Die sechs "Kleinen Drachen" der Weltmodelle gerieten auf der WAIC in heftige Auseinandersetzungen, und die Branchendividende liegt genau in den nicht konsensuellen Ansichten.

Weltmodell ist eines der beliebtesten und am wenigsten konsensfähigen Bereiche im aktuellen KI-Umfeld.

Sein Konzept ist nicht konvergiert, die technische Route ist nicht konvergiert, die Trainingsmethode ist nicht konvergiert, der Datenstandard ist nicht konvergiert, die Bewertungsmaßstäbe sind nicht konvergiert...

Am 19. Juli fand auf dem Forum „Sechs Drachen der Weltmodelle“ der WAIC eine hoch informationsdichte Rundtischdiskussion statt, bei der die technischen Leiter der Weltmodelle von sechs Unternehmen versammelt waren. Sie sind:

Tao Dacheng, Chefwissenschaftler von Daxiaorobotics (Moderator)

Shen Yujun, Chefwissenschaftler von Ant Lingbo

Zhu Zheng, Mitbegründer & Chefwissenschaftler von Excellent Vision

Xia Zhongpu, Mitbegründer und CTO von Boundless Dynamics

Ren Guanghui, Direktor der KI-Algorithmen von Zhiyuan Robotics

Wang Hao, Mitbegründer und CTO von Independent Variable Robotics

Die Ansichten dieser Gäste repräsentieren die modernsten Überlegungen der Branche zu Weltmodellen und sind hörenswert.

Welche Fähigkeiten sind wichtig?

Wir sprechen nicht viel über die gemeinsamen Überzeugungen, die Unterschiede zwischen den Gästen sind der interessanteste Teil.

Zuerst betrachten wir den Streit um die technischen Routen von Weltmodellen.

Die technischen Routen, auf die diese sechs Unternehmen derzeit setzen, lassen sich nach dem Maßstab „In welchem Raum entwickelt das Modell die Welt weiter“ grob in drei Schulen einteilen:

Schule der Pixelgenerierung: Das repräsentative Unternehmen ist Excellent Vision

Schule des latenten Raums (JEPA): Das repräsentative Unternehmen ist Boundless Dynamics

Fusionsschule: Die repräsentativen Unternehmen sind Daxiaorobotics (Integration von Verständnis, Generierung und Vorhersage), Ant Lingbo (hat eine Weltmodell-Familie mit mehreren Routen auf den Markt gebracht), Independent Variable Robotics und Zhiyuan Robotics

Aufgrund der unterschiedlichen gewählten technischen Routen haben die Unternehmen natürlich unterschiedliche Meinungen zu vielen Schwerpunktthemen.

Zum Beispiel: In welchem Ausmaß soll ein Weltmodell die physische Welt verstehen?

Die eine Seite wünscht sich, dass es so nah wie möglich an einem physischen Simulator ist.

Xia Zhongpu von Boundless Dynamics schlug vor, dass die Bewertung eines Weltmodells von seiner Vorhersagegenauigkeit für Zustände wie Geometrie, Bewegung und Kraft abhängt.

Die andere Seite ist der Meinung, dass Roboter nicht zuerst Physiker werden müssen.

Shen Yujun von Ant Lingbo ist der Ansicht, dass „physikalische Plausibilität“ wichtiger ist als „physikalische Genauigkeit“. Roboter müssen nur verstehen, dass Eisen mit dem gleichen Gewicht schneller fällt als Baumwolle, aber sie müssen nicht wissen, wie viel schneller es genau ist – sie müssen es nur beobachten.

Er sagte, Roboter müssen nicht jede Flugbahn berechnen oder jeden physikalischen Parameter reproduzieren; es reicht aus, zu wissen, welche Unterschiede die vorliegenden Aktionen beeinflussen.

Auch bei den Kriterien zur Bewertung der Modellfähigkeiten bestehen Unterschiede zwischen den Gästen.

Ren Guanghui von Zhiyuan ist der Ansicht, dass die langfristige physikalische Konsistenz des Schlussfolgerungsprozesses einer der unverzichtbaren Indikatoren zur Bewertung der Fähigkeiten eines Weltmodells ist.

Wang Hao von Independent Variable Robotics sagte jedoch direkt: Langfristige Vorausschau ist eine „Scheinanforderung“. Im Vergleich zu dieser Fähigkeit legt er mehr Wert auf die Aktualität des Schlussfolgerungsprozesses. Wenn die Schlussfolgerung so langsam ist, dass das Entscheidungsfenster verpasst wird, nützt selbst das vollständigste Verständnis nichts.

Hinter dem Aufeinandertreffen der Ansichten verteidigen die Gäste die Fähigkeiten, auf die ihre eigenen Modelle spezialisiert sind.

Für das Verständnis des Modells von der physischen Welt können im latenten Raum physikalische Größen direkt zurückgeführt werden, daher kann die Forderung nach physikalischer Genauigkeit gestellt werden; die Pixelgenerierung erlernt natürlich ein „scheinbar plausibles“ Verhalten, daher wird nur physikalische Plausibilität zugesagt.

Was die langfristige Konsistenz betrifft, so ist eine der Hauptanwendungen des Weltmodells von Zhiyuan die Nutzung als Simulator, und langfristige Vorausschau ist die Lebensader von Simulatoren; Independent Variable Robotics integriert das Weltmodell und VLA in dasselbe End-to-End-Framework. Die Vorhersage ist der vorhergehende Schritt der Aktionsgenerierung: Je länger die Vorhersage reicht, desto langsamer ist der Schlussfolgerungsprozess und desto mehr Entscheidungszeit wird verbraucht.

Was wird zuerst konvergieren?

Abgesehen vom Streit um die technischen Routen, was ist am wahrscheinlichsten, dass im nächsten Stadium von Weltmodellen zuerst konvergiert?

Die Urteile der Teilnehmer sind unterschiedlich.

Ren Guanghui und Xia Zhongpu glauben, dass es die einheitliche Repräsentation ist. Sprachmodelle haben Token gefunden, aber die Embodied Intelligence hat ihr eigenes „Token“ noch nicht gefunden. Modalitäten wie Sehen, Sprache und Aktionen müssen in derselben Repräsentation ausgerichtet werden.

Wang Hao setzt auf Fusion: Die Videogenerierung liefert zukünftige Vorhersagen, der latente Raum liefert Schlussfolgerungen, und die explizite 3D-Modellierung dient als räumliches Gedächtnis. Die Stärken werden kombiniert, um eine neue Architektur zu bilden – dies ist in der Geschichte der großen Sprachmodelle bereits einmal passiert.

Shen Yujuns Einsatz liegt auf dem Tastsinn. Er ist überzeugt, dass die Branche im nächsten Stadium zuerst einen Konsens bilden wird: Der Tastsinn wird zu einer unverzichtbaren Modalität für Roboter. Sobald die Tastdaten durchbrochen sind, werden sich die Weltmodelle der physischen Welt und der digitalen Welt auseinanderentwickeln.

Heutzutage werden viele Weltmodelle von Robotern von Videogenerierungsmodellen der digitalen Welt abgeleitet; Ant Lingbo entwickelt hingegen ein von Grund auf für Embodied Intelligence konzipiertes Weltmodell, das ausgehend von den Anforderungen der Steuerung und Ausführung auf einer autoregressiven Architektur von Grund auf vortrainiert wird, sodass das Modell für „Vorhersage während der Aktion“ entworfen ist, statt dafür, schöne Bilder zu generieren.

Tao Dacheng glaubt, dass die jüngste Konvergenz von Weltmodellen nicht auf einer einzelnen technischen Route stattfinden wird, sondern an einem übergreifenden Bewertungsmaßstab.

Als Beispiel nennt er: Der Aufschwung des tiefen Lernens erfolgte nicht, weil neuronale Netze die Anhänger der Feature-Engineering in Debatten überzeugten, sondern weil ImageNet alle Methoden auf denselben Maßstab brachte. Sobald der Maßstab einheitlich ist, tritt die Konvergenz natürlich ein.

Während des Forums veröffentlichte Daxiaorobotics PHYSICAL IQ, das als erste von Grund auf für Embodied Intelligence konzipierte Bewertungsplattform für physische Intelligenz für mehrere Szenarien, mehrere Roboterplattformen und mehrere Aufgaben positioniert ist, um das physische Intelligenzniveau verschiedener Roboterplattformen und Weltmodelle fair zu quantifizieren.

Vom Demo zur Deployment

Obwohl die technischen Routen der Unternehmen unterschiedlich sind, wird der endgültige Bewertungsstandard sehr einfach, wenn Roboter in die physische Welt eintreten: Können sie Aufgaben stabil erledigen?

Nach der Definition von Xia Zhongpu heißt dies „Wirksamkeit der Entscheidung“; Ren Guanghui drückt es eher technisch aus: „Wie viele Indikatoren werden letztendlich für die Policy verbessert“; Zhu Zhengs Definition ist „Erfolgsrate von mehreren Aufgaben auf echten Geräten“. Diese Indikatoren haben unterschiedliche Namen, zielen aber alle auf dasselbe ab.

Es ist nicht schwer, dass ein Demo Aufgaben stabil erledigt, da man für einen Demo keine Kosten scheuen kann. Das wirklich Schwierige ist die großflächige Bereitstellung (Deployment) in der realen Welt.

Wang Hao teilte ein Gesetz mit: Wenn die Modellfähigkeit von 90 % auf 99 % und dann von 99 % auf 99,9 % verbessert wird, steigen die eingesetzten Kosten nicht linear an.

Eine im Versuchsumfeld scheinbar geringe Fehlerrate kann am Einsatzort zu wiederholten manuellen Übernahmen und wiederholten Nacharbeiten führen, was sich letztendlich zu einer nicht zu vertretenden Kostenrechnung summiert.

Die Fähigkeit, mit zufälligen und unerwarteten Situationen umzugehen, ist ebenfalls eine Schwachstelle, die Roboter ausgleichen müssen, nachdem sie das Labor verlassen haben.

Shen Yujun nannte das Beispiel eines Supermarkts: Ein Roboter soll eine Packung Gemüse finden, aber ein Kunde hat sie versehentlich in das Milchregal gelegt. Ein einzelnes Ereignis mag ein zufälliger Fall sein, aber für einen Roboter, der täglich mit verschiedenen Kunden zu tun hat, ist dies der Alltag.

Tao Dacheng von Daxiaorobotics betonte die Bedeutung der Fähigkeiten auf der Endseite für die Bereitstellung.

Viele Weltmodelle laufen in der Cloud, aber die Zeit, die ein Roboter für seine eigenen Entscheidungen hat, kann nur einige Dutzend bis einige Hundert Millisekunden betragen. Das Netzwerk kann nicht immer online sein, und die Cloud kann nicht immer warten.

Er sagte: Das Schwierigste ist nicht, das Modell klug zu machen, sondern die Klugheit preiswert, zuverlässig und zeitgerecht zu machen.

Zusammengefasst: Ein Demo zeigt die Obergrenze der Fähigkeiten, die Bereitstellung prüft die Untergrenze der Fähigkeiten.

Abschließend gibt es noch eine Frage, die nachdenkenswert ist: Weltmodelle sind erst im ersten Halbjahr dieses Jahres richtig populär geworden. Wenn wir in zwei Jahren darauf zurückblicken, was haben wir heute richtig gemacht, was falsch gemacht?

Shen Yujun sagte, dass die Branche manchmal „die Fähigkeit des Modells“ und „die gezeigte Fähigkeit des Modells“ verwechselt. Die Fähigkeit des Modells sind interne Eigenschaften wie Generalisierungseffizienz und Interaktivität; die gezeigte Fähigkeit ist die externe Darstellung wie das Generierungsergebnis.

Er glaubt, dass in zwei Jahren alle Arbeiten, die für die Architekturfähigkeit des Modells geleistet wurden, richtig sein werden, aber es ist ungewiss, ob es gut ist, zu sehr auf die gezeigte Fähigkeit des Modells zu setzen; alle Vorbereitungen, die für die Datenkette getroffen wurden, sind richtig, aber es ist ungewiss, ob die derzeit gesammelten Daten letztendlich verwendet und aktualisiert und iteriert werden.

Zhu Zheng sagte, dass heute zu viele Dinge außerhalb des Modells die Energie zerstreuen. Wenn man die zahlreichen kommerziellen Szenarien erforscht, bevor das Basismodell konvergiert, ist die Wahrscheinlichkeit des Erfolgs sehr gering.

Ren Guanghui sagte, dass Weltmodelle in zwei Jahren zu einer stärkeren „Embodied-Native“-Ausrichtung gelangen werden, die größere Mengen an Embodied-Native-Daten und eine von Grund auf für Embodied Intelligence konzipierte native Architektur erfordern.

Diese etwa eine Stunde dauernde Rundtischdiskussion erörterte einige der am meisten beachteten Themen zu Weltmodellen und präsentierte die repräsentativen gemeinsamen Überzeugungen und Unterschiede der Branche in diesem Stadium.

Die Zusammenfassung von Tao Dacheng ist sehr gut: Unterschiede sind das Material für wissenschaftliche Arbeiten, Überlappungen sind die Grundlage der Industrie. Für die gesamte Branche sind Unterschiede kein Problem, sondern vielmehr der aktuelle Vorteil.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „QbitAI“ (ID: QbitAI), Autor: Lin Fangzhou, veröffentlicht mit Genehmigung von 36Kr.