آیا سازمان‌ها به هارنس اختصاصی هوش مصنوعی نیاز دارند؟ ۵ درس کلیدی از فیلم‌ساز هوش مصنوعی Inkitt

جذاب‌ترین حوزه توسعه در هوش مصنوعی سازمانی در حال حاضر، نه مدل‌ها هستند و نه حتی ایجنت‌ها؛ بلکه «هارنس» (Harness) یا همان لایه مدیریت، هماهنگ‌سازی و مهار مدل است.

شرکت‌هایی از جمله Salesforce ،DeepSeek ،Xiaomi و Google به‌طور فزاینده‌ای در حال ارائه هارنس‌های اختصاصی و سفارشی هستند؛ سیستم‌هایی که برای ارتقای عملکرد مدل‌های بنیادین و ایجنت‌ها و همچنین افزایش قابلیت اطمینان آن‌ها در وظایف تکرارپذیر و در عین حال منعطف طراحی شده‌اند. هدف این هارنس‌ها تحقق این کار از طریق مجهز کردن مدل هوش مصنوعی به لایه‌ای از نرم‌افزار، ابزارها، پرامپت‌ها، زمینه (Context)، محیط‌های اجرایی و دستورالعمل‌های عملیاتی ویژه است.

اما یک پرسش اساسی مطرح می‌شود: اگر این غول‌های فناوری می‌توانند چنین سیستم‌هایی بسازند، آیا سازمان‌های دیگر نیز باید هارنس اختصاصی خود را برای حل وظایف کاری بسازند؟ و آیا می‌توان چنین هارنسی را به یک محصول تجاری تبدیل کرد؟ نمونه بارز شرکتی که اخیراً دست به چنین کاری زده، استارتاپ انتشارات دیجیتال و رسانه هوش مصنوعی Inkitt است؛ مجموعه‌ای که بیشتر برای انتشار و توزیع کتاب‌های الکترونیکی میان اعضای جامعه کاربری خود شناخته می‌شود. این شرکت نسخه بتای عمومی ابزاری به نام Inkitt Movie Creator را رونمایی کرده است که فیلم‌نامه‌های متنی را ظرف چند دقیقه به فیلم‌های تولیدشده با هوش مصنوعی تبدیل می‌کند.

ابزار Inkitt Movie Creator کاملاً مبتنی بر Cinematica عمل می‌کند؛ یک هارنس داخلی که توسط متخصصان تولید ویدیوی هوش مصنوعی در Inkitt توسعه یافته و می‌تواند مدل‌های مختلف تصویر، ویدیو و زبان را در کنار به‌کارگیری تکنیک‌های فیلم‌سازی واقعی هدایت و ارکستریت کند.

علی البزاز (Ali Albazaz)، بنیان‌گذار و مدیرعامل Inkitt، اعلام کرد که این شرکت به‌جای آموزش یک مدل ویدیویی بنیادین جدید برای رقابت مستقیم با سیستم‌هایی نظیر Seedance از شرکت ByteDance یا MiniMax و دیگر ابزارهای تولید ویدیوی هوش مصنوعی مولد، معتقد است فرصت بزرگ‌تر در ایجاد راهکاری برای کنترل آسان‌تر همین مدل‌ها در جریان یک تولید واقعی نهفته است.

البزاز در این باره می‌گوید: «گزینه‌های متنوع زیادی وجود دارد و ما اصلاً قصد رقابت در لایه مدل پایه را نداریم. آنچه Cinematica را متمایز می‌کند، هارنس آن است.»

پژوهش‌های اخیر به‌خوبی نشان داده‌اند که چرا مهندسی هارنس نقشی کلیدی دارد. سیستم HarnessX شرکت Xiaomi موفق شد عملکرد مدل‌ها را در ۱۴ بنچمارک از ۱۵ مورد آزمایش‌شده ارتقا دهد و بدون نیاز به تعویض مدل پایه، میانگین بهبود مطلق ۱۴٫۵ درصدی ثبت کند.

بررسی‌ها و آزمایش‌های عملی مستقل نیز اثبات کرده‌اند که یک مدل واحد با توجه به هارنس، تنظیمات ابزارها و استک اجرایی خود، می‌تواند خروجی‌هایی کاملاً متفاوت تولید کند.

سیستم Cinematica نمونه‌ای عینی از به‌کارگیری همین اصل فراتر از حوزه‌های کدنویسی و ایجنت‌های سازمانی است؛ رویکردی که به‌جای آموزش یک مدل فیلم‌سازی قوی‌تر، سیستمی کارآمدتر برای کارگردانی مدل‌های موجود می‌سازد. با این حال، شرکت در زمان رونمایی هیچ بنچمارک عددی مشخصی از هارنس خود منتشر نکرد و در عوض با ارائه دموها و بررسی‌های گام‌به‌گام نشان داد که چگونه این ابزار سرعت تولید را افزایش داده و نتایجی با قابلیت ویرایش سریع خلق می‌کند؛ فرآیندی که امکان تولید ویدیوی تبلیغاتی یا محتوایی را بسیار روان‌تر می‌سازد.

بررسی دموها نشان می‌دهد که تجربه کاربری این سیستم در مقایسه با کار مستقیم روی وب‌سایت‌های ارائه‌دهنده مدل‌های ویدیویی یا سرویس‌های تجمیع‌کننده مثل fal.ai بسیار ساده‌تر است؛ چراکه کاربر به‌جای درگیر شدن با منوهای متعدد و ارزیابی تکه‌تکه کلیپ‌های ویدیویی، فرآیند را در قالب یک اثر سینمایی واحد و یکپارچه پیش می‌برد.

مهم‌تر از همه، فرآیند توسعه این ابزار در Inkitt دست‌کم ۵ درس ارزشمند برای سازمان‌هایی دارد که به ساخت هارنس اختصاصی خود فکر می‌کنند.

درس اول: کار را با یک فرآیند کاری واقعی آغاز کنید، نه با ایده انتزاعی هارنس

سیستم Cinematica کار خود را به‌عنوان یک پروژه پلتفرمی انتزاعی در جست‌وجوی کاربرد آغاز نکرد.

به گفته البزاز، جرقه اولیه این سیستم در اوایل سال ۲۰۲۶ زده شد؛ زیرا Inkitt کاتالوگ بزرگی از داستان‌ها در اختیار داشت و قصد داشت بر پایه پرفروش‌ترین کتاب‌های الکترونیکی خود، آثاری برای سرویس استریم ویدیوی هوش مصنوعی خود یعنی Inkitt Ironblood بسازد. به گفته سخنگوی شرکت، تمامی محتواهای این پلتفرم با Cinematica تولید شده‌اند.

اقتصاد تولید سنتی، اقتباس این حجم عظیم از داستان‌ها را غیرعملی می‌کرد، در حالی که پیشرفت مدل‌های ویدیوی هوش مصنوعی مولد مسیر متفاوتی پیش روی آن‌ها گذاشت.

البزاز توضیح می‌دهد: «ما ساخت نسخه اول Cinematica را آغاز کردیم. این سیستم در ابتدا صرفاً یک ابزار داخلی برای خودمان بود.» سیستمی که اکنون در دسترس قرار گرفته، نسخه سوم آن است.

به عبارت دیگر، Inkitt از ابتدا با این فرض شروع نکرد که به یک «هارنس هوش مصنوعی» نیاز دارد؛ بلکه با یک چالش تکرارپذیر تجاری روبه‌رو بود: چگونه می‌توان از مدل‌های ویدیویی که سریعاً ارتقا می‌یابند برای تولید فیلم‌های طولانی‌تر استفاده کرد، بدون اینکه مجبور باشیم با آمدن هر مدل جدید کل جریان کاری تولید را از ابتدا بازنویسی کنیم؟

سامانه Cinematica پاسخ این نیاز بود. البزاز با استفاده از یک تمثیل خودرویی، انتقال این ابزار از زیرساخت داخلی به محصول عمومی را این‌گونه توصیف کرد:

«ما نوعی خودروی فرمول یک ساختیم تا به تولید داخلی فیلم‌ها کمک کند و اکنون آن را به یک هوندا CR-V تبدیل کرده‌ایم تا کاربران بیرونی هم بتوانند از آن استفاده کنند.»

این روند یک الگوی کاربردی برای دیگر سازمان‌ها ترسیم می‌کند: فرآیند را از یک گردش کار داخلیِ واقعی، تکراری و پرهزینه شروع کنید، ابتدا مشکل کارمندان خود را حل کنید و سپس بررسی کنید که آیا این هارنس ارزش تبدیل شدن به یک محصول گسترده‌تر را دارد یا خیر.

درس دوم: متخصصان حوزه را درون چرخه توسعه هارنس قرار دهید

نیروی انسانی نقشی محوری در رویکرد Inkitt دارد. به گفته البزاز، حدود ۲۵ نفر روی پروژه‌های Ironblood و Cinematica کار می‌کنند که شامل حدود ۱۵ تهیه‌کننده ویدیویی است و شرکت همچنان در حال جذب نیروهای بیشتر است.

این نیروها صرفاً کاربران نهایی Cinematica نیستند؛ بلکه عملاً به‌عنوان تیم تحقیق و توسعه (R&D) مداوم برای این هارنس عمل می‌کنند.

شرکت Inkitt جلسات روزانه‌ای برگزار می‌کند که در آن تیم تولید درباره تکنیک‌هایی که در طول روز کاری قبل کشف کرده‌اند بحث کرده و نحوه گنجاندن آن‌ها در نرم‌افزار Cinematica را بررسی می‌کنند.

روایت البزاز از این چرخه بسیار ساده و شفاف است:

«برای نمونه به یکی از اعضا می‌گوییم: جسیکا، تو امروز نکته جدیدی کشف کردی؛ بیا آن را به یک ویژگی در Cinematica تبدیل کنیم تا بقیه تیم هم بهره‌مند شوند. خوزه، تو امروز راه‌حل تازه‌ای یافتی؛ آن را پیاده‌سازی و وارد نرم‌افزار می‌کنیم تا سطح کل تیم ارتقا یابد.»

نتیجه این است که به گفته البزاز، «آموخته‌های روزانه همه افراد عملاً به ساختار Cinematica تزریق می‌شود.»

این روند دگرگونی مهمی در روایت رایج اتوماسیون ایجاد می‌کند: به‌جای اینکه از یک سیستم هوش مصنوعی بخواهید شغل متخصصان را حذف کند و به‌تنهایی مهارت آن‌ها را به دست آورد، Inkitt این متخصصان را درون حلقه بهینه‌سازی قرار می‌دهد و تصمیمات تکرارشونده آن‌ها را به نرم‌افزاری با قابلیت استفاده مجدد تبدیل می‌کند.

برای یک سازمان، ارزشمندترین دارایی ممکن است فقط داده‌های اختصاصی نباشد، بلکه دانش عملیاتی ضمنی کارکنانی باشد که فرآیند کار را بسیار بهتر از هر مدل هوش مصنوعی درک می‌کنند.

درس سوم: خطاهای تکراری و راه‌حل‌های تجربی را به حافظه سیستمی تبدیل کنید

ارزش مشارکت انسانی زمانی به اوج می‌رسد که به الگوهای عینی شکست و خطا متصل شود.

البزاز توضیح می‌دهد که Cinematica تکنیک‌های رفع چالش‌هایی را که به‌طور مداوم در تولید ویدیوی هوش مصنوعی رخ می‌دهند، در خود ثبت می‌کند.

برای مثال، اگر پوست کاراکتر بیش از حد براق و موم‌مانند به نظر برسد، هارنس تکنیک‌هایی را که تولیدکنندگان برای اصلاح آن کشف کرده‌اند اعمال می‌کند. اگر صحنه‌ای نیازمند افکت سینمایی خاصی باشد، تنظیمات دوربین یا لنز مناسب را پیشنهاد می‌دهد.

صحنه‌های پیچیده‌تر نیازمند راهکارهای خلاقانه‌تری هستند. برای مثال، هنگام حضور چند نفر در یک نمای متحرک، مدل‌های ویدیویی گاهی جای چهره‌ها یا موقعیت افراد را با هم عوض می‌کنند. یکی از راه‌حل‌های کشف‌شده این است که کاراکترها با یک مرجع سه‌بعدی یا مدل CAD چیدمان شوند تا مدل پایه بتواند روابط فضایی آن‌ها را حفظ کند.

البزاز می‌گوید: «هارنس به این شیوه آموزش داده می‌شود که هرگاه با فلان خطا مواجه شدی، از این تکنیک استفاده کن. شما می‌توانید ساعت‌ها در توییتر و گوگل جست‌وجو کنید تا راه‌حل یک خطا را بیابید؛ اما ما تمام این ترفندها را در یک سیستم واحد جمع کرده‌ایم.»

در واقع، Inkitt در حال تبدیل فرآیند عیب‌یابی مکرر به حافظه سازمانی است.

یک تیم برنامه‌نویسی می‌تواند قراردادهای مخزن کد، توالی‌های دیباگ یا الگوهای استفاده از ابزارها را درون هارنس کدگذاری کند. یک تیم امنیت سایبری می‌تواند گام‌های تحلیل هشدارهای امنیتی را ثبت کند و یک تیم مالی می‌تواند رویه حل ناهماهنگی‌های ترازنامه را پیش از ارجاع به مدیران، مستند و خودکار سازد.

حوزه فعالیت Inkitt فیلم‌سازی است؛ بنابراین دانش انباشته‌شده آن شامل کاراکترها، لنزها، تداوم صحنه، پرامپت‌نویسی و خطاهای بصری است. اما الگوی پایه‌ای آن قابل تعمیم به هر حوزه‌ای است: نقاط شکست مکرر مدل را شناسایی کنید، ببینید کارشناس بعد از آن چه می‌کند، و همان اقدام ترمیمی را برای دفعات بعدی در سیستم تعبیه کنید.

درس چهارم: تخصص اختصاصی سازمان را با دانش بیرونی ترکیب کنید

شرکت Inkitt مدعی نیست که تمامی ترفندهای فیلم‌سازی Cinematica در داخل سازمان کشف شده‌اند.

به گفته مدیرعامل شرکت، تولیدکنندگان محتوا همواره تکنیک‌های به‌اشتراک‌گذاشته‌شده در جامعه کاربری هوش مصنوعی، به‌ویژه در شبکه اجتماعی X را رصد می‌کنند و در عین حال روش‌های اختصاصی خود را نیز توسعه می‌دهند.

او می‌گوید: «این سیستم ترکیبی از یادگیری از جامعه کاربری و تجربیات خود تولیدکنندگان است.»

بنابراین مزیت رقابتی سازمان لزوماً نیازی به اختراع چرخ از ابتدا ندارد؛ بلکه از گردآوری، ارزیابی، استانداردسازی و به‌روزرسانی مستمر تکنیک‌های مرتبط با یک کار مشخص و تلفیق آن‌ها با متدهای محرمانه و فرآیندهای کاری سازمان حاصل می‌شود.

این فرآیند همچنین مانع از ایستا شدن هارنس می‌شود. به گفته مدیران Inkitt، کاربران Movie Creator نیازی نیست منتظر انتشار نسخه‌های بزرگ نرم‌افزار بمانند؛ زیرا با هر ترفند جدیدی که تیم داخلی کشف می‌کند، هوشمندی سیستم بلافاصله ارتقا یافته و در دسترس کاربران قرار می‌گیرد.

درس پنجم: هارنس را کاملاً مستقل از مدل‌های پایه زیرین نگه دارید

آخرین انتخاب معماری Inkitt شاید مستقیم‌ترین درس برای سازمان‌ها باشد: هارنس همان مدل بنیادین نیست و باید از آن تفکیک شود.

در دموی ارائه شده از Cinematica، گردش کاری نمایش داده شد که در آن فیلم‌ساز ابتدا شخصیت‌ها، لوکیشن‌ها و اشیا را مشخص می‌کند، چندین نسخه از هر صحنه تولید می‌کند، برداشت مناسب را برمی‌گزیند و به‌صورت گفتگویی تغییرات لازم را در نماها اعمال می‌کند.

با این وجود، سازندگان وابسته به یک مدل ویدیویی خاص نیستند.

به گفته البزاز، این سیستم می‌تواند بر اساس کیفیت و هزینه، میان مدل‌های مختلف انتخاب کند؛ برای نمونه استفاده از مدل Seedance 2.5 برای خروجی‌های بسیار باکیفیت‌تر اما گران‌تر، و استفاده از مدل MiniMax H3 برای پروژه‌های اقتصادی‌تر پیشنهاد می‌شود.

مدیران شرکت حتی از استک گسترده‌تری صحبت کردند که چندین ارائه‌دهنده را برای تولید تصویر، تولید ویدیو و پردازش گفتگویی ترکیب می‌کند. البزاز تأکید کرد: «ما به یک مدل محدود نیستیم؛ ما بهترین ابزارها را به شما ارائه می‌دهیم.»

این جداسازی حیاتی است؛ زیرا ارزش واقعی Cinematica صرفاً دسترسی به یک مدل خاص نیست، بلکه منطق تولیدی است که فراتر از آن مدل‌ها عمل می‌کند.

البزاز می‌گوید: «چگونه ثبات یک کاراکتر را در طول یک فیلم یک‌ساعته حفظ می‌کنید؟ صداها و لوکیشن‌ها چطور یکنواخت می‌مانند؟ از چه لنزهایی استفاده می‌کنید؟ تمام این ترفندها که طی ماه‌ها آزمون و خطا آموخته‌ایم، خروجی سینمایی واقعی به ما می‌دهد.»

برای یک سازمان، این رویکرد بی‌طرف نسبت به مدل (Model-Agnostic) مانع از وابستگی شدید کسب‌وکار به یک ارائه‌دهنده هوش مصنوعی خاص می‌شود. اگر فردا مدل قوی‌تر یا ارزان‌تری از راه برسد، مدل زیرین به‌راحتی تعویض می‌شود؛ در حالی که رویه‌ها، قوانین و تخصص انباشته‌شده سازمان در دل هارنس باقی می‌ماند.

این اصل اکنون فراتر از ویدیو، در سایر بخش‌های هوش مصنوعی سازمانی نیز دیده می‌شود؛ برای مثال Salesforce به سمت لایه حکمرانی سراسری سازمانی حرکت می‌کند که فراتر از هر مدل یا پلتفرم ایجنت عمل کند.

پیام معماری این رویکرد روشن است: مالک لایه گردش کار و ارکستراسیون باشید، حتی اگر شرکت دیگری مالک مدل پایه باشد.

قیمت‌گذاری و دسترسی

ابزار Inkitt Movie Creator از ۲۴ سپتامبر ۲۰۲۶ روی وب‌سایت این شرکت در دسترس قرار گرفته است. در زمان رونمایی هیچ رابط برنامه‌نویسی کاربردی (API) برای Cinematica ارائه نشده و تمام تولیدات فعلاً در وب‌سایت انجام می‌شود. همچنین با وجود توسعه یک سرور پروتکل زمینه مدل (MCP)، این سرور هنوز به Cinematica متصل نشده است.

بر اساس مشخصات اعلام‌شده، Inkitt تخمین می‌زند هزینه نهایی تولید هر دقیقه محتوای ویدیویی صیقل‌خورده بین ۷۵ تا ۵۰۰ دلار باشد؛ دامنه‌ای که وابسته به تعداد برداشت‌ها و انتخاب مدل زیرین است.

در بررسی ساختار خرید این سرویس، بسته‌های اعتباری از ۵۰ هزار اعتبار با قیمت ۱۰٫۶۱ دلار آغاز می‌شود که طبق برآورد شرکت برای تولید حدود ۳۰ ثانیه فیلم کافی است. بسته‌های دیگر شامل موارد زیر است:

• ۱۰۰ هزار اعتبار به قیمت ۲۰٫۹۱ دلار (حدود یک دقیقه)

• ۲۰۰ هزار اعتبار به قیمت ۴۱٫۵۱ دلار (حدود دو دقیقه)

• ۵۰۰ هزار اعتبار به قیمت ۱۰۳٫۳۰ دلار (حدود پنج دقیقه)

• ۱ میلیون اعتبار به قیمت ۲۰۶٫۲۹ دلار (حدود ۱۰ دقیقه)

• ۲٫۵ میلیون اعتبار به قیمت ۵۱۵٫۲۵ دلار (حدود ۲۵ دقیقه)

این اعداد نشان می‌دهند هزینه هر دقیقه تولید ویدیو حدود ۲۰٫۶۰ تا ۲۱٫۲ دلار است و تخفیف خاصی برای خریدهای حجیم‌تر در نظر گرفته نشده است.

این هزینه در میانه بازار تولید ویدیو قرار می‌گیرد. برای مقایسه، مدل Seedance 2.5 با وضوح 720p حدود ۲۷٫۷۲ دلار در دقیقه هزینه دارد، در حالی که مدل Google Veo 3.1 بین ۳ تا ۲۴ دلار در دقیقه (بسته به نسخه Lite یا استاندارد) و مدل MiniMax H3 بین ۴٫۸۰ تا ۷٫۸۰ دلار در دقیقه قیمت‌گذاری شده‌اند.

البته این یک مقایسه کاملاً برابر نیست؛ زیرا APIها صرفاً استنتاج خام مدل را می‌فروشند، اما Inkitt لایه هارنس، ثبات کاراکتر و مدیریت گردش کار را نیز ارائه می‌دهد.

مسیر Inkitt؛ از کتاب‌های داده‌محور تا فیلم‌های هوش مصنوعی

استراتژی پلتفرم Cinematica ادامه مسیری است که Inkitt بیش از یک دهه دنبال کرده است. این شرکت ابتدا پلتفرمی برای نویسندگان داستان بود که با تحلیل رفتار خوانندگان، آثار مستعد را شناسایی می‌کرد. پس از جذب سرمایه‌های متعدد و راه‌اندازی سرویس Galatea، این شرکت با جذب ۳۷ میلیون دلار در دور سری C به رهبری Khosla Ventures در سال ۲۰۲۴، سرمایه کل خود را به ۱۱۷ میلیون دلار رساند.

این مسیر در نهایت به راه‌اندازی پلتفرم مینی‌درامای CandyJar و اخیراً سرویس Ironblood انجامید و اکنون ابزارهای تولید آن در قالب Movie Creator در دسترس همگان قرار گرفته است.

کاربرد Cinematica برای تبلیغات و محتوای سازمانی

یکی از فرصت‌های تجاری اصلی برای Cinematica تولید «مینی‌دراماهای تبلیغاتی» (Branded Microdramas) است؛ فرمتی که برندهای معروفی مانند Procter & Gamble و Maybelline نیز به آن روی آورده‌اند. در حالی که تولید سنتی این محتواها صدها هزار دلار هزینه دارد، ابزارهای مبتنی بر هوش مصنوعی مولد می‌توانند هزینه و زمان ساخت را به کسری از مبالغ معمول کاهش دهند.

پرسش بی‌پاسخ: بنچمارک‌های Cinematica کجاست؟

یک سوال اساسی همچنان باقی است: آیا Cinematica واقعاً عملکرد همان مدل‌های پایه را بهبود می‌بخشد و این بهبود چقدر است؟

شرکت Inkitt تاکنون هیچ بنچمارک رسمی برای مقایسه عملکرد Cinematica در برابر استفاده مستقیم از مدل‌هایی مثل Seedance یا MiniMax ارائه نکرده است. معیارهایی مانند امتیاز تداوم شخصیت، نرخ تولید مجدد یا میزان کاهش هزینه برای رسیدن به یک شات قابل قبول هنوز شفاف نشده‌اند.

با وجود این، درس اصلی Inkitt برای شرکت‌ها این نیست که همه باید استودیوی فیلم‌سازی بسازند؛ بلکه نشان می‌دهد سازمان‌ها خودشان عناصر لازم برای ساخت یک هارنس اختصاصی را در اختیار دارند: یک فرآیند کاری تکراری، مدل‌های پایه‌ای که بخش‌هایی از آن را اجرا می‌کنند، و کارمندان متخصصی که می‌دانند این مدل‌ها در کجا به خطا می‌روند و چگونه باید آن‌ها را هدایت کرد.