Wayve展示GAIA-1自動駕駛世界模型 可預(yù)測事件

　　英國 AI 初創(chuàng)公司 Wayve 日前公布了旗下 GAIA-1 生成式模型的最新進(jìn)展。

　　據(jù)IT之家報道，在 6 月的時候，Wayve 建立了將生成式模型用于自動駕駛的概念性驗證，而在這幾個月中，Wayve 公司持續(xù)擴(kuò)展 GAIA-1，使其擁有 90 億個參數(shù)，能夠生成逼真的駕駛場景影片，展示自動駕駛“在各種情境的反應(yīng)”，并且更好地預(yù)測未來事件。

　　GAIA-1 是一個可以利用不同類型的資料，包括影片、文字和動作，創(chuàng)建逼真駕駛場景影片的世界模型(World Model)。

　　GAIA-1 可對自動駕駛車輛的行為和場景特征進(jìn)行細(xì)致的控制，且由于其多模態(tài)的性質(zhì)，能夠從多種提示模式和組合中生成相關(guān)視頻。

　　官方提到，GAIA-1 可對環(huán)境進(jìn)行學(xué)習(xí)，從而提供結(jié)構(gòu)性的環(huán)境理解，協(xié)助自動駕駛系統(tǒng)做出明智的決策。

　　而“預(yù)測未來事件”是該模型的基本關(guān)鍵能力，對未來的準(zhǔn)確預(yù)測，可以讓自動駕駛車輛預(yù)先知道即將發(fā)生的事件，從而規(guī)劃對應(yīng)的動作，增加汽車上路時的安全性和效率。

　　據(jù)悉，GAIA-1 會先運(yùn)用專門的編碼器，將影片或文字等各種形式的輸入，編碼成一個共享的表示形式，進(jìn)而在模型中實現(xiàn)統(tǒng)一的時序?qū)�齊和上下文理解，這種編碼方法，讓模型能夠更好地整合和理解不同類型的輸入。

　　GAIA-1 的核心，是一個自回歸 Transformer，能夠預(yù)測序列中下一組圖像 token，世界模型不只考慮過去的圖像 token，還參照文字和動作 token 的上下文資訊，運(yùn)用這個方法所生成的圖像 token，不僅會在視覺上連貫，而且和預(yù)期的文字和動作指引保持一致。

　　在此之后，模型會啟動視頻解碼器這個階段被啟動，主要功能是將這些圖像 token 轉(zhuǎn)換回像素空間，視頻解碼器作為一個擴(kuò)散模型，其強(qiáng)大之處主要在于可保證生成的影片，具語義意義、視覺準(zhǔn)確且時間序一致性。

　　GAIA-1 的世界模型經(jīng)過 64 個英偉達(dá) A100 GPU 上長達(dá) 15 天的訓(xùn)練，包含了高達(dá) 65 億個參數(shù)，而視頻解碼器則在 32 個英偉達(dá) A100 GPU 上訓(xùn)練了 15 天，總共擁有 26 億個參數(shù)。

　　GAIA-1 的主要價值，是在自動駕駛中引入生成式世界模型的概念，透過整合影片、文本和動作輸入，展示多模態(tài)學(xué)習(xí)在創(chuàng)建多樣化駕駛情境的潛力，而且透過整合世界模型與駕駛模型，使駕駛模型能夠更好地理解自己的決策，并且泛化至真實世界的情境中，進(jìn)而提升自動駕駛系統(tǒng)的能力。