جيه دي تفتح مصدر JoyAI‑EchoWM لتوليد عوالم تفاعلية يتزامن فيها الصوت مع الصورة

بدلاً من إنشاء مقطع فيديو ثابت ينتهي بعد ثوانٍ، تريد JD من JoyAI‑EchoWM أن يقدّم عالماً مولّداً يمكن للمستخدم «الدخول إليه» والتنقل فيه: تتحرك الكاميرا وفق أوامر المستخدم، وتتبدل الصورة والصوت معاً. وقد أعلنت الشركة خلال مؤتمر JDDiscovery ‏(JDD) 2026 إتاحة النموذج مفتوح المصدر، إلى جانب EchoWM‑Flash، وهي نسخة أخف تعتمد البث السببي في أربع خطوات. 16

فيديو وصوت يتغيران مع الحركة

يولّد EchoWM فيديو بدقة 720p متزامناً مع أصوات البيئة والموسيقى والكلام. والفكرة ليست إلحاق مسار صوتي بفيديو مكتمل لاحقاً، بل تحديث العناصر المرئية والسمعية معاً بينما يغيّر المستخدم اتجاهه أو يتقدم داخل المشهد. 12

ويعتمد النموذج تمثيلاً موحداً يسمى «نية الكاميرا»؛ إذ يحوّل أوامر لوحة المفاتيح أو وحدة التحكم إلى مسارات متصلة للكاميرا بست درجات حرية (6‑DoF). ويتيح ذلك التجول بمنظور الشخص الأول، وكذلك منظور الشخص الثالث ولقطات تتبع الهدف. تؤثر مسارات الكاميرا في المخرجات البصرية، فيما يُفترض أن تقود أحداث المشهد إلى أصوات متسقة معها، مثل وقع الخطوات والاصطدامات والحوار والموسيقى. 111

EchoWM‑Flash: تقليل الخطوات لاستجابة أسرع

تمثل EchoWM‑Flash النسخة ذات البث السببي بأربع خطوات، وغايتها خفض عدد خطوات أخذ العينات مع الإبقاء على توليد تفاعلي سريع الاستجابة. وفي نتائج ورقة البحث على 158 حالة ضمن WBench Navigation، سجّل EchoWM متوسط 81.7، بينما سجّل EchoWM‑Flash 81.0. وبلغت درجتا التفاعل والاتساق المعلنتان لـ EchoWM ‏87.2 و89.8 على الترتيب، في حين حققت Flash درجة تفاعل بلغت 87.9. 1

هذه مؤشرات معلنة من المطورين وورقة البحث، ولا تمثل تحققاً مستقلاً من جاهزية النموذجين لكل استخدامات الإنتاج الفوري. كما يسجل مستودع WBench منفصلاً نتيجة 81.6 لـ JoyAI‑Echo‑1.5 (WM)، و81.0 لنسخة Flash ذات الخطوات الأربع، وهو ما يفسر الفرق البسيط بين 81.6 و81.7 في التقارير المتاحة. 15

استمرارية المشهد: تفاعل متعدد الجولات، لكن بلا ذاكرة ثلاثية الأبعاد دائمة

يدعم EchoWM الاستكشاف عبر جولات متعددة عبر تكييف التوليد اعتماداً على نافذة قصيرة من السياق السمعي البصري السابق. وهذا يتيح متابعة تسلسل التنقل، لكنه لا يعادل الاحتفاظ بتمثيل ثلاثي الأبعاد صريح ودائم للعالم.

ولهذا التفريق أثر عملي: ففي غياب ذاكرة ثلاثية الأبعاد مستمرة، قد يتراكم الانحراف المكاني أو البصري خلال الاستكشافات الطويلة. وتشير النتائج المعلنة من JD إلى أداء قوي في التفاعل والاتساق ضمن الاختبار، إلا أن الاستمرارية المبنية على السياق تظل قيداً محتملاً عند التنقل لفترات طويلة. 111

التدريب والإتاحة العامة

تصف الورقة البحثية محركاً لبيانات العوالم وخط تدريب مرحلياً يستخدم سجلات اللعب، ولقطات لعب بشرية، ومحاكاة مبنية على Unreal Engine تربط الوضعيات بالحركة، إضافة إلى فيديوهات من الإنترنت. والهدف هو وصل حركة الكاميرا القابلة للتحكم بالديناميكيات البصرية وتوليد الصوت المتزامن في نموذج واحد. 1

وترتبط الورقة بمستودع الشفرة البرمجية العام jd-opensource/JoyAI-Echo، ما يجعل الإصدار مهماً للباحثين والمطورين الذين يختبرون أنظمة نماذج العوالم التفاعلية. 1

أين يندرج ضمن رهان JD على الذكاء الاصطناعي المادي؟

قُدّم EchoWM كجزء من مسعى أوسع لدى JD للذكاء الاصطناعي المادي، يشمل البيانات والحوسبة والنماذج وعمليات الخدمات اللوجستية. وقالت JD Cloud إنها تخطط لبناء عنقود حوسبة محلي يضم 100,000 وحدة GPU لتدريب النماذج الكبيرة والاستدلال وأحمال الذكاء الاصطناعي المتجسد، وجمع أكثر من 10 ملايين ساعة من الفيديو لأنشطة بشرية في العالم الواقعي. 1822

وفي الجانب التشغيلي من هذا التوجه، تنسّق منصة Meta Brain 3.0 التابعة لـ JD Logistics القرارات في التخزين والنقل والتسليم. ووفقاً للشركة، خفّض النظام زمن حساب المسارات المثلى لمئات الملايين من الطرود من دقائق إلى ثوانٍ. 1822

لذلك، يُفهم إصدار EchoWM على نحو أدق بوصفه خطوة في النماذج المفتوحة وبنية البحث والتطوير للذكاء الاصطناعي التفاعلي والمادي، لا إعلاناً للتمويل. وأبرز فكرته التقنية هي جمع التنقل القابل للتحكم بالكاميرا مع توليد الفيديو والصوت معاً، مع بقاء اتساق العالم على المدى الطويل تحدياً مفتوحاً. 111