Ha eddig a vezetési szimulátorokról a drága, kézzel épített pályák és a korlátozott variációk jutottak eszedbe, az Oasis 3 más logikát hoz: szövegből, valós időben generál fotórealisztikus világot. A kérdés csak az, hogy mennyire „világ” ez, és mennyire látványos, de széteső illúzió.
Mi történt
A Decart bemutatta az Oasis 3 nevű interaktív world modelt, amely valós időben képes fotórealisztikus vezetési környezeteket létrehozni, és ezeket a felhasználó irányítására reagálva futtatni. A modell API-n keresztül érhető el, az árazás pedig 0,02 dollár/másodperc; nagyvállalati konstrukciók esetén az ár a felhasználási esettől függ.A cég első körben önvezető autós szereplőket céloz: olyan szimulációs igényt, ahol ritka és veszélyes „edge case”-eket (gondolj rá úgy, mint a valóságban alig előforduló, de kritikus helyzeteket) kell nagy mennyiségben előállítani. A hosszabb távú terv a robotika és más „physical AI” területek, de a stratégia kulcsa az, hogy már az első naptól API-t adnak a fejlesztőknek — ökoszisztémát akarnak építeni a world model köré.
Miért fontos
A „world model” lényegében egy olyan generatív modell, ami nem csak képet vagy videót gyárt, hanem interaktív, időben folyamatos jelenetet próbál fenntartani. Olyan, mintha nem egy kész filmet néznél, hanem egy improvizáló operatőr és díszletes csapat állna mögötted, akik minden pillanatban újrarajzolják a következő kockát. Ez a megközelítés ígéretes az autonóm vezetésnél, mert a ritka helyzetek szimulálása a klasszikus módszerekkel drága és lassú — viszont itt elvileg „végtelen” variációt kérhetsz.Mire figyelj
- Koherencia hosszú futásnál: a látványos kezdőkép után a világ tematikája és következetessége gyorsan romolhat. A tapasztalat az, hogy egy „New York-i reggeli utca” idővel általános nyugati nagyvárossá mosódik, és ha visszafordulsz, a korábbi helyszín akár el is tűnhet.
- Fizikai következetesség: több world modelhez hasonlóan előfordul, hogy az autó „átmegy” más járműveken — vagyis a fizika nem mindig kényszeríti ki az ütközést és az akadályokat. A TechCrunch értelmezése szerint ez részben adatprobléma is: több a „jó vezetésről” szóló adat, mint a balesetekről, ezért nehezebb stabilan tanítani a ritka, de kritikus ütközési helyzeteket.
- Irányítás és reakcióidő: az interakció nem feltétlenül elég reszponzív, és a vezérlés pontatlansága könnyen elviheti a fókuszt a szimulációs értékről.
- Miért nehéz ezt megoldani: az Oasis 3 auto-regresszív, vagyis képkockáról képkockára generál, és a korábbi kockákból „következteti ki” a következőt. Ez olyan, mintha mindig csak a következő lépést terveznéd meg a már leírt mondatok alapján — hosszú szövegnél (vagy hosszú vezetésnél) könnyebben csúszik el a történet.
A következő hónapok kulcskérdése az lesz, hogy a fotórealizmus mellé mennyire tudnak tartós térbeli memóriát és szigorúbb fizikai szabályokat adni, mert az autonóm járművek tesztelésében végül nem a látvány, hanem a következetesség dönt.