剛剛我在刷動(dòng)態(tài)時(shí)，看到了李飛飛老師轉(zhuǎn)發(fā)的一篇她們實(shí)驗(yàn)室的文章。標(biāo)題是RTFM：實(shí)時(shí)框架模型。點(diǎn)進(jìn)去之前，我以為這又會(huì)是一篇關(guān)于模型精度提升、參數(shù)量增加的常規(guī)技術(shù)發(fā)布，結(jié)果發(fā)現(xiàn)AI教母真不是白叫的

現(xiàn)在就可以在這里體驗(yàn)RTFM：

https://rtfm.worldlabs.ai/

長(zhǎng)久以來(lái)，構(gòu)建一個(gè)實(shí)時(shí)、持久、交互的虛擬世界，面臨著一個(gè)近乎無(wú)解的難題：算力。

我們總以為，世界模型必然是用海量的GPU堆成的。文章里算了一筆賬，如果要實(shí)時(shí)生成一個(gè)4K、60幀的互動(dòng)世界，對(duì)算力的消耗，相當(dāng)于AI每秒鐘就要讀完一本《哈利波特》。這還僅僅是實(shí)時(shí)，如果要讓這個(gè)世界持久，你探索一小時(shí)后，所有東西都還在原位，那AI需要處理的記憶數(shù)據(jù)，將是一個(gè)天文數(shù)字

這樣以來(lái)，世界模型將會(huì)是未來(lái)很多年，只有少數(shù)巨頭才能參與的游戲

而RTFM給出的，卻是一個(gè)極其優(yōu)雅的答案，它沒(méi)有去正面硬扛這個(gè)問(wèn)題，而是繞了個(gè)彎，用一種更聰明的方式解決了它。李飛飛老師的答案是：在一塊H100上，實(shí)現(xiàn)這一切

這個(gè)選擇的背后，還是受到了sutton 老爺子的“苦澀的教訓(xùn)”的影響：我們是真的被硬件卡住了，還是我們的方法本身就不夠經(jīng)濟(jì)？那些能夠隨著計(jì)算能力的提升而優(yōu)雅擴(kuò)展的簡(jiǎn)單方法，往往將在人工智能領(lǐng)域占據(jù)主導(dǎo)地位，因?yàn)樗鼈兡軌蚴芤嬗谟?jì)算成本的指數(shù)級(jí)下降，而這種下降在過(guò)去幾十年里推動(dòng)了所有技術(shù)的發(fā)展。生成世界模型完全有能力從計(jì)算成本持續(xù)下降的未來(lái)中獲益

傳統(tǒng)的3D渲染，像是一個(gè)一絲不茍的物理學(xué)家，它需要精確計(jì)算每一條光線的路徑、每一次反射和折射。這是一個(gè)龐大而嚴(yán)謹(jǐn)?shù)墓こ?/p>

RTFM不一樣。它是一個(gè)“被教會(huì)的渲染器”（Learned Renderer）。它通過(guò)觀看海量的視頻數(shù)據(jù)，學(xué)會(huì)了這個(gè)世界的光影、材質(zhì)和空間關(guān)系應(yīng)該是什么樣子的

當(dāng)你給它一張圖片，讓它生成一個(gè)新的視角時(shí)，它不是在計(jì)算物理，而是在它的認(rèn)知里進(jìn)行創(chuàng)作：根據(jù)我見(jiàn)過(guò)的億萬(wàn)個(gè)廚房，在這個(gè)角度，光線大概率會(huì)這樣反射，陰影應(yīng)該落在這里

它把一個(gè)復(fù)雜的物理問(wèn)題，轉(zhuǎn)化成了一個(gè)基于數(shù)據(jù)和經(jīng)驗(yàn)的感知問(wèn)題。所以，它能如此高效地畫出那些極其耗費(fèi)算力的光影細(xì)節(jié)，比如水面和玻璃的復(fù)雜反射

另一個(gè)讓我印象深刻的，是它解決持久性的方案

以往的模型，探索得越遠(yuǎn)，記憶的包袱就越重，最終會(huì)慢到無(wú)法使用。而RTFM給它記住的每一幀畫面，都標(biāo)記了一個(gè)空間坐標(biāo)

這個(gè)設(shè)計(jì)非常巧妙。它等于給了AI一個(gè)空間感

當(dāng)需要渲染一個(gè)新畫面時(shí)，它不需要調(diào)動(dòng)全部的記憶。它會(huì)像我們?nèi)艘粯?，只關(guān)注附近的東西。這個(gè)技術(shù)，他們稱之為“上下文騰挪”（Context Juggling）。這就像你在書房找一本書，你不會(huì)把整個(gè)家翻個(gè)底朝天，你只會(huì)去書架上找

正是這個(gè)看似簡(jiǎn)單的機(jī)制，讓RTFM構(gòu)建的世界可以無(wú)限大，永不遺忘，同時(shí)又保持著極高的效率

更多的技術(shù)細(xì)節(jié)看這里：

https://www.worldlabs.ai/blog/rtfm