IT之家 10 月 9 日消息，英國 AI 初創(chuàng)公司 Wayve 公布了旗下 GAIA-1 生成式模型的最新進展，在今年 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)”，并且更好地預測未來事件。
▲ 圖源Wayve
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）�？蓪ψ詣玉{駛車輛的行為和場景特征進行細致的控制，且由于 GAIA-1 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。
▲ 圖源Wayve
官方提到，GAIA-1 可對環(huán)境進行學習，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“預測未來事件”是該模型的基本關(guān)鍵能力，而對未來的準確預測，可以讓自動駕駛車輛預先知道即將發(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，進而在模型中實現(xiàn)統(tǒng)一的時序?qū)R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。
▲ 圖源Wayve
而 GAIA-1 的核心，是一個自回歸 Transformer，能夠預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散模型，其強大之處主要在于可保證生成的影片，具語義意義、視覺準確且時間序一致性。
▲ 圖源Wayve
IT之家從官網(wǎng)得知，GAIA-1 的世界模型經(jīng)過 64 個英偉達 A100 GPU 上長達 15 天的訓練，包含了高達 65 億個參數(shù)，而視頻解碼器則在 32 個英偉達 A100 GPU 上訓練了 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)學習在創(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，進而提升自動駕駛系統(tǒng)的能力。
