Odyssey-3: generatívny model sveta pre interaktívne prostredia

Kalifornská AI spoločnosť Odyssey sprístupnila svoj svetový model Odyssey-3 vo výskumnej ukážke. Tento generatívny model dokáže vytvárať interaktívne prostredia z textových podnetov v reálnom čase, čo umožňuje používateľom skúmať a interagovať s nimi z rôznych perspektív.

Odyssey-3 je navrhnutá nielen na generovanie virtuálnych svetov, ale aj ako základ pre ovládanie rôznych systémov, vrátane robotických ramien, dronov a postáv vo videohrách. Spoločnosť si kladie za cieľ používať rovnaký model sveta v rôznych úlohách, čím zefektívňuje vývoj a znižuje zložitosť.

Verejná výskumná ukážka Odyssey-3 ponúka možnosti generovania interaktívneho prostredia, pričom používatelia môžu generovať prostredia z textových popisov a skúmať ich v reálnom čase. To zahŕňa výber medzi pohľadmi z pohľadu prvej a tretej osoby, pohyb v generovanom svete, spúšťanie udalostí a sledovanie reakcie modelu v reálnom čase.

Odyssey-3 je postavený na autoregresívnom difúznom transformátore, ktorý neustále generuje nové video snímky na základe predchádzajúcich snímok a akcií používateľa. Počas tréningu sa model učí fyzikálne vzťahy a príčinno-následkové vzťahy z vizuálnych pozorovaní, čo mu umožňuje simulovať zložité prostredia s realistickou fyzikou.

Základný model Odyssey-3 má 14 miliárd parametrov a generuje video v rozlíšení 832 × 480 pixelov, podľa oficiálnych benchmarkových podaní. Výkonnejší Odyssey-3 Pro podporuje vyššie rozlíšenia až do 1280 × 720 pixelov.

Výkon Odyssey-3 na fyzikálnych benchmarkoch je pôsobivý, pričom spoločnosť tvrdí, že dosahuje najvyššie skóre v niekoľkých kategóriách. Tieto tvrdenia však majú určité výhrady: výsledky pochádzajú z jedného testovacieho behu, kde výberová metóda vybrala jedno z ôsmich generovaných videí pre každú úlohu, a nespĺňajú požiadavky benchmarkových pravidiel na štyri testovacie behy.

Benchmark WorldMark ukazuje, že Odyssey-3 sa umiestnil na prvom mieste v troch zo štyroch kategórií na základe vlastného hodnotenia. V štýlizovanom pohľade z prvej osoby dosiahol 77,2 bodu; v reálnom pohľade v tretej osobe 79,0 bodov; a v štýlizovanom pohľade v tretej osobe 76,3 bodu. Avšak v štýle v reálnej osobe z pohľadu z pohľadu prvej osoby skončil tretí s 80,6 bodmi.

Schopnosti Odyssey-3 presahujú generovanie virtuálnych svetov a zahŕňajú ovládanie robotických ramien, dronov a postáv vo videohrách. Spoločnosť predviedla AI postavenú na Odyssey-3, ktorá ovláda viacero robotických ramien a zotavuje sa z neúspešných úchopov bez ďalších tréningových dát.

Ten istý model sveta sa používa pre rôzne aplikácie, vrátane robotiky, autonómneho riadenia a videohier. Pre každú aplikáciu je model spárovaný so špecializovaným ovládačom, ktorý prekladá jeho predpovede do konkrétnych príkazov. Tento prístup má za cieľ skrátiť čas vývoja a zvýšiť efektivitu pri rôznych úlohách.

Odyssey spolupracovala so švajčiarskou robotickou spoločnosťou Flexion na vývoji humanoidných robotických ovládačov využívajúcich Odyssey-3. Tieto ovládače údajne fungujú spoľahlivejšie ako porovnávacie modely, dokonca aj v meniacich sa podmienkach. Spoločnosť tiež predviedla ovládač dronu trénovaný na simulovaných letových dátach, schopný vyhýbať sa prekážkam a lietať ku konkrétnym cieľom.

Verejný výskumný náhľad zatiaľ ponúka možnosti generovania interaktívneho prostredia, pričom je potrebná ďalšia práca na robotike a autonómnych systémoch. Cieľom Odyssey je využiť svoj svetový model ako základ na ovládanie rôznych systémov, znižovať zložitosť a zvyšovať efektivitu naprieč rôznymi úlohami.

Odyssey založili v roku 2023 Oliver Cameron a Jeff Hawke, ktorí odvtedy získali 310 miliónov dolárov od investorov vrátane Amazon a AMD Ventures. Spoločnosť si kladie za cieľ revolučne zmeniť vývoj AI systémov svojím generatívnym svetovým modelom, aby vývojárom uľahčila vytváranie interaktívnych prostredí a ovládanie rôznych systémov.