明敏 发自 凹非寺
量子位 | 公众号 QbitAI

你以为这是个平平无奇的自动驾驶视频？

NO、NO、NO……这其实是完全由AI从头生成的。

没有一帧是“真的”。

不同路况、各种天气，20多种情况都能模拟，效果以假乱真。

世界模型再次立大功了！这不LeCun看了都激情转发。

如上效果，由GAIA-1的最新版本带来。

它规模达90亿参数，用4700小时驾驶视频训练，实现了输入视频、文本或操作生成自动驾驶视频的效果。

带来的最直接好处就是——能更好预测未来事件，20多种场景都能模拟，从而进一步提升了自动驾驶的安全性、还降低了成本。

其主创团队直言，这能够改变自动驾驶的游戏规则！

所以GAIA-1是如何实现的？

规模越大效果越好

GAIA-1是一个多模态生成式世界模型。

它利用视频、文本和动作作为输入，生成逼真的驾驶场景视频，同时可以对自主车辆的行为以及场景特征进行细粒度控制。

而且可以仅通过文本提示来生成视频。

其模型原理有点像大语言模型的原理，就是预测下一个token。

模型可以利用向量量化表示将视频帧离散，然后预测未来场景，就转换成了预测序列中的下一个token。然后再利用扩散模型从世界模型的语言空间里生成高质量视频。

具体步骤如下：

第一步简单理解，就是对各种输入进行重新编码和排列组合。

利用一个专门的编码器对各种输入进行编码，不同输入投射到共用表示里。文本和视频编码器对输入分离、嵌入，操作（action）表示则被单独投射到共用表示里。

这些编码的表示具有时间一致性。

在进行排列之后，关键部分世界模型登场。

作为一个自回归Transformer，它能预测序列中的下一组图像token。而且它不仅考虑了之前的图像token，还要兼顾文本和操作的上下文信息。

这就使得模型生成内容，不仅保持了图像一致性，而且和预测文本、动作也能保持一致。

团队介绍，GAIA-1中的世界模型规模为65亿参数，在64块A100上训练15天而成。

最后再利用视频解码器、视频扩散模型，将这些token转换回视频。

这一步关乎视频的语义质量、图像准确性和时间一致性。

GAIA-1的视频解码器规模达26亿参数规模，利用32台A100训练15天而来。

值得一提的是，GAIA-1不仅和大语言模型原理相似，同时也呈现出了随着模型规模扩大、生成质量提升的特点。

团队将此前6月发布早期版本和最新效果进行了对比。

后者规模为前者的480倍。

可以直观看到视频在细节、分辨率等方面都有明显提升。

而从实际应用方面出发，GAIA-1也带来了影响，其主创团队表示，这会改变自动驾驶的规则。

原因来自三方面：

首先安全方面，世界模型能够通过模拟未来，让AI有能力意识到自己的决定，这对自动驾驶的安全性来说很关键。

其次，训练数据对于自动驾驶来说也非常关键。生成的数据更加安全、便宜，而且还能无限扩展。

最后，它还能解决目前自动驾驶面临的最大挑战之一——长尾场景。生成式AI可以兼顾更多边缘场景，比如在大雾天气行驶遇到了横穿马路的路人。这能更进一步提升自动驾驶的能力。

Wayve是谁？

GAIA-1来自英国自动驾驶初创公司Wayve。

Wayve成立于2017年，投资方有微软等，估值已经达到了独角兽。

创始人为现任CEO亚历克斯·肯德尔和艾玛尔·沙（公司官网领导层页已无其信息） ，两人都是来自剑桥大学的机器学习博士。

技术路线上，和特斯拉一样，Wayve主张利用摄像头的纯视觉方案，很早就抛弃高精地图，坚定的走“即时感知”路线。

前不久，该团队发布的另一个大模型LINGO-1也引发轰动。

这个自动驾驶模型能够在行车过程中，实时生成解说，更进一步提高了模型可解释性。

今年3月，比尔·盖茨还曾试乘过过Wayve的自动驾驶汽车。

论文地址：
https://arxiv.org/abs/2309.17080

参考链接：
[1]https://twitter.com/ylecun/status/1709810114340024400
[2]https://wayve.ai/thinking/scaling-gaia-1/