你以為這是個(gè)平平無奇的自動(dòng)駕駛視頻？

圖片

NO、NO、NO……這其實(shí)是完全由AI從頭生成的。

沒有一幀是“真的”。

圖片

不同路況、各種天氣，20多種情況都能模擬，效果以假亂真。

圖片

世界模型再次立大功了！這不LeCun看了都激情轉(zhuǎn)發(fā)。

圖片

如上效果，由GAIA-1的最新版本帶來。

它規(guī)模達(dá)90億參數(shù)，用4700小時(shí)駕駛視頻訓(xùn)練，實(shí)現(xiàn)了輸入視頻、文本或操作生成自動(dòng)駕駛視頻的效果。

帶來的最直接好處就是——能更好預(yù)測未來事件，20多種場景都能模擬，從而進(jìn)一步提升了自動(dòng)駕駛的安全性、還降低了成本。

圖片

其主創(chuàng)團(tuán)隊(duì)直言，這能夠改變自動(dòng)駕駛的游戲規(guī)則！

所以GAIA-1是如何實(shí)現(xiàn)的？

規(guī)模越大效果越好

GAIA-1是一個(gè)多模態(tài)生成式世界模型。

它利用視頻、文本和動(dòng)作作為輸入，生成逼真的駕駛場景視頻，同時(shí)可以對自主車輛的行為以及場景特征進(jìn)行細(xì)粒度控制。

而且可以僅通過文本提示來生成視頻。

圖片

其模型原理有點(diǎn)像大語言模型的原理，就是預(yù)測下一個(gè)token。

模型可以利用向量量化表示將視頻幀離散，然后預(yù)測未來場景，就轉(zhuǎn)換成了預(yù)測序列中的下一個(gè)token。然后再利用擴(kuò)散模型從世界模型的語言空間里生成高質(zhì)量視頻。

具體步驟如下：

圖片

第一步簡單理解，就是對各種輸入進(jìn)行重新編碼和排列組合。

利用一個(gè)專門的編碼器對各種輸入進(jìn)行編碼，不同輸入投射到共用表示里。文本和視頻編碼器對輸入分離、嵌入，操作（action）表示則被單獨(dú)投射到共用表示里。

這些編碼的表示具有時(shí)間一致性。

在進(jìn)行排列之后，關(guān)鍵部分世界模型登場。

作為一個(gè)自回歸Transformer，它能預(yù)測序列中的下一組圖像token。而且它不僅考慮了之前的圖像token，還要兼顧文本和操作的上下文信息。

這就使得模型生成內(nèi)容，不僅保持了圖像一致性，而且和預(yù)測文本、動(dòng)作也能保持一致。

團(tuán)隊(duì)介紹，GAIA-1中的世界模型規(guī)模為65億參數(shù)，在64塊A100上訓(xùn)練15天而成。

最后再利用視頻解碼器、視頻擴(kuò)散模型，將這些token轉(zhuǎn)換回視頻。

這一步關(guān)乎視頻的語義質(zhì)量、圖像準(zhǔn)確性和時(shí)間一致性。

GAIA-1的視頻解碼器規(guī)模達(dá)26億參數(shù)規(guī)模，利用32臺A100訓(xùn)練15天而來。

值得一提的是，GAIA-1不僅和大語言模型原理相似，同時(shí)也呈現(xiàn)出了隨著模型規(guī)模擴(kuò)大、生成質(zhì)量提升的特點(diǎn)。

圖片

團(tuán)隊(duì)將此前6月發(fā)布早期版本和最新效果進(jìn)行了對比。

后者規(guī)模為前者的480倍。

可以直觀看到視頻在細(xì)節(jié)、分辨率等方面都有明顯提升。

圖片

而從實(shí)際應(yīng)用方面出發(fā)，GAIA-1也帶來了影響，其主創(chuàng)團(tuán)隊(duì)表示，這會改變自動(dòng)駕駛的規(guī)則。

圖片

原因來自三方面：

• 安全
• 綜合訓(xùn)練數(shù)據(jù)
• 長尾場景

首先安全方面，世界模型能夠通過模擬未來，讓AI有能力意識到自己的決定，這對自動(dòng)駕駛的安全性來說很關(guān)鍵。

其次，訓(xùn)練數(shù)據(jù)對于自動(dòng)駕駛來說也非常關(guān)鍵。生成的數(shù)據(jù)更加安全、便宜，而且還能無限擴(kuò)展。

最后，它還能解決目前自動(dòng)駕駛面臨的最大挑戰(zhàn)之一——長尾場景。生成式AI可以兼顧更多邊緣場景，比如在大霧天氣行駛遇到了橫穿馬路的路人。這能更進(jìn)一步提升自動(dòng)駕駛的能力。

Wayve是誰？

GAIA-1來自英國自動(dòng)駕駛初創(chuàng)公司W(wǎng)ayve。

Wayve成立于2017年，投資方有微軟等，估值已經(jīng)達(dá)到了獨(dú)角獸。

創(chuàng)始人為現(xiàn)任CEO亞歷克斯·肯德爾和艾瑪爾·沙（公司官網(wǎng)領(lǐng)導(dǎo)層頁已無其信息） ，兩人都是來自劍橋大學(xué)的機(jī)器學(xué)習(xí)博士。

圖片

技術(shù)路線上，和特斯拉一樣，Wayve主張利用攝像頭的純視覺方案，很早就拋棄高精地圖，堅(jiān)定的走“即時(shí)感知”路線。

前不久，該團(tuán)隊(duì)發(fā)布的另一個(gè)大模型LINGO-1也引發(fā)轟動(dòng)。

這個(gè)自動(dòng)駕駛模型能夠在行車過程中，實(shí)時(shí)生成解說，更進(jìn)一步提高了模型可解釋性。

今年3月，比爾·蓋茨還曾試乘過過Wayve的自動(dòng)駕駛汽車。

圖片

論文地址：https://arxiv.org/abs/2309.17080

參考鏈接：
[1]https://twitter.com/ylecun/status/1709810114340024400[2]https://wayve.ai/thinking/scaling-gaia-1/