大視頻模型是世界模型？DeepMind/UC伯克利華人一作：預測下一幀就能改變世界

AIGC動態歡迎閱讀

原標題：大視頻模型是世界模型？DeepMind/UC伯克利華人一作：預測下一幀就能改變世界
關鍵字：視頻,模型,任務,視覺,語言
文章來源：新智元
內容字數：12635字

內容摘要：

新智元報道編輯：潤 好困
【新智元導讀】谷歌DeepMind、UC伯克利和MIT的研究人員認為，如果用大語言模型的思路來做大視頻模型，能解決很多語言模型不擅長的問題，可能能更進一步接近世界模型。沒人懷疑，OpenAI開年推出的史詩巨作Sora，將改變視頻相關領域的內容生態。
但Google DeepMind、UC伯克利和MIT的研究人員更進一步，在他們眼里，「大視頻模型」也許能夠像世界模型一樣，真正的做到理解我們身處的這個世界。
論文地址：https://arxiv.org/abs/2402.17139
在作者看來，視頻生成將徹底改變物理世界的決策，就像語言模型如何改變數字世界一樣。
研究人員認為，與文本類似，視頻可以作為一個統一的接口，吸收互聯網知識并表征不同的任務。
例如，經典的計算機視覺任務可以被視為下一代幀生成任務（next-frame generation task）。
模型可以通過生成操作視頻（例如「如何制作壽司」）來回答人們的問題，這可能比文本響應更直觀。
視覺和算法推理也可以作為下一幀/視頻生成任務。視頻也可以統一不同實體（embodiment）的觀察空間（obser

原文鏈接：大視頻模型是世界模型？DeepMind/UC伯克利華人一作：預測下一幀就能改變世界

聯系作者

文章來源：新智元
作者微信：AI_era
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。