Meta Wydaje Model AI W Celu Rozwoju Zachowania Wirtualnych Agentów w Metawersumie

W czwartek, Meta FAIR opublikowała kilka nowych narzędzi badawczych i wyników mających na celu rozwój uczenia maszynowego i sztucznej inteligencji. Te publikacje skupiają się na obszarach takich jak rozwój agentów, odporność, bezpieczeństwo i architektury uczenia maszynowego.

Wśród najważniejszych elementów znajdują się Meta Motivo, model podstawowy do kontrolowania wirtualnych ucieleśnionych agentów, oraz Meta Video Seal, model znakowania wodnego wideo, zaprojektowany w celu zwiększenia śledzenia treści.

Meta Video Seal opiera się na wcześniejszych badaniach dotyczących znakowania wodnego audio i umożliwia wbudowywanie niedostrzegalnych znaków wodnych w treści video. System jest odporny na powszechne modyfikacje, takie jak rozmycie, przycinanie i kompresję, oferując praktyczne zastosowania dla zabezpieczania mediów cyfrowych.

Towarzyszy temu Omni Seal Bench, platforma do oceny systemów znakowania wodnego w różnych formatach. Ta platforma ma na celu wspieranie współpracy w środowisku badawczym.

Meta Motivo wprowadza ramy dla nienadzorowanego uczenia się ze wzmocnieniem. Wykorzystuje zestaw danych o ruchach do stworzenia wspólnej przestrzeni ukrytej dla stanów, ruchów i nagród.

Model demonstruje zdolności takie jak śledzenie ruchów bez wcześniejszego nauczenia (zero-shot) i osiąganie celu, jednocześnie zachowując odporność na zmiany środowiskowe, takie jak grawitacja i wiatr. Te funkcje mają potencjalne zastosowania w środowiskach wirtualnych i animacji.

Flow Matching, kolejna publikacja, oferuje alternatywę dla tradycyjnych metod dyfuzji stosowanych w modelach generatywnych. Obsługuje różne typy danych, w tym obrazy, filmy i struktury 3D, jednocześnie poprawiając efektywność obliczeniową i wydajność.

W obszarze rozumowania społecznego, Meta Explore Theory-of-Mind prezentuje metodę tworzenia zbiorów danych kierowanych przez program, aby trenować modele AI do rozumowania na temat przekonań i myśli.

Pierwsze testy wskazują na poprawę wydajności modelu na ustalonych punktach odniesienia, co ma implikacje dla zwiększenia zdolności rozumowania w dużych modelach językowych.

Meta wprowadziła również Duże Modele Koncepcyjne (DMK), które mają na celu oddzielenie zadań związanych z rozumowaniem od reprezentacji języka poprzez przewidywanie idei koncepcyjnych zamiast pojedynczych tokenów.

Podobno ten sposób poprawia wykonywanie zadań takich jak streszczenie i przetwarzanie wielojęzyczne. Dodatkowo, Dynamiczny Transformator Bajtów Ukrytych eliminuje potrzebę tokenizacji, oferując bardziej efektywne przetwarzanie długich sekwencji i rzadko występujących tekstów.

Inne nowości to Meta Warstwy Pamięci, które pomagają skalować włączanie wiedzy faktycznej do modeli, oraz narzędzia do oceny odpowiedzialnego generowania obrazów.

Integracja agentów AI z ciałami przypominającymi te fizyczne stanowi znaczące przesunięcie w metawersum, umożliwiając bardziej realistyczne interakcje i dynamiczne doświadczenia wirtualne.

Jednak te postępy mogą zacierać granice między światami wirtualnymi i rzeczywistymi, stawiając pytania o prywatność, odpowiedzialność i społeczny wpływ coraz bardziej realistycznych agentów wirtualnych.