳.۵ اجرا کرد. در این رویکرد، هوش مصنوعی برای اجرای بازی آموزش ندیده است؛ بلکه یک کامپایلر مخصوص، منطق سخت‌افزاری پردازنده نینتندو را به موازین ریاضی در لایه‌های مدل تبدیل کرده است. این مدل با پیش‌بینی وضعیت بعدی پردازنده در قالب توکن، امکان اجرای بازی‌های کلاسیک را فراهم می‌کند.
چطور یک مدل زبانی به کنسول بازی تبدیل می‌شود؟
بسیاری از ما عادت کرده‌ایم که از مدل‌های زبانی برای نوشتن یا ترجمه استفاده کنیم، اما پروژه nesformer زاویه متفاوتی را باز کرده است. این سیستم، پردازنده مرکزی نینتندو (۶۵۰۲) و حافظه رم ۲ کیلوبایتی آن را به بخشی از وزن‌های مدل Qwen۳.۵ تبدیل می‌کند.
مدل در هر مرحله، وضعیت بعدی پردازنده را توکن‌به‌توکن پیش‌بینی می‌کند. در واقع، بازی کردن با این مدل مثل این است که از یک دستیار هوشمند بخواهید مرحله بعدی محاسبات یک تراشه قدیمی را حدس بزند. یک برنامه میزبان کوچک نیز وظایف جانبی مثل ترسیم تصویر روی صفحه و خواندن دکمه‌های دسته بازی را بر عهده دارد تا تجربه بازی کامل شود.
سرعت و محدودیت‌های اجرای بازی با هوش مصنوعی
اگر انتظار دارید سوپر ماریو را با سرعت همیشگی روی هوش مصنوعی بازی کنید، باید کمی صبور باشید. اجرای هر فریم از بازی در این سیستم بین ۱ تا ۶ ثانیه زمان می‌برد. این یعنی برای دیدن ۱۰ ثانیه از محیط بازی، باید حدود ۱۰ تا ۶۰ دقیقه منتظر بمانید.
این پروژه در حال حاضر از بازی‌هایی پشتیبانی می‌کند که از برد NROM (مپر ۰) استفاده می‌کنند؛ عناوینی مثل Donkey Kong و Excitebike در این دسته قرار می‌گیرند. توسعه‌دهندگان برای آزمایش، نسخه محدودی از بازی سوپر ماریو را که شامل مرحله ۱-۱ است، با این سیستم هماهنگ کرده‌اند.
پیش‌نیازهای فنی برای اجرا
برای راه‌اندازی این سیستم به پایتون ۳.۱۱ یا نسخه‌های جدیدتر نیاز دارید. همچنین نصب کتابخانه‌هایی مثل numpy و scipy برای پردازش‌های عددی ضروری است. وزن‌های مدل که حجمی حدود ۱ گیگابایت دارند، باید در کنار بسته نرم‌افزاری قرار بگیرند تا سیستم بتواند فرآیند شبیه‌سازی را آغاز کند.
کاربرد این فناوری فراتر از بازی چیست؟
شاید اجرای یک بازی قدیمی با سرعت بسیار پایین بیهوده به نظر برسد، اما اهمیت اصلی این دستاورد در مفهوم «محاسبات درون مدل» نهفته است. این تجربه ثابت می‌کند که مدل‌های زبانی بزرگ می‌توانند به عنوان ماشین‌های محاسباتی دقیق عمل کنند.
در آینده، این قابلیت می‌تواند به ساخت دستیارهای هوشمندی منجر شود که به جای حدس زدن پاسخ‌ها، منطق‌های پیچیده مهندسی یا نرم‌افزاری را مستقیماً در لایه‌های درونی خود «اجرا» می‌کنند. برای مثال، در پلتفرمی مانند هوش مصنوعی نهال، استفاده از چنین منطق‌های ساخت‌یافته‌ای می‌تواند دقت ایجنت‌های هوشمند را در انجام کارهای حساسی که نیاز به محاسبات گام‌به‌گام دارند، به طرز چشمگیری افزایش دهد.
جمع‌بندی
پروژه nesformer مرز میان نرم‌افزار و مدل‌های هوش مصنوعی را کمرنگ‌تر کرده است. اگرچه هنوز تا رسیدن به سرعت اجرای بلادرنگ فاصله زیادی داریم، اما این واقعیت که یک مدل زبانی استاندارد می‌تواند با دقت ۱۰۰ درصد خروجی یک پردازنده فیزیکی را شبیه‌سازی کند، فصل جدیدی در کاربردهای تخصصی هوش مصنوعی باز کرده است.
منبع: github.com