World Models

"World Model" (Mô hình thế giới) đề cập đến biểu diễn nội bộ của hệ thống AI về cách một môi trường hoạt động, cho phép hệ thống dự đoán các trạng thái hoặc kết quả trong tương lai dựa trên các quan sát hiện tại và các hành động tiềm năng. Không giống như các mô hình truyền thống ánh xạ đầu vào trực tiếp thành đầu ra (như phân loại hình ảnh), mô hình thế giới tìm hiểu các động lực, vật lý và quan hệ nhân quả cơ bản của một hệ thống. Khái niệm này là trọng tâm để thúc đẩy Artificial General Intelligence (AGI) vì nó cung cấp cho máy móc một hình thức lý luận "thường thức", cho phép chúng mô phỏng các kịch bản trong tâm trí trước khi hành động trong thế giới thực.

Cơ chế đằng sau World Models#

Về cốt lõi, mô hình thế giới hoạt động tương tự như trực giác của con người. Khi bạn ném một quả bóng, bạn không tính toán các phương trình cản gió; bộ não của bạn mô phỏng quỹ đạo dựa trên những trải nghiệm trước đây. Tương tự, trong machine learning (ML), các mô hình này nén dữ liệu cảm giác có chiều cao (như các khung hình video) thành một trạng thái tiềm ẩn nhỏ gọn. Trạng thái nén này cho phép tác nhân "mơ" hoặc ảo giác về các tương lai tiềm năng một cách hiệu quả.

Nghiên cứu hàng đầu, chẳng hạn như công trình về Recurrent World Models của Ha và Schmidhuber, chứng minh cách các tác nhân có thể học các chính sách hoàn toàn bên trong một môi trường giấc mơ được mô phỏng. Gần đây hơn, các tiến bộ về generative AI như Sora của OpenAI đại diện cho một hình thức mô hình hóa thế giới trực quan, nơi hệ thống hiểu vật lý, ánh sáng và tính vĩnh cửu của vật thể để tạo ra tính liên tục của video mạch lạc.

Các ứng dụng trong Robot và Mô phỏng#

World models đặc biệt mang tính đột phá trong các lĩnh vực yêu cầu ra quyết định phức tạp.

• Xe tự hành: Xe tự lái sử dụng các mô hình thế giới để dự đoán hành vi của những người lái xe và người đi bộ khác. Bằng cách mô phỏng hàng nghìn kịch bản giao thông tiềm năng mỗi giây, phương tiện có thể chọn lộ trình an toàn nhất. Điều này gắn liền chặt chẽ với computer vision in automotive solutions, nơi nhận thức chính xác là nền tảng cho việc dự đoán.
• Robotics: Trong manufacturing robotics, một cánh tay robot được huấn luyện bằng mô hình thế giới có thể thích ứng với các vật thể mới lạ hoặc chướng ngại vật bất ngờ mà không cần đào tạo lại. Nó hiểu vật lý của việc cầm nắm và chuyển động, cải thiện smart manufacturing solutions.

World Models so với Reinforcement Learning tiêu chuẩn#

Việc phân biệt world models với các phương pháp tiếp cận tiêu chuẩn là rất hữu ích:

• Mô hình thế giới so với Reinforcement Learning (RL): RL truyền thống thường "không có mô hình", có nghĩa là tác nhân học hoàn toàn thông qua thử và sai trong môi trường. Cách tiếp cận mô hình thế giới là "dựa trên mô hình", trong đó tác nhân xây dựng một trình mô phỏng để học hỏi, làm giảm đáng kể lượng tương tác trong thế giới thực cần thiết.
• Mô hình thế giới so với Large Language Models (LLMs): Trong khi LLM dự đoán token văn bản tiếp theo, các mô hình thế giới thường dự đoán khung hình hoặc trạng thái trực quan tiếp theo. Tuy nhiên, ranh giới đang mờ dần với sự trỗi dậy của multi-modal learning, nơi các mô hình tích hợp văn bản, tầm nhìn và vật lý.

Các khái niệm thực thi thực tế#

Mặc dù việc xây dựng một mô hình thế giới đầy đủ là phức tạp, khái niệm nền tảng dựa vào việc dự đoán các trạng thái tương lai. Đối với các tác vụ thị giác máy tính, các mô hình phát hiện tốc độ cao như Ultralytics YOLO26 đóng vai trò là "mắt" cảm giác cung cấp các quan sát vào logic ra quyết định.

Đoạn mã Python dưới đây minh họa cách bạn có thể sử dụng một mô hình YOLO để trích xuất trạng thái hiện tại (vị trí đối tượng), đóng vai trò là đầu vào cho bước dự đoán của world model.

from ultralytics import YOLO

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

# Perform inference to get the current state of the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Extract bounding boxes (xyxy) representing object states
for result in results:
    boxes = result.boxes.xyxy.cpu().numpy()
    print(f"Observed State (Object Positions): {boxes}")
    # A World Model would take these 'boxes' to predict the NEXT frame's state

Tương lai của AI dự báo#

Sự tiến hóa của các mô hình thế giới đang chuyển dịch hướng tới physical AI, nơi trí tuệ kỹ thuật số tương tác liền mạch với thế giới vật chất. Các đổi mới như Yann LeCun's JEPA (Joint Embedding Predictive Architecture) đề xuất việc học các biểu diễn trừu tượng thay vì dự đoán từng pixel, giúp các mô hình hiệu quả hơn đáng kể.

Khi các kiến trúc này trưởng thành, chúng tôi kỳ vọng sẽ thấy chúng được tích hợp vào Ultralytics Platform, cho phép các nhà phát triển không chỉ phát hiện đối tượng mà còn dự báo quỹ đạo và tương tác của chúng trong các môi trường động. Sự chuyển dịch từ phát hiện tĩnh sang dự đoán động này đánh dấu bước nhảy vọt lớn tiếp theo trong computer vision (CV).