بدون دسته های نکسینو

آیا می‌دانید چرا با وجود نیاز شدید جهان به انرژی‌های پاک، نیروگاه‌های هسته‌ ای هنوز به طور گسترده در مناطق مختلف توسعه نیافته‌اند؟ پاسخ در هزینه‌های سرسام‌آور عملیاتی و نیاز به نیروی انسانی متخصص نهفته است. در نیروگاه‌های سنتی (Legacy Plants) که با ظرفیت ۱۰۰ درصدی کار می‌کنند، حضور یک تیم بزرگ از اپراتورها توجیه اقتصادی دارد؛ اما آینده این صنعت به «میکرو راکتورها» (Microreactors) گره خورده است. این راکتورهای کوچک قرار است در مناطق دورافتاده مستقر شوند و قطعاً نمی‌توانند هزینه‌های یک تیم بزرگ انسانی را تامین کنند. از طرفی، کنترل این سیستم‌های بسیار حساس با روش‌های دستی فعلی، مانع از مقیاس‌پذیری آن‌ها می‌شود. برای حل این بحران جهانی، پژوهشگران دانشگاه MIT و آزمایشگاه ملی آیداهو (INL) در تابستان ۲۰۲۶ به دستاوردهای بزرگی در زمینه پروتکل‌های کنترل از راه دور دست یافته‌اند. اما نکته شگفت‌انگیز اینجاست: آن‌ها برای خودکارسازی نیروگاه‌های هسته ای به جای استفاده از مدل‌های رایج یادگیری ماشین، به سراغ اتوماسیون قطعی رفته‌اند! در این مقاله بررسی می‌کنیم که چگونه ترکیب تئوری کنترل و رفتار انسانی در حال تغییر آینده انرژی هسته‌ای است. چالش میکرو راکتورها: گذر از مدیریت انسانی به سیستم کنترل خودکار راکتور لورن فورتیه (Lauren Fortier)، دانشجوی دکتری دپارتمان علوم و مهندسی هسته‌ای (NSE) در دانشگاه MIT، تحقیقات خود را بر اساس تجربیات واقعی‌اش بنا کرده است. او پیش از ورود به فضای آکادمیک، وظیفه نظارت بر عملیات نیروگاه هسته‌ ای یک ناو هواپیمابر آمریکایی را در اعماق دریای چین جنوبی بر عهده داشت. او متوجه شد که فرآیندهای کنترل راکتور به شدت به عملیات دستی و انسان‌محور وابسته هستند. رویکرد کار تیمی (Tag-Team) میان انسان و ماشین: در طراحی یک سیستم کنترل خودکار راکتور برای آینده، بزرگترین چالش این است که فرآیندها نباید صرفاً ماشین‌محور یا صرفاً انسان‌محور باشند. چارچوب‌های جدید بر پایه رویکرد “تگ‌تیم” طراحی شده‌اند؛ به این معنا که ماشین و انسان هر کدام کاری را که در آن بهترین هستند انجام می‌دهند و مداخله استراتژیک انسانی تنها در مواقع کاملاً ضروری صورت می‌گیرد. این رویکرد، راه را برای تجاری‌سازی میکرو راکتورها در مناطق دور از شبکه هموار می‌کند. مرزبندی حیاتی: تفاوت کاربرد هوش مصنوعی و اتوماسیون قطعی در انرژی هسته‌ای در حالی که امروزه در اکثر صنایع، مدیران به دنبال استفاده از بهترین ابزارهای هوش مصنوعی ۲۰۲۶ برای کاهش هزینه‌ها هستند، صنعت هسته‌ ای مسیر کاملاً متفاوتی را طی می‌کند. خطرات مدل‌های آماری و یادگیری ماشین (Machine Learning) در راکتورها: مدل‌های پیشرفته هوش مصنوعی و شبکه‌های عصبی عمیق (مانند مدل‌هایی که در ساختار گوگل جمینای ۳.۶ فلش لایت یا سایر ابزارهای مولد استفاده می‌شوند)، بر اساس احتمالات و داده‌های آماری کار می‌کنند. مشکل اصلی اینجاست که ما در حال حاضر ابزارها و متدهای ریاضی لازم برای «اعتبارسنجی ۱۰۰ درصدی ایمنی» در این سیستم‌های داده‌محور را نداریم. در یک نیروگاه هسته‌ ای، یک خطای کوچک پیش‌بینی‌نشده می‌تواند فاجعه‌بار باشد. جایگزین هوش مصنوعی: سیستم‌های رویدادگسسته (Finite State Automata): به همین دلیل، اتوماسیون نیروگاه‌های هسته‌ای بر پایه سیستم‌های “رویدادگسسته” بنا شده است. این روش برخلاف رویکردهای آماری مانند معماری ایجنت‌های هوش مصنوعی، کاملاً قطعی و شفاف است. در جدول زیر تفاوت این دو رویکرد را در مهندسی سیستم‌های حساس مقایسه کرده‌ایم: ویژگی سیستم هوش مصنوعی (Machine Learning) اتوماسیون کلاسیک (Finite State Automata) منطق تصمیم‌گیری مبتنی بر احتمالات و الگوهای داده‌ای (جعبه سیاه) مبتنی بر رویدادهای قطعی (اگر الف رخ داد، ب را انجام بده) قابلیت اعتبارسنجی ایمنی در حال حاضر غیرممکن برای سیستم‌های فوق‌حساس کاملاً شفاف، قابل پیش‌بینی و قابل اعتبارسنجی میزان شفافیت عملکرد پایین (دلیل تصمیم‌گیری ماشین همیشه مشخص نیست) بسیار بالا (تمام تغییرِ وضعیت‌ها از پیش تعریف شده‌اند) کاربرد اصلی پردازش زبان، تولید محتوا، کشف الگو کنترل سیستم‌های ایمنی حیاتی، هوافضا و مهندسی هسته‌ای معرفی ابزارها و سیستم‌های کلیدی در کنترل نظارتی برای درک بهتر نحوه مدیریت از راه دور این راکتورها، باید با چارچوب‌های اصلی اتوماسیون صنعتی در این حوزه آشنا شویم. مهندسان از ابزارها و مفاهیم زیر برای این کار استفاده می‌کنند: سیستم کنترل نظارتی (Supervisory Control System) یک پلتفرم نرم‌افزاری و سخت‌افزاری یکپارچه که به جای درگیر کردن اپراتور با هزاران سنسور مجزا، به صورت یکپارچه بر تمام عملگرهای نیروگاه نظارت می‌کند. این سیستم به صورت هدف‌گرا طراحی می‌شود؛ یعنی به جای طی کردن چشم‌بسته یک دستورالعمل ثابت، توالی رویدادها را بر اساس شرایط لحظه‌ای سایت تنظیم می‌کند تا نیروگاه به هدف مشخص (مثلاً کاهش امن دما) برسد. مدل‌های ماشین حالت متناهی (Finite State Automata Frameworks) پروتکل‌های اتوماسیون شفاف و قطعی که وضعیت لحظه‌ای نیروگاه را پایش می‌کنند. این سیستم‌ها به صورت رویدادمحور کار می‌کنند و بر خلاف شبکه‌های عصبی هوش مصنوعی، تنظیمات را تنها بر اساس تغییر فازهای از پیش‌تعریف‌شده و کاملاً ایمن (States) تغییر می‌دهند. نقش دانشگاه MIT و INL در توسعه پروتکل‌های کنترل از راه دور نیروگاه پروژه اتوماسیون نیروگاه‌های هسته‌ ای نیازمند تلفیق مهندسی سخت‌افزار با علوم شناختی است. در این مسیر، همکاری‌های بین‌رشته‌ای کلید اصلی این موفقیت بوده است. پروژه‌هایی از این دست، نیروی محرکه لازم برای استقرار تجاری نسل آینده میکرو راکتورها را فراهم می‌کنند و مسیر را برای بهره‌مندی جهان از یک منبع انرژی پاک، پایدار و ارزان هموار می‌سازند. بخش سوالات متداول (FAQ)

مکالمه صوتی با هوش مصنوعی در سال‌های اخیر پیشرفت زیادی کرده است، اما هنوز یک مشکل مهم باقی مانده: تأخیر و مکث‌های غیرطبیعی در گفت‌وگو. کاربر باید صحبتش را تمام کند، سیستم پایان جمله را تشخیص دهد و سپس مدل شروع به پردازش و پاسخ‌گویی کند. اگر این تشخیص زود انجام شود، صحبت کاربر قطع می‌شود و اگر دیر انجام شود، گفت‌وگو کند و مصنوعی به نظر می‌رسد. OpenAI برای حل این مشکل از سیستم جدیدی به نام GPT-Live رونمایی کرده است؛ فناوری‌ای که می‌تواند هم‌زمان صدای کاربر را دریافت کند و پاسخ صوتی ارائه دهد. هدف این سیستم، نزدیک کردن مکالمه با هوش مصنوعی به ریتم طبیعی گفت‌وگوی انسان‌هاست. GPT-Live چیست؟ GPT-Live نسل سوم سیستم صوتی OpenAI برای ایجاد مکالمه‌های سریع، پیوسته و بلادرنگ است. این فناوری به مدل اجازه می‌دهد بدون منتظر ماندن برای پایان کامل صحبت کاربر، جریان صدا را پردازش کند و در زمان مناسب پاسخ دهد. در سیستم‌های صوتی قدیمی، یک مدل کوچک به نام Turn Detector وظیفه داشت تشخیص دهد کاربر چه زمانی صحبتش را تمام کرده است. تنها پس از تصمیم این سیستم، مدل زبانی اصلی می‌توانست پردازش درخواست را آغاز کند. GPT-Live این تشخیص‌دهنده جداگانه را از مسیر اصلی صدا حذف کرده و کنترل جریان مکالمه را به خود مدل صوتی سپرده است. در نتیجه، مدل بهتر می‌تواند تشخیص دهد چه زمانی گوش دهد، چه زمانی صحبت کند و چه زمانی اجازه دهد کاربر پاسخ را قطع کند. OpenAI این سیستم را در تاریخ ۳ اوت ۲۰۲۶ معرفی کرد و اعلام کرد که توسعه زیرساخت آن حدود شش ماه زمان برده است. این فناوری در حال حاضر پایه بخشی از قابلیت‌های ChatGPT Voice را تشکیل می‌دهد. GPT-Live چگونه کار می‌کند؟ مهم‌ترین ویژگی GPT-Live، استفاده از معماری Full-Duplex یا ارتباط دوطرفه هم‌زمان است. در یک مکالمه صوتی معمولی با هوش مصنوعی، ارتباط اغلب نوبتی است: اما در GPT-Live، ورودی و خروجی صوتی می‌توانند به‌صورت هم‌زمان جریان داشته باشند. مدل در حالی که صدای کاربر را دریافت می‌کند، می‌تواند صحبت کند، مکث کند یا واکنش کوتاهی نشان دهد. این موضوع باعث می‌شود تعامل‌هایی مانند موارد زیر طبیعی‌تر شوند: OpenAI می‌گوید وظیفه اصلی معماری جدید، حفظ یک جریان صوتی بدون وقفه است. پردازش صدا در مسیر اصلی انجام می‌شود و کارهای سنگین‌تر مانند استفاده از ابزارها یا استدلال پیچیده، به مسیرهای جداگانه انتقال پیدا می‌کنند. تفاوت GPT-Live با حالت صوتی قبلی ChatGPT چیست؟ نسل‌های قبلی قابلیت صوتی ChatGPT نیز امکان گفت‌وگوی مستقیم را فراهم می‌کردند، اما معماری آن‌ها همچنان تا حد زیادی به مکالمه نوبتی وابسته بود. تفاوت اصلی GPT-Live را می‌توان در جدول زیر مشاهده کرد: ویژگی سیستم صوتی قبلی GPT-Live شیوه مکالمه نوبتی پیوسته و هم‌زمان تشخیص پایان صحبت متکی به Turn Detector کنترل‌شده توسط مدل امکان قطع پاسخ محدودتر طبیعی‌تر و سریع‌تر پردازش صوت مرحله‌ای جریان دائمی صوت استفاده از مدل‌های دیگر ممکن است باعث مکث شود در مسیر جداگانه انجام می‌شود حس مکالمه شبیه پرسش و پاسخ نزدیک‌تر به گفت‌وگوی انسانی در روش‌های قدیمی‌تر، حتی مدل‌های Speech-to-Speech نیز برای شروع پردازش منتظر تصمیم تشخیص‌دهنده پایان صحبت می‌ماندند. GPT-Live این محدودیت را کاهش می‌دهد و اجازه می‌دهد خود مدل صوتی مدیریت مکالمه را بر عهده بگیرد. OpenAI چگونه تأخیر مکالمه صوتی را کاهش داده است؟ طبیعی بودن مکالمه فقط به قدرت مدل وابسته نیست. انتقال صدا، وضعیت شبکه، اجرای ابزارها و مدیریت سابقه مکالمه نیز می‌توانند باعث ایجاد تأخیر شوند. OpenAI برای کاهش این تأخیر، مسیر انتقال صدا را از منطق برنامه جدا کرده است. صوت میان دستگاه کاربر و مدل از یک مسیر سریع و اختصاصی عبور می‌کند؛ در حالی که کارهایی مانند جست‌وجو، فراخوانی ابزار یا اجرای سرویس‌های جانبی در یک مسیر غیرهم‌زمان انجام می‌شوند. بنابراین اگر یک ابزار یا سرویس خارجی با تأخیر پاسخ دهد، جریان صوتی مکالمه متوقف نمی‌شود. همچنین OpenAI بخشی از زیرساخت قبلی مبتنی بر Python asyncio را با زبان Go بازنویسی کرده است. بر اساس توضیحات این شرکت، این تغییر باعث شده انتقال فریم‌های صوتی روان‌تر و پایدارتر شود. نقش WebRTC در GPT-Live GPT-Live برای انتقال صوت از WebRTC استفاده می‌کند؛ فناوری‌ای که برای ارتباطات صوتی و تصویری بلادرنگ طراحی شده است. WebRTC می‌تواند در شرایطی مانند افت بسته‌های شبکه، تغییر اتصال یا ناهماهنگی زمان‌بندی همچنان ارتباط را حفظ کند. برای مثال، اگر بخشی از صدا دیر برسد، سیستم می‌تواند پخش آن را کمی تنظیم کند تا از ایجاد سکوت یا پرش صوتی جلوگیری شود. پروتکل WARP چیست؟ راه‌اندازی معمولی WebRTC نیازمند چندین مرحله ارتباط میان کاربر و سرور است. این مراحل می‌توانند شروع مکالمه را به تأخیر بیندازند. OpenAI برای حل این مشکل، پروتکلی به نام WebRTC Abridged Roundtrip Protocol یا WARP توسعه داده است. این پروتکل تعداد رفت‌وبرگشت‌های شبکه برای شروع انتقال صدا و داده را از شش مرحله به یک مرحله کاهش می‌دهد. در کنار WARP، قابلیتی به نام Instant Connect نیز پارامترهای لازم برای اتصال را پیشاپیش آماده می‌کند. به این ترتیب، کاربر می‌تواند سریع‌تر وارد مکالمه صوتی شود. نقش GPT-5.5 در GPT-Live چیست؟ GPT-Live برای پاسخ‌های سریع و مکالمه طبیعی طراحی شده است، اما همه درخواست‌ها را به‌تنهایی پردازش نمی‌کند. اگر کاربر پرسشی مطرح کند که به استدلال عمیق، جست‌وجو یا استفاده از ابزار نیاز داشته باشد، GPT-Live می‌تواند از مدل‌های قدرتمندتری مانند GPT-5.6 کمک بگیرد. این فرایند در یک مسیر جداگانه انجام می‌شود. مدل صوتی می‌تواند در زمان پردازش درخواست، جریان گفت‌وگو را حفظ کند و پس از آماده شدن نتیجه، آن را وارد پاسخ کند. OpenAI این معماری را جداسازی «صحبت کردن» از «تفکر عمیق‌تر» توصیف می‌کند. هدف این است که استفاده از مدل‌های قدرتمند و ابزارها، باعث سکوت طولانی یا قطع مکالمه نشود. GPT-Live چه کاربردهایی دارد؟ معماری GPT-Live می‌تواند زمینه‌ساز نسل جدیدی از محصولات صوتی باشد. برخی از مهم‌ترین کاربردهای آن عبارت‌اند از: OpenAI اعلام کرده است که این زیرساخت در ChatGPT Voice برای قابلیت‌هایی مانند کنترل رایانه و هماهنگ کردن ایجنت‌ها در اپلیکیشن دسکتاپ ChatGPT نیز مورد استفاده قرار می‌گیرد. آیا GPT-Live اکنون در دسترس کاربران است؟ فناوری پشت GPT-Live در حال حاضر بخشی از زیرساخت ChatGPT Voice است، اما OpenAI هنوز GPT-Live API را به‌صورت عمومی منتشر نکرده است. این شرکت اعلام کرده که معماری جدید، زیربنای API آینده GPT-Live خواهد بود. با

نورپردازی یکی از بنیادی‌ترین اجزای زبان سینماست. نور فقط امکان دیده‌شدن سوژه را فراهم نمی‌کند؛ بلکه جایگاه شخصیت در فضا، رابطه او با محیط، زمان وقوع صحنه، کیفیت احساسی روایت و جهت نگاه تماشاگر را نیز تعیین می‌کند. به همین دلیل، ورود هوش مصنوعی به حوزه نورپردازی را نمی‌توان صرفاً به‌عنوان اضافه‌شدن یک ابزار فنی جدید بررسی کرد. این فناوری در حال تغییر رابطه میان فیلم‌برداری، طراحی نور، جلوه‌های بصری و پس‌تولید است. امروزه الگوریتم‌های هوش مصنوعی می‌توانند چهره را از محیط جدا کنند، جهت و شدت تقریبی نور را تخمین بزنند، سایه‌ها را بازسازی کنند، شرایط نوری تازه‌ای بر یک تصویر اعمال کنند و حتی یک صحنه سه‌بعدی قابل‌بازنورپردازی بسازند. پژوهش‌های جدید در زمینه Neural Rendering، NeRF، Gaussian Splatting و مدل‌های انتشار ویدئویی نشان می‌دهند که مرز میان نورپردازی هنگام تصویربرداری و بازسازی نور در پس‌تولید به‌تدریج در حال تغییر است. بااین‌حال، باید میان «بازسازی روشنایی تصویر» و «طراحی نور سینمایی» تفاوت قائل شد. هوش مصنوعی می‌تواند توزیع روشنایی را تغییر دهد، اما هنوز درک مستقلی از روایت، بازی، میزانسن و منطق دراماتیک نور ندارد. بنابراین مسئله اصلی این مقاله آن نیست که آیا AI قادر به روشن‌تر یا تاریک‌ترکردن یک تصویر است؛ پرسش مهم‌تر این است که آیا می‌تواند بداند چرا یک شخصیت باید در سایه بماند، چرا نور باید از جهت خاصی وارد شود و چرا گاهی از دست‌رفتن جزئیات بخشی از تصمیم هنری فیلم‌بردار است. نورپردازی فیلم دقیقاً چه چیزی را کنترل می‌کند؟ درک نقش هوش مصنوعی در نورپردازی بدون شناخت وظیفه اصلی نور دشوار است. نورپردازی حرفه‌ای تنها تنظیم مقدار روشنایی نیست. فیلم‌بردار و طراح نور معمولاً چند متغیر را به‌طور هم‌زمان کنترل می‌کنند: این متغیرها مستقل از یکدیگر نیستند. نزدیک‌کردن یک منبع نور فقط شدت آن را افزایش نمی‌دهد؛ اندازه ظاهری منبع نسبت به سوژه نیز بیشتر می‌شود و می‌تواند سایه‌ها را نرم‌تر کند. تغییر دمای رنگ ممکن است روی پوست، دکور، لباس و تطبیق نماها اثر متفاوتی بگذارد. نورپردازی سینمایی درواقع مدیریت یک شبکه پیچیده از روابط فیزیکی و ادراکی است. هوش مصنوعی زمانی می‌تواند در این حوزه مفید باشد که به فیلم‌بردار برای تحلیل، شبیه‌سازی یا کنترل این روابط کمک کند؛ نه آنکه نور را به یک فیلتر ساده تصویری کاهش دهد. ۱. هوش مصنوعی در پیش‌تصویری‌سازی نور یکی از کاربردهای مهم AI در نورپردازی، پیش‌تصویری‌سازی یا Previsualization است. پیش از ورود گروه تولید به لوکیشن، می‌توان با استفاده از مدل‌های سه‌بعدی، تصاویر مرجع یا مدل‌های مولد، چند طراحی نوری متفاوت را آزمایش کرد. در این مرحله، ابزار هوشمند می‌تواند برای بررسی اولیه این موارد مفید باشد: ارزش اصلی این ابزارها سرعت آزمایش است. مدیر فیلم‌برداری می‌تواند چند ایده متفاوت را در زمان کوتاه مقایسه کند و برای گفت‌وگو با کارگردان، طراح صحنه و گروه نور تصاویر قابل‌مشاهده‌تری در اختیار داشته باشد. اما تصویر تولیدشده با هوش مصنوعی الزاماً یک شبیه‌سازی فیزیکی معتبر نیست. مدل مولد ممکن است سایه‌ای ایجاد کند که با جهت منبع نور هماهنگ نباشد، چند منبع نوری ناممکن را ترکیب کند یا بازتابی بسازد که با جنس سطح مطابقت ندارد. چنین تصویری می‌تواند الهام‌بخش باشد، اما نباید بدون تحلیل فنی به نقشه اجرایی نور تبدیل شود. برای تبدیل کانسپت AI به طرح واقعی، فیلم‌بردار باید بپرسد: منبع نور کجاست؟ چه اندازه‌ای دارد؟ شدت آن نسبت به نور محیط چقدر است؟ آیا می‌توان چنین زاویه‌ای را در لوکیشن ایجاد کرد؟ آیا سقف، پنجره یا تجهیزات صحنه اجازه نصب منبع را می‌دهند؟ آیا این نور در نماهای معکوس نیز قابل‌تداوم است؟ ۲. تحلیل خودکار چهره و پیشنهاد نور پرتره بخش مهمی از تحقیقات هوش مصنوعی در نورپردازی به بازنورپردازی چهره اختصاص دارد. این سامانه‌ها تلاش می‌کنند ساختار صورت، جهت تقریبی نور، بازتاب پوست و سایه‌های موجود را تخمین بزنند و سپس چهره را تحت نور تازه‌ای بازسازی کنند. پژوهش «Neural Video Portrait Relighting» نشان داده است که می‌توان با مدل‌سازی هم‌زمان سازگاری معنایی، نوری و زمانی، نورپردازی چهره در ویدئو را به‌صورت پیوسته تغییر داد. یکی از چالش‌های اصلی در این حوزه، جلوگیری از پرش نور و تغییر بافت چهره میان فریم‌هاست. پژوهش‌های جدیدتر نیز بازنورپردازی سه‌بعدی چهره را در زمان واقعی بررسی کرده‌اند. یک روش ارائه‌شده در CVPR 2024 با استفاده از بازنمایی سه‌بعدی و شبکه سازگاری زمانی، امکان تغییر نور و زاویه دید چهره را در ویدئو فراهم کرده و سرعتی نزدیک به زمان واقعی گزارش کرده است. برای تولیدکنندگان محتوا، این فناوری می‌تواند در مصاحبه، آموزش آنلاین، تبلیغات و ویدئوهای استودیویی کاربرد داشته باشد. اگر صورت در بخشی از تصویر کم‌نور باشد یا نور کلید از زاویه نامناسبی آمده باشد، بازنورپردازی هوشمند می‌تواند ظاهر چهره را تا حدی اصلاح کند. ولی این ابزارها با چند محدودیت مهم روبه‌رو هستند. پوست انسان فقط یک سطح رنگی ساده نیست. درخشندگی، بافت، رطوبت، آرایش، مو، عینک، ریش و پراکندگی نور در زیر پوست بر ظاهر آن اثر می‌گذارند. الگوریتم ممکن است نور عمومی چهره را تغییر دهد، اما جزئیات ظریف بازتاب و بافت را به‌درستی بازسازی نکند. همچنین نور چهره باید با نور محیط، سایه روی لباس، بازتاب چشم و جهت سایه روی دکور هماهنگ باشد. اگر فقط صورت بازنورپردازی شود، شخصیت ممکن است از محیط جدا و مصنوعی به نظر برسد. ۳. بازنورپردازی ویدئو پس از فیلم‌برداری بازنورپردازی یا Relighting به فرایندی گفته می‌شود که در آن شرایط روشنایی تصویر ثبت‌شده پس از تصویربرداری تغییر می‌کند. برخلاف اصلاح رنگ معمولی، هدف بازنورپردازی فقط تغییر روشنایی کلی یا رنگ نیست؛ بلکه الگوریتم باید تا حدی شکل سه‌بعدی صحنه، جهت سطوح، جنس مواد و مسیر نور را تخمین بزند. مدل‌های جدید تلاش می‌کنند تصویر را به مؤلفه‌هایی مانند رنگ ذاتی سطح، سایه، هندسه، نور مستقیم و نور غیرمستقیم تجزیه کنند. پژوهش‌های مبتنی بر Neural Radiance Fields نشان داده‌اند که می‌توان از مجموعه‌ای از تصاویر یا ویدئوها، بازنمایی سه‌بعدی قابل‌بازنورپردازی ایجاد کرد. روش ReNeRF، برای نمونه، از تعداد محدودی نور سطحی در محیط کنترل‌شده استفاده می‌کند و تلاش دارد اثر نورهای نزدیک به سوژه و انتقال پیچیده نور را ثبت کند. این روش برای ساخت دارایی‌های سه‌بعدی باکیفیت و تغییر نور از زوایای جدید طراحی شده است. پیشرفت‌های 2025 نیز نشان می‌دهد که بازنورپردازی به سمت مدل‌های سریع‌تر و انعطاف‌پذیرتر حرکت می‌کند. روش Relightable Neural Gaussians برای بازنورپردازی اجسام با سطوح

گوگل از مدل جدید Gemini 3 Flash رونمایی کرد؛ مدلی که با هدف ارائه هوش پیشرفته در کنار سرعت بالا و هزینه کمتر توسعه یافته است. این مدل جدید، بخشی از خانواده جمینای 3 محسوب می‌شود و ترکیبی از توان استدلالی در سطح مدل‌های پیشرفته و تأخیر بسیار پایین را در اختیار کاربران قرار می‌دهد. بر اساس اعلام گوگل، Gemini 3 Flash قادر است عملکردی در سطح مدل‌های Frontier ارائه دهد و در عین حال نسبت به نسل‌های قبلی، سریع‌تر و بهینه‌تر عمل کند. این مدل در بنچمارک‌های معتبر استدلال علمی، چندوجهی و برنامه‌نویسی عملکردی قابل‌توجه از خود نشان داده و برای اجرای گردش‌کارهای عامل‌محور (Agentic Workflows) بهینه شده است. Gemini 3 Flash از امروز به‌صورت گسترده در حال عرضه است و از طریق Gemini API، اپلیکیشن Gemini، حالت هوش مصنوعی در جستجوی گوگل (AI Mode in Search) و همچنین سرویس‌های سازمانی مانند Vertex AI و Gemini Enterprise در دسترس کاربران و کسب‌وکارها قرار می‌گیرد. گوگل اعلام کرده است که این مدل به‌تدریج به‌عنوان مدل پیش‌فرض برای کاربران Gemini در سراسر جهان فعال خواهد شد. برای مطالعه بیشتر اخبار و بروزرسانی ها به بخش ابزار هوش مصنوعی جمینای مراجعه کنید.