Wziąć ostry zakręt, przechwycić piłkę albo skoczyć w odpowiednim momencie: gracze bez przerwy ćwiczą patrzenie, przewidywanie i działanie. Holenderski przedsiębiorca Pim de Witte buduje na tym firmę AI. General Intuition w najnowszej rundzie finansowania wyceniono na 6,2 miliarda dolarów.
Firma znów pozyskała 220 milionów dolarów, ogłosił De Witte. Za tą ogromną wyceną stoi atrakcyjny pomysł: miliardy klipów nagrywanych przez graczy mogą pomóc maszynom nauczyć się, jak poruszać się w otoczeniu i jakie skutki mają działania.
Klip z gry z dodatkową warstwą
De Witte założył wcześniej Medal, dzięki któremu gracze nagrywają i udostępniają momenty ze swoich gier. Dla AI najciekawsze jest połączenie obrazu z odpowiadającymi mu akcjami. Co widział gracz, jaki przycisk wcisnął i co stało się potem? To daje przykłady decyzji w ruchomym świecie.
Według De Witte Medal zmierza do trzech miliardów przesłanych klipów rocznie. General Intuition trenuje na nagraniach z gier oznaczonych akcjami i chce udostępniać swoje modele partnerom w grach, symulacji i robotyce. Platforma dla efektownych zabójstw i udanych zakrętów w wyścigach zyskuje w ten sposób drugą funkcję jako źródło danych treningowych.
Czym to się różni od ChatGPT?
Model językowy taki jak ChatGPT dobrze przetwarza i tworzy język, a potrafi też analizować obrazy. Ale robot musi dodatkowo w odpowiednim momencie wykonać fizyczną czynność. Model świata próbuje przewidzieć, jak zmienia się otoczenie, a model akcji wybiera, co system zrobi dalej.
Weźmy grę wyścigową. Wyjaśnienie, jak hamować, jest przydatne, ale żeby pokonać zakręt, system musi też ocenić prędkość, odległość i ruch. Może przemyśleć z góry możliwe działania: mocniej skręcić, wcześniej zahamować albo właśnie poczekać. Modele świata mogą w ten sposób być środowiskiem treningowym i przewidującym elementem AI, która sama wykonuje zadania.
Spróbuj sam: piłka nożna z modelem świata AI
Jest już na co popatrzeć poza ogłoszeniem finansowania. W ramach MIRA General Intuition wraz z Kyutai i we współpracy z Epic Games prezentuje grywalny model świata oparty na Rocket League. To gra, w której samochody uderzają w ogromną piłkę.
Model uczył się na 10 000 godzin danych z gry zebranych przy użyciu publicznie dostępnych botów. Generuje świat gry z czterema graczami i według twórców reaguje na ich klawisze z prędkością dwudziestu klatek na sekundę. Badacze opisują to podejście w swojej publikacji technicznej. To konkretna demonstracja modelu, który nie tylko tworzy film, ale przetwarza interakcję.
Google i Nvidia widzą tę samą szansę
De Witte działa w zatłoczonej dziedzinie badań. Google wyjaśnia przy Project Genie, jak modele świata mogą generować interaktywne środowiska. Nvidia bada z world action models, jak roboty mogą jednocześnie przewidywać swój następny ruch i oczekiwany obraz z kamery.
Dla ramienia robota oznacza to na przykład przewidzenie, co się stanie, gdy chwyci kubek albo przesunie ściereczkę. Zastosowanie wykracza więc poza gry: to samo pytanie badawcze pojawia się w magazynach, pojazdach i fabrykach. Przejście wymaga jednak dodatkowego treningu na prawdziwych maszynach i w prawdziwych warunkach.
Holenderski założyciel z międzynarodowymi planami
General Intuition działa z międzynarodowym zespołem i według De Witte rekrutuje w Nowym Jorku i Europie. Firma podaje na swojej stronie, że w ostatnim roku pozyskała ponad 650 milionów dolarów. Nowa wycena pokazuje, ile inwestorzy są gotowi zapłacić za udział, a nie wielkość przychodów.
Najbardziej uderzający w tej historii pozostaje surowiec. To, co zaczęło się od dzielenia się fajnymi momentami z gier, może stać się źródłem dla maszyn, które lepiej uczą się przewidywać. Jeśli to podejście się sprawdzi, gracze wytrenowali nie tylko własny refleks, ale też kawałek następnej generacji AI.
