清华、华为等提出iVideoGPT：专攻交互式世界模型

AIGC动态6个月前发布 almosthuman2014

1,010 0 0

文章摘要

近年来，生成模型在视频生成领域取得了显著进展，尤其在无监督方式学习以构建预测世界模型方面。这些模型能积累关于世界如何运作的常识性知识，并预测智能体的行为潜在结果。利用这些世界模型，基于强化学习的智能体可以更安全、有效地学习新技能。

然而，视频生成模型和智能体学习模型之间存在差距，主要挑战在于如何在交互性和可扩展性之间取得平衡。现有世界模型多使用循环网络架构，但在大规模复杂数据上的建模能力有限。而视频生成模型可以合成逼真长视频，但轨迹级交互性不足。

为了解决这一问题，清华大学等机构提出了iVideoGPT，这是一个可扩展的自回归Transformer框架，能集成多模态信号进行交互式视频预测。iVideoGPT采用压缩tokenization技术离散化视频帧，并在多样化数据上预训练，建立交互式世界模型。该研究促进了交互式通用世界模型的发展。

iVideoGPT的核心是一个压缩tokenizer和一个自回归transformer。Tokenizer使用条件VQGAN对视频进行token化，显著减少序列长度，并保持时间一致性。Transformer通过next-token预测进行交互式视频预测。该模型在大量机器人操作视频上预训练，学习物理世界知识。

在微调阶段，iVideoGPT整合动作和奖励预测进行多任务学习，并对tokenizer进行适应以适应下游任务。实验结果显示，iVideoGPT在交互性和可扩展性上具有竞争力，并在下游任务中展现了迁移学习优势。

这项工作促进了通用交互式世界模型的发展，为基于模型的强化学习开辟了新方向。