World Model

World Model là một hệ thống trí tuệ nhân tạo tiên tiến được thiết kế để học cách mô phỏng toàn diện môi trường của nó, dự đoán cách thế giới vận hành theo thời gian và cách các hành động của chính nó ảnh hưởng đến tương lai đó. Khác với predictive modeling truyền thống vốn thường tập trung vào việc ánh xạ các đầu vào tĩnh sang đầu ra—như phân loại hình ảnh—World Model tìm cách hiểu các động lực nhân quả của một cảnh quan. Bằng cách nội hóa vật lý, logic và các chuỗi thời gian của dữ liệu mà nó quan sát được, nó có thể mô phỏng các kết quả tiềm năng trước khi chúng xảy ra. Khả năng này tương tự như mô hình tư duy của con người, cho phép AI "mơ" hoặc hình dung các kịch bản tương lai để lập kế hoạch cho các tác vụ phức tạp hoặc tạo ra nội dung video chân thực.

Link to this sectionVượt xa nhận thức tĩnh#

Đổi mới cốt lõi của World Model nằm ở khả năng suy luận về thời gian và mối quan hệ nguyên nhân-kết quả. Trong các tác vụ computer vision tiêu chuẩn, các model như Ultralytics YOLO26 rất xuất sắc trong việc phát hiện đối tượng trong một khung hình duy nhất. Tuy nhiên, World Model tiến xa hơn bằng cách dự đoán vị trí của các đối tượng đó trong khung hình tiếp theo. Sự chuyển dịch từ nhận dạng tĩnh sang dự đoán động này là yếu tố quan trọng để phát triển các autonomous vehicles và robot tinh vi.

Những đột phá gần đây, chẳng hạn như Sora text-to-video model của OpenAI, chứng minh sức mạnh tạo sinh của World Models. Bằng cách hiểu cách ánh sáng, chuyển động và hình học tương tác, các hệ thống này có thể tạo ra các môi trường cực kỳ chân thực từ các câu lệnh văn bản đơn giản. Tương tự, trong lĩnh vực reinforcement learning, các tác nhân sử dụng những mô phỏng nội bộ này để huấn luyện an toàn trong môi trường ảo trước khi thực hiện các tác vụ nguy hiểm trong thế giới thực, qua đó cải thiện đáng kể AI safety và hiệu suất.

Link to this sectionWorld Models so với Foundation Models#

Việc phân biệt World Models với các danh mục AI rộng lớn khác là rất hữu ích.

• World Models so với Foundation Models: Foundation model là mô hình đa năng được huấn luyện trên lượng dữ liệu khổng lồ (như GPT-4). World Model thường là một loại foundation model cụ thể hoặc một thành phần bên trong nó, được thiết kế đặc biệt để mô phỏng các động lực môi trường và tính nhất quán theo thời gian.
• World Models so với Large Language Models (LLMs): Trong khi các LLM dự đoán token văn bản tiếp theo dựa trên các mô hình ngôn ngữ, thì các World Models dự đoán "trạng thái" tiếp theo của thế giới (thường là các khung hình video hoặc dữ liệu cảm biến) dựa trên các quy tắc vật lý và không gian.

Link to this sectionCác ứng dụng trong thực tế#

Tiện ích của World Models mở rộng ra xa hơn việc tạo ra các video giải trí. Chúng đang trở thành những thành phần thiết yếu trong các ngành công nghiệp đòi hỏi khả năng ra quyết định phức tạp.

1. Xe tự hành (Autonomous Driving): Các công ty xe tự lái như Waymo sử dụng World Models để mô phỏng hàng triệu kịch bản lái xe. AI của xe có thể dự đoán quỹ đạo của người đi bộ và các phương tiện khác, lập kế hoạch lộ trình an toàn qua các giao lộ bận rộn mà không cần phải trải qua mọi tai nạn tiềm ẩn trong thực tế.

2. Robot và Sản xuất: Trong smart manufacturing, các robot được trang bị World Models có thể thao tác với những đối tượng mà chúng chưa từng thấy trước đây. Bằng cách mô phỏng vật lý của một cú nắm hoặc nâng, robot dự đoán liệu một vật phẩm có bị trượt hay vỡ hay không, đồng thời điều chỉnh hành động của nó trong các vòng lặp real-time inference để đảm bảo độ chính xác.

Link to this sectionVí dụ thực tế: Hình dung các trạng thái tương lai#

Mặc dù các World Models quy mô lớn đòi hỏi năng lực tính toán cực cao, khái niệm dự đoán các khung hình tương lai có thể được minh họa bằng cách sử dụng các nguyên tắc video understanding. Ví dụ sau đây trình bày cách thiết lập một môi trường nơi một tác nhân (hoặc mô hình) có thể bắt đầu theo dõi và dự đoán chuyển động của đối tượng, một bước nền tảng trong việc xây dựng thế giới quan dự báo.

import cv2
from ultralytics import YOLO26

# Load the Ultralytics YOLO26 model to act as the perception engine
model = YOLO26("yolo26n.pt")

# Open a video source (0 for webcam or a video file path)
cap = cv2.VideoCapture(0)

while cap.isOpened():
    success, frame = cap.read()
    if not success:
        break

    # The 'track' mode maintains object identity over time,
    # a prerequisite for learning object dynamics
    results = model.track(frame, persist=True)

    # Visualize the tracking, showing how the model follows movement
    annotated_frame = results[0].plot()

    cv2.imshow("Object Tracking Stream", annotated_frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Link to this sectionTương lai của AI dự báo#

Sự phát triển của World Models đại diện cho một bước tiến tới Artificial General Intelligence (AGI). Bằng cách học cách mô hình hóa thế giới một cách hiệu quả, các hệ thống AI đạt được spatial intelligence và một dạng "lẽ thường" về các tương tác vật lý. Các nhà nghiên cứu hiện đang khám phá Joint Embedding Predictive Architectures (JEPA) để làm cho các mô hình này hiệu quả hơn, tránh chi phí tính toán nặng nề khi phải tạo ra từng pixel và thay vào đó tập trung vào dự đoán các đặc trưng cấp cao. Khi các công nghệ này hoàn thiện, chúng ta có thể mong đợi sự tích hợp sâu hơn với Ultralytics Platform, cho phép các nhà phát triển huấn luyện các tác nhân không chỉ nhìn thấy thế giới mà còn thực sự hiểu được nó.