Videójáték-adatokból épít világmodelleket a brit Worldmodeldata

A brit Worldmodeldata startup arra tesz fogadást, hogy a videójátékokból származó, játékosok által végzett egyszerű mozdulatok, mint a hüvelykujjal való tekerés vagy a ravasz meghúzása, hatalmas mennyiségű információt rejtenek az új mesterséges intelligencia (AI) modellek képzéséhez. Az AI-iparágban egyre erősödik az a nézet, hogy a nagy nyelvi modellek (LLM) végső korlátja a fizikai világban való eligazodás hiánya lehet. Szövegeken alapuló képzésükkel az LLM-ek kevésbé alkalmasak lehetnek autonóm járművek irányítására vagy robotkarok precíz mozgatására.

Ezt a hiányosságot orvosolandó, olyan kutatók, mint Fei-Fei Li és Yann LeCun, egy másik AI-típusra, a világmodellekre összpontosítanak. Ahhoz, hogy a modellek elsajátítsák a valós fizika törvényeit, vizuális és akcióadatok kombinációjára van szükségük. Például egy robotkar ügyes mozgatásához a modellnek gyári felvételeket kellene elemeznie, kiegészítve azzal az információval, hogy egy tárgyat milyen erővel és nyomatékkal kell megfogni. Az LLM-ekhez hasonlóan óceánnyi szöveges adatbázisok hiányában azonban nincs elegendő ilyen anyag a világmodellek kutatására.

Adatbányászat játékokból

„A világmodellekhez ok-okozati összefüggésekre van szükség” – mondja Xiatian Zhu, az University of Surrey AI-specialista professzora. „Az interneten kevés ilyen típusú adat áll rendelkezésre.” A LeCun által is támogatott brit startup, a Worldmodeldata, erre a problémára kínál megoldást: a videójáték-stúdiók által hatalmas mennyiségben gyűjtött vezérlőbeviteli és egyéb adatokat csomagolja képzési adathalmazokká a világmodellek számára.

Bár olyan cégek, mint a General Intuition és a Niantic már gyűjtenek saját platformjaikról játékadatokat modellek építéséhez, a Worldmodeldata brókerként pozicionálja magát, aki kurálja és szervezi az adatokat, megkímélve a kutatólaborokat az egyes stúdiókkal kötendő megállapodásoktól.

A teljesítmény és a korlátok

„Millió nagyszerű játék létezik, és ezek egyre inkább hasonlítanak a valós világra” – nyilatkozta Rhea Loucas, a Worldmodeldata vezérigazgatója a WIRED-nek. „Miért ne vennénk át a videójátékok hatalmas, bőséges, változatos tapasztalatait, és tanítsuk meg belőlük az AI-t?”

Bár az elméletet még nem tesztelték teljeskörűen, a kutatók feltételezik, hogy a világmodellek teljesítménye a képzési adathalmazok méretével együtt javul, hasonlóan az LLM-ekhez. Ezért a megfelelő képzési adatok hiánya az egyik legnagyobb akadály. Egyes laborok szenzorokkal felszerelt emberek és robotok segítségével próbálnak saját adatokat generálni, de ez csak kis mennyiségű adatot eredményez, és nem fedezi le a szélső eseteket.

Nicole Fraenkel, a General Intuitiont is támogató Khosla Ventures partnere szerint „fizethetünk embereknek, hogy bemutassanak feladatokat, de az ismétlés önmagában nem rögzíti a világ rendetlenségét”.

A Worldmodeldata elmélete szerint a videójáték-környezetekből származó adatok – a 3D-s tér vizuális ábrázolása és a játékos által végrehajtott akciók párosítása – elegendő mennyiségben állnak rendelkezésre, és kellően változatosak ahhoz, hogy megragadják a sarkalatos sarok eseteket. „A hibák költsége autóknál, repülőknél, drónoknál, gyári targoncáknál vagy autonóm négylábú robotoknál nagyon magas” – teszi hozzá Fraenkel.

Ellentmondásos vélemények

A Worldmodeldata állítása szerint közel 1 millió órányi adatot licencelt népszerű videójátékok mögött álló stúdióktól, de Loucas nem nevezte meg azokat. A jövőben a startup tervezi, hogy lehetővé teszi az egyéni játékosok kompenzálását is. Loucas úgy véli, hogy a videójáték-adatok végül a világmodellek képzési anyagának többségét fogják alkotni. Nvidia, amely saját chipjein futó világmodelleket fejleszt, egyedi motort részesít előnyben, amely a valós fizika szimulálására szolgál.

Ming-Yu Liu, az Nvidia világmodell-fejlesztésének vezetője szerint a videójáték-bemeneteken képzett modellek valószínűleg nem teljesítenek jól olyan feladatokban, amelyek finom motoros vezérlést igényelnek, mivel a játékok fizikai szimulációi gyakran pontatlanok, és a fejlesztők trükköket alkalmaznak a valósághűség illúziójának megteremtéséhez. „Óvatosabb lennék a videójáték-adatok használatával a manipuláció terén” – mondja Liu. „A fizika sokkal bonyolultabb.”

Zhu professzor is hasonló aggályokat fogalmazott meg, megjegyezve, hogy a videójátékok „nagyrészt durva, közelítő” szimulátorok. A Worldmodeldata vezérigazgatója, Loucas, azonban optimista, és úgy véli, ez lehet a világmodellek „GPT pillanata”.