世界初となるイベントレベルの具現化知能ワールドモデルが、ロボットのフレーム単位の学習に終止符を打つ
5月29日、Variable Robotチームは、「イベントレベル予測」に基づいて構築された世界初の具現化知能ワールドモデル「WALL-WM」を発表した。 このモデルは、時間軸に沿ってフレームごとに動作を学習する従来のエンボディッド・ラージモデルから脱却し、代わりにワールドモデルの予測単位をセマンティックイベントへと切り替えています。これは、ロボットがタスクを理解し実行する方法において、新たな段階を切り開くものです。

現在のエンボディッド・インテリジェンス業界において、主流のビジョン・言語・アクション(VLA)モデルは、通常、現在の画像と指示を受け取り、固定長アクションブロックを予測します。このフレーム単位のトレーニング手法では、ロボットが些細な身体的動作に集中し、アクションの最終目標を見失うことがよくあります。 カップやテーブルが変わるといったシナリオに直面すると、汎化能力の欠如によりロボットは頻繁に失敗します。この業界の課題に対処するため、Variableチームは学術論文の中で、テキスト、視覚、および動作情報は、現実世界において異なる時間スケールと多様体の幾何学構造で自然に存在することを指摘しました。 これらを単一の共有空間に無理やり押し込むと、事前学習された幾何学的事前知識が容易に損なわれてしまう。
この課題に対処するため、WALL-WM ワールドモデルは、革新的なイベント中心のトレーニングおよび実行メカニズムを導入しています。これにより、複雑なタスクが、リーチ、把持、移動といった意味的に明確なイベントの接点に分解されます。 実際の動作において、このモデルはもはや次の画像フレームを厳密に計算することはありません。その代わりに、まず次のイベントによって世界がどのように変化するかをシミュレーションし、その視覚的な変化をロボットアームの運動軌跡に正確に変換します。

この新しいアーキテクチャを現実世界で確実に展開できるようにするため、Variable Robotチームは一連の徹底的な技術的改良を行いました。本システムは、同じ基本重みを用いて、「イベントモード」(可変長アクション出力)と「統合モード」(リアルタイム閉ループ制御)の間を柔軟に切り替えることをサポートしています。 また、ビデオモデルとアクションモデルの間の一方向結合を実現し、インターネット動画から得られる貴重な動的事前知識が、アクションデータによって時期尚早にバイアスされるのを防いでいます。 複数カメラにわたる幾何学的知覚については、本モデルはフラスタムマスクとチューブラーマスクを導入し、AIにビューを横断した真の3次元幾何学的対応関係を構築させる。決定の遅延に対処するため、論理的な解釈可能性を維持しつつデコード遅延を大幅に低減する、新しい「段階的思考連鎖デコード」技術を採用している。

関連記事
AIモデルルーティングが勢いを増す中、StripeがOpenRouterを買収へ
Stripeは、開発者が単一のインターフェースを通じて数百のモデルにアクセスできるAIモデルルーティングプラットフォーム「OpenRouter」の買収に合意した。この買収により、StripeのAI活用やトークンベースの課金に関する既存の取り組みに、モデルの選択およびルーティング機能が追加されることになる。Stripeによると、OpenRouterは80社以上のプロバイダーが提供する400以上のモデ
OpenAIの元研究員バレット・ゾフ氏が、Geminiの開発を支援するためGoogleに復帰
以前、Thinking Machines LabのCEOであるミリアム・ムララティ氏との意見の相違により、突然同社を退社してOpenAIに加わったバレット・ゾフ氏が、再び転職した。Alphabet傘下のGoogleは、ゾフ氏が研究担当副社長として復帰し、強化学習とポストトレーニングに関する専門知識をGeminiチームにもたらすことを発表した。「回転ドア」式研究者のサイクルゾフ氏のキャリアは、AI人
Recursive Intelligenceが4か月で40億ドルの評価額に基づき3億3500万ドルを調達した経緯
スタートアップ「Ricursive Intelligence」の共同創業者たちは、まるで共同創業者になる運命にあったかのようだった。CEOのアンナ・ゴールディ氏とCTOのアザリア・ミルホセイニ氏は、AIコミュニティでは非常に有名であり、ゴールディ氏はTechCrunchに対し、「ザッカーバーグから、とんでもないオファーが書かれた奇妙なメールを受け取ったAIエンジニアたち」の一人だったと、笑いながら
関連特集おすすめ
コメント (1)
0/500
Finally, a model that doesn't just process frames like a slow-motion video player! 🤖 This event-level prediction sounds way more efficient for real-time robot actions. I've been waiting for something that breaks free from the traditional frame-by-frame bottleneck. Can't wait to see how WALL-WM handles unpredictable environments. #AI #Robotics
5月29日、Variable Robotチームは、「イベントレベル予測」に基づいて構築された世界初の具現化知能ワールドモデル「WALL-WM」を発表した。 このモデルは、時間軸に沿ってフレームごとに動作を学習する従来のエンボディッド・ラージモデルから脱却し、代わりにワールドモデルの予測単位をセマンティックイベントへと切り替えています。これは、ロボットがタスクを理解し実行する方法において、新たな段階を切り開くものです。

現在のエンボディッド・インテリジェンス業界において、主流のビジョン・言語・アクション(VLA)モデルは、通常、現在の画像と指示を受け取り、固定長アクションブロックを予測します。このフレーム単位のトレーニング手法では、ロボットが些細な身体的動作に集中し、アクションの最終目標を見失うことがよくあります。 カップやテーブルが変わるといったシナリオに直面すると、汎化能力の欠如によりロボットは頻繁に失敗します。この業界の課題に対処するため、Variableチームは学術論文の中で、テキスト、視覚、および動作情報は、現実世界において異なる時間スケールと多様体の幾何学構造で自然に存在することを指摘しました。 これらを単一の共有空間に無理やり押し込むと、事前学習された幾何学的事前知識が容易に損なわれてしまう。
この課題に対処するため、WALL-WM ワールドモデルは、革新的なイベント中心のトレーニングおよび実行メカニズムを導入しています。これにより、複雑なタスクが、リーチ、把持、移動といった意味的に明確なイベントの接点に分解されます。 実際の動作において、このモデルはもはや次の画像フレームを厳密に計算することはありません。その代わりに、まず次のイベントによって世界がどのように変化するかをシミュレーションし、その視覚的な変化をロボットアームの運動軌跡に正確に変換します。

この新しいアーキテクチャを現実世界で確実に展開できるようにするため、Variable Robotチームは一連の徹底的な技術的改良を行いました。本システムは、同じ基本重みを用いて、「イベントモード」(可変長アクション出力)と「統合モード」(リアルタイム閉ループ制御)の間を柔軟に切り替えることをサポートしています。 また、ビデオモデルとアクションモデルの間の一方向結合を実現し、インターネット動画から得られる貴重な動的事前知識が、アクションデータによって時期尚早にバイアスされるのを防いでいます。 複数カメラにわたる幾何学的知覚については、本モデルはフラスタムマスクとチューブラーマスクを導入し、AIにビューを横断した真の3次元幾何学的対応関係を構築させる。決定の遅延に対処するため、論理的な解釈可能性を維持しつつデコード遅延を大幅に低減する、新しい「段階的思考連鎖デコード」技術を採用している。

AIモデルルーティングが勢いを増す中、StripeがOpenRouterを買収へ
Stripeは、開発者が単一のインターフェースを通じて数百のモデルにアクセスできるAIモデルルーティングプラットフォーム「OpenRouter」の買収に合意した。この買収により、StripeのAI活用やトークンベースの課金に関する既存の取り組みに、モデルの選択およびルーティング機能が追加されることになる。Stripeによると、OpenRouterは80社以上のプロバイダーが提供する400以上のモデ
OpenAIの元研究員バレット・ゾフ氏が、Geminiの開発を支援するためGoogleに復帰
以前、Thinking Machines LabのCEOであるミリアム・ムララティ氏との意見の相違により、突然同社を退社してOpenAIに加わったバレット・ゾフ氏が、再び転職した。Alphabet傘下のGoogleは、ゾフ氏が研究担当副社長として復帰し、強化学習とポストトレーニングに関する専門知識をGeminiチームにもたらすことを発表した。「回転ドア」式研究者のサイクルゾフ氏のキャリアは、AI人
Recursive Intelligenceが4か月で40億ドルの評価額に基づき3億3500万ドルを調達した経緯
スタートアップ「Ricursive Intelligence」の共同創業者たちは、まるで共同創業者になる運命にあったかのようだった。CEOのアンナ・ゴールディ氏とCTOのアザリア・ミルホセイニ氏は、AIコミュニティでは非常に有名であり、ゴールディ氏はTechCrunchに対し、「ザッカーバーグから、とんでもないオファーが書かれた奇妙なメールを受け取ったAIエンジニアたち」の一人だったと、笑いながら
Finally, a model that doesn't just process frames like a slow-motion video player! 🤖 This event-level prediction sounds way more efficient for real-time robot actions. I've been waiting for something that breaks free from the traditional frame-by-frame bottleneck. Can't wait to see how WALL-WM handles unpredictable environments. #AI #Robotics





家






