ランウェイが次期ユニバーサルワールドモデルを正式発表！ビデオ AI の最大の問題を解決するには、AI に頼って世界をシミュレートするのでしょうか?

AIビデオトラックのPika 1.0は最近非常に人気があります。2人の中国人創業者のチームが半年で作ったこの製品は、Runwayの約2年の開発成果をほぼ打ち負かしました。

ピカの執拗な圧力に直面して、ランウェイは広報面で少なくともいくらかの地位を取り戻す努力をするだろうと私は思ったが、ランウェイの対応戦略は次のような発表だった。

あなたと競争するつもりはありません。私の目標は星の海です。

Runway は本日、一般世界モデルを作成し、Gen AI を使用して世界全体をシミュレートすることを正式に発表しました。

一般世界モデル (GWM)

私たちは、AI の次の大きな進歩は視覚世界とそのダイナミクスを理解するシステムから生まれると信じており、それが一般的な世界モデルに関する新たな長期研究の取り組みを開始している理由です。

世界モデルとは、AI システムが環境について内部的に理解するものです。環境に関する理解を活用して、その環境で起こり得る将来の出来事をシミュレートできます。

現在まで、世界モデルの研究は主に、ビデオゲームのようなシミュレーションや運転などの特定の領域など、非常に限定され制御された環境に限られてきました。

一般的な世界モデルの目標は、現実世界と同じくらい幅広く多様なシナリオと相互作用を提示し、シミュレートできるようにすることです。

Runway の見解では、Gen-2 のようなビデオ生成システムは、一般的な世界モデルの非常に初期段階かつ限定的なバージョンと見ることができます。

リアルな短編動画を生成するには、Gen-2 が物理学と力学をある程度理解する必要があります。

ただし、複雑なカメラの動きやオブジェクトの動きなどの問題を処理するには、依然として限界があります。

真に一般的な世界モデルを構築するには、多くの未解決の研究課題に直面します。その 1 つは、これらのモデルが環境の一貫したマップを生成でき、その環境内を移動して対話する機能を持つ必要があることです。

彼らは、世界の動的な変化を捉えるだけでなく、そこに住む人々の行動のダイナミクスを理解する必要があり、そのためには現実に近い人間行動モデルを構築する必要があります。

私たちはこれらの課題に取り組むためのチームを構築しており、私たちの研究活動に参加することにご興味がおありでしたら、ぜひご参加ください。

Runway のワールド モデル宣言の場合は、次のように翻訳できます。

現在、当社の AI ビデオ生成システムは、次のような奇妙なコンテンツを多数含むビデオを生成できます。

それで、

あるいはこれ:

LLM が幻覚を生み出し、存在しないコンテンツを作り出すのと同じように、生のビデオ AI も現実世界を理解する方法がないため、多くの奇妙な動きや画像を生成します。

このような状況に直面して、Runway には良い解決策がないように思われるため、この問題を解決するために人材を募集する必要があります。

簡単に言えば、AIが客観世界を理解し、客観世界の動きや発展の法則に従って動画を生成できるようにすることです。

もっと広い意味で言えば、この課題の解決にご協力いただければ、Runway は AI が動画を生成するツールになるだけでなく、客観世界の原理や法則に従って、現実世界と整合性の高い新しい世界を生成することも可能になります。

この新しい世界では、現実世界で起こり得るあらゆることをシミュレートできます。

AIがそのような能力を持つことができれば、さまざまな場所での応用シナリオや可能性が生まれ、より大きなことを実現できるようになります。

ピカは？彼らはただ映画を作るためのツールを作りたいだけだと言っていませんでしたか？ 私たちはまったく同じ方向に進んでいません。

世界モデルとは一体何でしょうか?

現在の AI システムが私たちが住む世界を理解できるかどうかについては、まだほとんどわかっていません。

チューリングの巨匠ルカン氏は、現法学修士課程の学生を、天文学や地理学については何でも知っているようだが、3歳児の理解力も持ち合わせていないと常に嘲笑している。

他の科学者たちも、LLM がすでに何らかの方法で世界を理解できることを確認しています。

ルカン自身が世界を理解できるように強く主張する「世界モデル」は、まだほとんどPPT上に残る概念であり、現実に実装する道筋はまだ見つかっていないようです。

ネットユーザーの間で熱い議論

これに対して、一部のネットユーザーは、これは人工知能の進化における次の論理的なステップだと述べた。

これが AGI を実現する唯一の方法であるとさえ考えられています。LLM やその他のニューラル ネットワーク システムは椅子を簡単に記述できますが、世界モデルは「椅子を体験」できるようになります。