PhiZeroは「フィジカル・ランゲージ」の先駆者であり、AIの世界モデルが人間のように思考できるようにしています
大規模モデルが主流となっている今日の状況において、動画生成は「体現された知能」の基盤となるシミュレータとしてますます注目されています。しかし、主流のアプローチの多くはピクセル空間での直接予測に依存しており、その結果、物理法則が不安定になったり一貫性を欠いたりすることがよくあります。この業界が直面する重大な課題を解決するため、私たちの研究チームは、新しい物理世界モデル「PhiZero 」を正式に発表しました。 従来のブラインド予測の枠を超え、PhiZeroは「物理言語」を革新的に取り入れることで、AIが動画生成に先立って明示的な物理的推論を行えるようにします。
PhiZeroの中核には、「物理言語」と呼ばれる離散的な表現が導入されています。この言語は、膨大な屋外動画データセットを用いた自己教師付き学習を通じて、状態遷移パターンを抽出し、多様な視覚的文脈にわたる動的な変化の法則を捉えます。 これを活用し、本モデルは「推論優先、その後レンダリング」というアーキテクチャを採用しています。まず、物理言語空間内で将来の世界の進化軌道を自律的に推論し、次にこれらを専用の拡散デコーダに渡して高精細な動画合成を行います。この基礎となるダイナミクスシミュレーションとピクセルレベルの合成の分離により、物理的な一貫性が大幅に向上します。

技術的には、このシステムはトークナイザーと推論器の2つの主要モジュールで構成されています。物理言語トークナイザーは、遷移レベルのQ-Formerを用いて隣接する状態間の変化を捉え、限定的なスカラー量子化を通じてコンパクトな離散シンボルを生成します。その後、拡散デコーダーが初期フレームとこれらの離散シンボルに基づいて詳細な映像を再構築します。 一方、事前学習済みの視覚言語モデルで初期化された物理言語推論器は、最初のフレームとテキストベースのアクション意図が与えられると、将来の物理言語シーケンスを正確に予測します。

ベンチマーク評価により、PhiZeroがPhysics-IQ Verified、PhyGround、WorldModelBenchを含む複数の物理推論および動画生成テストにおいて、最先端の性能を達成していることが確認されました。衝突による物体の変位、重力による変形、あるいは複雑な連鎖反応のいずれに対しても、本モデルは極めて現実的な物理的妥当性を示しています。
エンボディド・インテリジェンスとロボティクスの発展が加速する中、PhiZeroの リリースは、制御可能でインタラクティブな世界モデリングに向けた新たな道を切り拓きます。本モデルは、長期シミュレーションやモーション転送のシナリオにおいて、極めて重要な役割を果たすことが期待されています。
関連記事
NvidiaのVeraチップ:ジェンセン・ファンが注目してほしい2000億ドルの賭け
NvidiaのVeraチップは、決算が市場予想を上回った際にもあまり表舞台を飾らないものの、注目に値する存在である。第1四半期の収益は816億2000万ドルに達し、アナリストが予想した788億6000万ドルを上回った。また、第2四半期のガイダンスは910億ドルで、ウォールストリートが予想した868億4000万ドルを大幅に上回っており、これらの数字はNvidiaの数字が常にそうであるように、注目を集めるものとなった。しかし、CEOのジェンセン・ファン氏のアナリスト向け電話会議の中に、単なる四半期の
明堂知能、エッジデバイス向け「MiniCPM-V 4.7」を公開、3GBメモリで13トークン/秒超の実現
明石インテリジェンスは、最新のエッジ側マルチモーダル大規模モデル「MiniCPM-V 4.7」を発表しました。このモデルは35B-A3Bと1Bの2つの構成で提供されます。35B-A3Bバリアントは、MiniCPM-Vシリーズ初のMixture of Experts (MoE) モデルであり、独自の「先読み型エキスパートスケジューリング」技術を活用し、エッジデバイス上でロスレスかつ滑らかな推論を実現します。これにより、クラウドへの依存なしに効率的に実行可能な初のオープンソースMoEとなっています。
GammaはAccelの支援を受けたLicaを買収し、デザイン能力を強化する
Gamma、主要なプレゼンテーションプラットフォームは、TechCrunchの独占報道によると、Accelの支援を受けるデザインスタートアップであるLicaを買収し、専用のデザイン研究ラボを設立した。Licaの共同創業者たちは、この新たなイニシアチブを率いることになる。スクリーンショットや録画をプロジェクトのプレゼンテーションや動画に変換するアプリケーションとして当初立ち上げられたLicaは、Priyaa KalyanaramanとPurvanshi Mehtaによって2023年に設立された。
関連特集おすすめ
コメント (0)
0/500
大規模モデルが主流となっている今日の状況において、動画生成は「体現された知能」の基盤となるシミュレータとしてますます注目されています。しかし、主流のアプローチの多くはピクセル空間での直接予測に依存しており、その結果、物理法則が不安定になったり一貫性を欠いたりすることがよくあります。この業界が直面する重大な課題を解決するため、私たちの研究チームは、新しい物理世界モデル
PhiZeroの中核には、「物理言語」と呼ばれる離散的な表現が導入されています。この言語は、膨大な屋外動画データセットを用いた自己教師付き学習を通じて、状態遷移パターンを抽出し、多様な視覚的文脈にわたる動的な変化の法則を捉えます。 これを活用し、本モデルは「推論優先、その後レンダリング」というアーキテクチャを採用しています。まず、物理言語空間内で将来の世界の進化軌道を自律的に推論し、次にこれらを専用の拡散デコーダに渡して高精細な動画合成を行います。この基礎となるダイナミクスシミュレーションとピクセルレベルの合成の分離により、物理的な一貫性が大幅に向上します。

技術的には、このシステムはトークナイザーと推論器の2つの主要モジュールで構成されています。物理言語トークナイザーは、遷移レベルのQ-Formerを用いて隣接する状態間の変化を捉え、限定的なスカラー量子化を通じてコンパクトな離散シンボルを生成します。その後、拡散デコーダーが初期フレームとこれらの離散シンボルに基づいて詳細な映像を再構築します。 一方、事前学習済みの視覚言語モデルで初期化された物理言語推論器は、最初のフレームとテキストベースのアクション意図が与えられると、将来の物理言語シーケンスを正確に予測します。

ベンチマーク評価により、PhiZeroがPhysics-IQ Verified、PhyGround、WorldModelBenchを含む複数の物理推論および動画生成テストにおいて、最先端の性能を達成していることが確認されました。衝突による物体の変位、重力による変形、あるいは複雑な連鎖反応のいずれに対しても、本モデルは極めて現実的な物理的妥当性を示しています。
エンボディド・インテリジェンスとロボティクスの発展が加速する中、
NvidiaのVeraチップ:ジェンセン・ファンが注目してほしい2000億ドルの賭け
NvidiaのVeraチップは、決算が市場予想を上回った際にもあまり表舞台を飾らないものの、注目に値する存在である。第1四半期の収益は816億2000万ドルに達し、アナリストが予想した788億6000万ドルを上回った。また、第2四半期のガイダンスは910億ドルで、ウォールストリートが予想した868億4000万ドルを大幅に上回っており、これらの数字はNvidiaの数字が常にそうであるように、注目を集めるものとなった。しかし、CEOのジェンセン・ファン氏のアナリスト向け電話会議の中に、単なる四半期の
明堂知能、エッジデバイス向け「MiniCPM-V 4.7」を公開、3GBメモリで13トークン/秒超の実現
明石インテリジェンスは、最新のエッジ側マルチモーダル大規模モデル「MiniCPM-V 4.7」を発表しました。このモデルは35B-A3Bと1Bの2つの構成で提供されます。35B-A3Bバリアントは、MiniCPM-Vシリーズ初のMixture of Experts (MoE) モデルであり、独自の「先読み型エキスパートスケジューリング」技術を活用し、エッジデバイス上でロスレスかつ滑らかな推論を実現します。これにより、クラウドへの依存なしに効率的に実行可能な初のオープンソースMoEとなっています。
GammaはAccelの支援を受けたLicaを買収し、デザイン能力を強化する
Gamma、主要なプレゼンテーションプラットフォームは、TechCrunchの独占報道によると、Accelの支援を受けるデザインスタートアップであるLicaを買収し、専用のデザイン研究ラボを設立した。Licaの共同創業者たちは、この新たなイニシアチブを率いることになる。スクリーンショットや録画をプロジェクトのプレゼンテーションや動画に変換するアプリケーションとして当初立ち上げられたLicaは、Priyaa KalyanaramanとPurvanshi Mehtaによって2023年に設立された。





家






